Microsoft produits IA et Machine Learning

Microsoft propose plusieurs plateformes pour l’IA et le Machine Learning. Chaque plateforme cible une combinaison différente de l’audience, de la charge de travail, de la base de données et du modèle de déploiement. Cet article aide les architectes de solutions, les ingénieurs machine learning, les scientifiques des données et les développeurs d’applications à choisir une plateforme de départ, à comprendre comment les plateformes diffèrent et à apprendre à les combiner dans des architectures réelles. La couverture inclut le Machine Learning classique, le Machine Learning intégré à l’analytique et les charges de travail d’IA génératives entre Azure, Microsoft Fabric et Microsoft Foundry. Cet article se concentre sur les solutions Microsoft fournies.

Utilisez cet article pour comparer les options et concevoir une solution de bout en bout.

Note

Cet article se concentre sur les plateformes d’IA et de Machine Learning personnalisées, et non sur les assistants SaaS (Software as a Service), les outils de création SaaS à faible code ou les expériences utilisateur final dans le produit.

Scénarios de charge de travail principaux

Commencez par la fonctionnalité IA ou Machine Learning que vous devez ajouter à votre charge de travail. Le tableau suivant mappe les scénarios de fonctionnalités courants à une plateforme de démarrage recommandée pour les fonctionnalités d’IA et de Machine Learning personnalisées. Utilisez-la comme orientation initiale avant de passer en revue les fonctionnalités de la plateforme et parcourez l’arbre de décision.

Scénario principal Point de départ recommandé Justification
Créer des applications IA génératives ou des agents IA Microsoft Foundry Fournit la découverte de modèles, le réglage précis, la génération augmentée par récupération (RAG), l’orchestration des agents, l’évaluation et les outils de sécurité dans une plateforme.
Ajouter des fonctionnalités IA via une API prédéfinie pour la vision, la reconnaissance vocale, la langue, la recherche ou la sécurité du contenu Outils de fonderie Offre des API préentraînées qui ne nécessitent aucune formation personnalisée. Utilisez-les avant de créer un modèle personnalisé.
Entraîner, déployer et gérer un modèle Machine Learning ou Deep Learning personnalisé Azure Machine Learning Couvre le cycle de vie complet du Machine Learning, y compris MLOps, les points de terminaison en ligne et les points de terminaison de traitement par lots, ainsi que les outils d’IA responsables.
Exécuter le Machine Learning intégré à l’analytique sur une plateforme décisionnel et de données unifiées Microsoft Fabric Fournit une plateforme d’analytique SaaS qui prend en charge les notebooks Apache Spark, AutoML et Microsoft intégration soutenue par OneLake avec Power BI.
Exécuter le Machine Learning sur Spark, les données lakehouse ou les travaux d’entraînement distribués volumineux Azure Databricks ou Apache Spark dans Azure HDInsight Azure Databricks : prend en charge Lakehouse-scale Spark avec l’intégration native de MLflow et de catalogue Unity.

Azure HDInsight : prend en charge les clusters Spark gérés par Azure avec l’intégration native du stockage et de la sécurité.
Conserver le Machine Learning à l’intérieur d’une base de données SQL, sur des appareils de périphérie ou dans des applications de bureau Applications intelligentes SQL et outilsAzure SQL Managed Instance Machine Learning Services, SQL Server Machine Learning Services ou machine learning locaux Fournit un moyen de conserver les données en place et d’ajouter une prédiction dans la base de données, une récupération vectorielle ou une intégration de point de terminaison IA.

Comparer les fonctionnalités de la plateforme

La matrice suivante résume l’emplacement principal de chaque plateforme, où elle offre une prise en charge complémentaire et où la fonctionnalité n’est pas un focus. La matrice utilise ces icônes :

  • ✅ Fonctionnalité principale
  • ⚠️ Fonctionnalité prise en charge ou complémentaire
  • ❌ Pas de focus
Capability Microsoft Foundry Azure Machine Learning Microsoft Fabric Azure Databricks Outils de fonderie Apprentissage automatique SQL Machine Learning edge ou local
IA générative et agents ✅ ⚠️ (Pas de plateforme primaire) ❌ ⚠️ (Lakehouse-scoped) ⚠️ (Blocs de construction uniquement) ❌ ⚠️ (Sur appareil uniquement)
Découverte et évaluation des modèles de base ✅ ⚠️ (Pas de plateforme primaire) ❌ ⚠️ (Lakehouse-scoped) ❌ ❌ ❌
Entraînement de modèle personnalisé (apprentissage classique ou profond) ⚠️ (Réglage précis uniquement) ✅ ⚠️ (Étendue analytique) ✅ ❌ ⚠️ (Étendue à la base de données) ⚠️ (Local uniquement)
Calcul d’entraînement à grande échelle ou distribué ❌ ✅ ⚠️ (Échelle plus petite) ✅ ❌ ❌ ❌
AutoML (Apprentissage automatique automatisé) ❌ ✅ ✅ ✅ ❌ ❌ ⚠️ (.NET uniquement)
Cycle de vie MLOps (Registre, pipelines, intégration continue et livraison continue (CI/CD)) ⚠️ (Via Azure Machine Learning) ✅ ⚠️ (Via Azure Machine Learning) ✅ ❌ ❌ ❌
Inférence en temps réel (en ligne) ✅ ✅ ⚠️ (Points de terminaison de modèle en préversion) ✅ ✅ ⚠️ (Dans la base de données uniquement) ✅
Inférence Batch (hors connexion) ⚠️ (En ligne) ✅ ✅ ✅ ❌ ✅ ⚠️ (Local uniquement)
Déploiement local ou hors connexion ⚠️ (Sous-ensemble edge uniquement) ⚠️ (Via Azure Arc) ❌ ❌ ⚠️ (Conteneurs uniquement) ✅ ✅
Outils de gouvernance et de sécurité ✅ ✅ ⚠️ (Gouvernance limitée du modèle) ✅ ⚠️ (Étendue du service) ⚠️ (Étendue à la base de données) ❌

Les notes suivantes précisent les évaluations spécifiques dans la matrice :

  • Les outils Foundry sont considérés comme complémentaires pour l’IA et les agents génératifs, car les services tels que Recherche Azure AI, Content Safety in Foundry Control Plane et Azure Document Intelligence in Foundry Tools sont des blocs de construction courants pour les solutions RAG et agent. La plateforme principale pour le développement d’IA générative est Microsoft Foundry.

  • Microsoft gouvernance Foundry provient principalement du plan de contrôle Foundry, qui fournit l’observabilité, les contrôles d’exécution, l’intégration de la sécurité et la gestion de flotte pour les agents et les applications.

  • Azure Machine Learning prend en charge l’IA générative via l’accès aux modèles Foundry, aux points de terminaison managés, aux fonctionnalités d’évaluation et au réglage précis des modèles de base pris en charge. Ce n’est pas la plateforme principale pour le développement d’IA générative.

  • Azure Databricks obtient une évaluation principale pour la gouvernance, car Unity Catalog fournit une gouvernance unifiée des données et des modèles avec le contrôle d’accès en fonction du rôle (RBAC) et OpenSharing.

  • Microsoft Fabric est considéré comme complémentaire pour la gouvernance, car OneLake, Microsoft Purview intégration, étiquettes de confidentialité et contrôles basés sur un domaine couvrent bien les ressources de données. Microsoft Fabric inclut un registre de modèles MLflow intégré pour le stockage et le suivi des modèles. Microsoft Fabric dispose également d’une vue de traçabilité intégrée pour les modèles et expériences Machine Learning, y compris les relations avec les lakehouses et les éléments de code. Mais Microsoft Fabric n'inclut pas de tableau de bord IA responsable. Pour une gouvernance plus large du cycle de vie des modèles, associez Microsoft Fabric à Azure Machine Learning.

  • Microsoft Fabric est considéré comme complémentaire pour l’inférence en temps réel, car Microsoft Fabric Real-Time Intelligence couvre l’analytique de streaming et Microsoft Fabric points de terminaison de modèle Machine Learning fournissent des points de terminaison REST en ligne managés pour les prédictions en temps réel. Les points de terminaison de modèle sont en préversion et prennent en charge un ensemble limité de versions de modèle. Pour un service en ligne de production étendu, vous pouvez également associer des Microsoft Fabric avec Azure Machine Learning points de terminaison en ligne gérés ou Microsoft Foundry.

  • Foundry Local étend Microsoft Foundry à l’inférence sur appareil pour les scénarios de périphérie et hors connexion.

  • Azure Arc étend Azure Machine Learning aux clusters Kubernetes locaux pour l’entraînement hybride ou le scoring.

  • Microsoft Fabric Science des données comprend une expérience AutoML à faible code. AutoML (Fast and Lightweight AutoML) est disponible via des API FLAML (Fast and Lightweight AutoML) dans Microsoft Fabric notebooks. Pour obtenir l’état actuel, consultez la documentation Microsoft Fabric.

Affiner votre choix de plateforme

Utilisez l’arbre de décision suivant pour affiner votre choix de plateforme de démarrage. L’arborescence vous aide à sélectionner une plateforme principale pour une charge de travail. La plupart des solutions de production combinent plusieurs plateformes. Utilisez donc les sections spécifiques au produit de cet article pour affiner votre choix. Envisagez également d’utiliser un modèle d’architecture composée. Pour plus d’informations, consultez Combiner des plateformes.

Arbre de décision pour une plateforme d’ia ou d’apprentissage automatique principale Microsoft basée sur le scénario, le profil de développeur et les emplacements d’inférence et d’apprentissage.

Téléchargez un fichier Visio de cet arbre de décision.

Procédure pas-à-pas

Suivez les étapes suivantes pour parcourir l’arbre de décision. Lorsque vous atteignez un choix de plateforme, ignorez les étapes restantes.

  1. Identifiez le scénario de fonctionnalité.

    Faites des choix de plateforme au niveau de la fonctionnalité au sein de votre charge de travail. Chaque fonctionnalité peut avoir des exigences fonctionnelles et non fonctionnelles uniques qu’une ou plusieurs technologies peuvent servir. Lorsque vous utilisez cet organigramme, tenez compte des exigences du cas d’usage spécifique que vous souhaitez résoudre.

    • Si les fonctionnalités IA prédéfinies telles que la vision, la reconnaissance vocale, la langue, la recherche, la compréhension des documents ou la sécurité du contenu répondent aux besoins de votre charge de travail, utilisez Foundry Tools. De nombreux services dans Foundry Tools prennent en charge la personnalisation, comme la classification de texte personnalisée dans Azure Langue ou les modèles personnalisés dans Azure Document Intelligence. Tenez compte de ces services avant de vous engager à une formation personnalisée complète ou à une approche plus large comme l’utilisation d’un modèle de langage pour simuler un service spécialisé. Pour obtenir une documentation spécifique au service, consultez les articles suivants :
    • Si votre charge de travail nécessite l’IA générative ou des agents IA personnalisés pour ajouter un comportement non déterministe, passez à l’étape 2.
    • Si la fonctionnalité nécessite des fonctionnalités d’apprentissage automatique ou d’apprentissage profond personnalisées, telles que le Machine Learning classique, la vision par ordinateur, la prévision ou le réglage précis de vos propres modèles, passez à l’étape 3.
    • Si vous avez besoin d’intégrer le Machine Learning à un flux de travail de données et bi plus large, passez à l’étape 4.

  2. Pour l’IA et les agents génératifs, choisissez la plateforme Microsoft qui correspond à votre profil de développeur.

    • Accès direct à l’API LLM (Direct Large Language Model) uniquement : utilisez Azure OpenAI dans Microsoft Foundry.

    • Développement d’un agent ou d’un multi-agent de code : utilisez le KIT DE développement logiciel (SDK) Microsoft Agent Framework associé au service Foundry Agent pour l’hébergement et l’orchestration.

    • Plateforme d’INTELLIGENCE artificielle complète (Modèles Foundry, réglage précis, évaluation, sécurité, observabilité et gouvernance) : Utilisez Microsoft Foundry.

  3. Pour le Machine Learning personnalisé et le Deep Learning, basez votre décision sur l’endroit où l’entraînement et l’inférence doivent s’exécuter.

  4. Pour le Machine Learning intégré à l’analytique, choisissez la solution qui correspond à vos données et à votre modèle DÉCISIONNEL.

  5. Pour le calcul spark ou distribué, basez votre décision sur l’utilisation de lakehouse ou de clusters Spark managés.

    • Lakehouse avec la gouvernance du catalogue MLflow et Unity : utilisez Azure Databricks. Vous pouvez toujours publier des modèles via Azure Machine Learning points de terminaison managés pour servir et gouvernance.

    • Clusters Spark managés sur Azure avec intégration de stockage et de sécurité native : utilisez Apache Spark dans Azure HDInsight.

Note

Pour les architectures qui couvrent les environnements cloud et locaux, attachez des clusters Kubernetes locaux ou multiclouds à un espace de travail Azure Machine Learning via Azure Arc. Cette configuration conserve les données locales lors de l’orchestration de l’entraînement et de l’inférence via Azure. Pour plus d’informations, consultez Configurer le cluster Kubernetes pour Azure Machine Learning.

Azure Machine Learning

Azure Machine Learning est un service cloud entièrement géré pour l’entraînement, le déploiement et la gestion des modèles Machine Learning à grande échelle. Il prend en charge des dizaines de milliers de packages Python open source, notamment TensorFlow, PyTorch et scikit-learn. Il fournit des outils pour le cycle de vie complet du Machine Learning, de la préparation des données via le déploiement, MLOps et l’IA responsable.

Utilisez Azure Machine Learning lorsque vous avez besoin des fonctionnalités suivantes :

  • Formation personnalisée. Vous utilisez l’entraînement de modèle personnalisé pour le Machine Learning classique, le Deep Learning ou le réglage précis des machines virtuelles open source.

  • MLOps de production. Vous utilisez un cycle de vie MLOps de production qui comprend le suivi des expériences, le contrôle de version de modèle, les registres régis, les pipelines CI/CD et la supervision de production.

  • Points de terminaison managés. Vous utilisez des points de terminaison d’inférence en ligne ou par lots gérés hébergés dans un environnement qui fournit la mise à l’échelle automatique, l’identité managée et la surveillance.

  • Calcul hybride. Vous utilisez l’entraînement hybride ou l’inférence sur des clusters Kubernetes compatibles avec Azure Arc.

Le tableau suivant récapitule les fonctionnalités de plateforme qui Azure Machine Learning fournit tout au long du cycle de vie du Machine Learning.

Capability Descriptif
Espaces de travail et magasins de données Ressource centrale pour organiser des expériences, des calculs, des jeux de données, des modèles et des connexions à des magasins de données externes. Les ressources et l’historique des exécutions sont versionnés pour la reproductibilité.
Clusters de calcul et instances Processeur provisionné et calcul GPU pour l’entraînement distribué (clusters de calcul) et le développement interactif de notebooks (instances de calcul).
Informatique sans serveur Calcul géré à la demande qui Azure Machine Learning crée et met automatiquement à l’échelle les travaux d’entraînement.
Machine learning automatisé Génération de modèles, de pipelines, d’optimisation des hyperparamètres et d’ingénierie des fonctionnalités pour la classification, la régression, la prévision, la vision par ordinateur et le traitement du langage naturel.
Pipelines et concepteur Orchestration basée sur le code et glisser-déplacer pour la préparation des données, l’entraînement, l’évaluation et le déploiement. S’intègre aux outils CI/CD.
Accès aux modèles Foundry Plateforme permettant de découvrir, d’évaluer, d’affiner et de déployer des modèles de base pris en charge à partir de Microsoft, OpenAI, Meta, Hugging Face et d’autres fournisseurs via des modèles Foundry dans Azure Machine Learning.
Suivi des expériences MLflow et gestion des modèles Suivi des expériences, des exécutions, des métriques, des paramètres, des artefacts et des modèles à l’aide d’API compatibles MLflow avec un espace de travail Azure Machine Learning.
Points de terminaison en ligne et par lots Points de terminaison REST managés pour l’inférence en temps réel et les points de terminaison appelants pour le scoring par lots, avec prise en charge de la mise à l’échelle automatique et de l’identité managée.
Outils d’IA responsables Tableaux de bord d’équité, d’explication et d’analyse des erreurs.
Prise en charge de la sécurité et hybride Intégration à Réseau virtuel Azure, Azure Key Vault, Azure Container Registry, RBAC, identités managées et Azure Arc.

Le tableau suivant récapitule les détails de l’adoption de base pour Azure Machine Learning.

Aspect Détails
Type Plateforme Machine Learning basée sur le cloud.
Langues prises en charge Python et R. Une interface de ligne de commande (CLI) et des API REST sont également prises en charge.
Phases de Machine Learning Préparation des données, formation, déploiement, MLOps et IA responsable.
Principaux avantages Flux de travail SDK et CLI Code-first. Création basée sur Studio. Gestion centralisée des scripts, des expériences et de l’historique des exécutions. Formation et déploiement évolutifs. Options hybrides via Azure Arc.
Considerations Une certaine connaissance de l’espace de travail et du modèle de ressource est utile avant d’adopter un MLOps complet.

Azure Machine Learning n'est pas le meilleur ajustement dans les situations suivantes :

  • Vous devez uniquement utiliser des API préentraînées pour la vision, la parole ou la langue. Dans ce cas, utilisez Foundry Tools.

  • Le Machine Learning est une petite extension d’une charge de travail d’analytique. Dans ce cas, Microsoft Fabric ou Azure Databricks peut être un meilleur point de départ.

  • Votre charge de travail est une IA générative de bout en bout (sélection de modèle, orchestration de l’agent, évaluation, déploiement et supervision). En outre, vous n'avez pas besoin d'une formation de Machine Learning classique ou du Azure Machine Learning ressource, d'exécution et de modèle MLflow. Dans ce cas, Microsoft Foundry seul peut être suffisant. Un espace de travail Azure Machine Learning n’est nécessaire que lorsque vous avez besoin de Azure Machine Learning calcul d’entraînement, de cycle de vie MLOps ou de points de terminaison en ligne ou de lots gérés pour des modèles personnalisés.

Microsoft Foundry

Microsoft Foundry est la plateforme unifiée Azure permettant de créer, d’optimiser et de régir les applications d’IA et les agents IA génératifs. Microsoft Foundry combine le catalogue de modèles Foundry, les services d’agent et d’orchestration, l’évaluation et les outils de sécurité, ainsi qu’un plan de contrôle pour la gouvernance du runtime. Pour le développement d’un agent code-first, Microsoft paires Foundry avec l’infrastructure de l’agent Microsoft, le SDK de Microsoft unifié qui remplace le fractionnement précédent entre Noyau sémantique et AutoGen.

Utilisez Microsoft Foundry lorsque vous avez besoin des fonctionnalités suivantes :

  • Ia générative ou agents. Vous créez des solutions basées sur l’IA ou l’agent génératives, telles que des chatbots multimodel ou des flux de travail LLM orchestrés.

  • Découverte et évaluation des modèles. Vous devez être en mesure de découvrir, comparer et évaluer des modèles de base de plusieurs fournisseurs.

  • Personnalisation et gouvernance du modèle. Vous souhaitez affiner, évaluer et déployer des modèles de base dans un environnement managé qui fournit une observabilité intégrée, la sécurité du contenu et les contrôles d’exécution.

Le tableau suivant récapitule les fonctionnalités de Microsoft Foundry qui prennent en charge les applications d’IA génératives et le développement d’agents.

Capability Descriptif
Modèles de fonderie Catalogue de modèles préentraînés à partir de fournisseurs tels que Azure OpenAI, Hugging Face et Meta, ainsi que la famille de modèles Microsoft Phi small language, avec des benchmarks et des options de déploiement.
Personnalisation des modèles Possibilité d’ajuster ou de personnaliser des modèles de base pris en charge sur vos propres données. Les options de déploiement dépendent du modèle et incluent des types standard et provisionnés le cas échéant.
Service d’agent de la fonderie Plateforme permettant d’héberger et d’orchestrer des agents IA qui automatisent les processus métier multistep. Associe le KIT SDK Microsoft Agent Framework pour le développement d’agents code-first. Implémente l’API Réponses compatibles OpenAI pour la prise en charge étendue du Kit de développement logiciel (SDK) client.
Foundry IQ Couche de connaissances managée qui base les agents sur les données d’entreprise. Crée des bases de connaissances multisources et utilise la récupération agentique pour retourner des réponses prenant en charge les autorisations avec des citations. Basé sur Recherche Azure AI. Les sources de connaissances incluent des sources indexées (telles qu’un index de Recherche Azure AI existant, Stockage Blob Azure, des fichiers directement chargés, OneLake, Azure SQL et des sources indexées SharePoint) et des sources distantes interrogées lors de l’exécution (telles que les SharePoint distants, Microsoft Fabric ontologie, Work IQ, Microsoft Bing données web, serveurs MCP (Model Context Protocol) et Microsoft Fabric agents de données). Plusieurs de ces connecteurs sont actuellement en préversion. Pour connaître l’état actuel de l’aperçu et les connecteurs pris en charge, consultez les sources de connaissances agentiques dans Recherche Azure AI. Pour connaître les options de magasin de données, consultez Choisir un service Azure pour la recherche vectorielle.
Plan de contrôle de Foundry Interface qui fournit l’observabilité, les contrôles d’exécution, l’intégration de la sécurité et la gestion de flotte dans Microsoft agents et applications Foundry.
Sécurité du contenu Un service IA qui détecte le contenu généré par l’utilisateur et généré par l’IA dangereux. Voir Sécurité du contenu.
Fonderie Locale Solution pour l’inférence ia sur appareil pour les scénarios edge et hors connexion où les performances, la confidentialité ou le coût sont importantes.

Foundry Toolkit pour Visual Studio Code

Foundry Toolkit pour Visual Studio Code est l’expérience principale du développeur pour Microsoft Foundry. Utilisez-le lorsque vous souhaitez un flux de travail local pour les applications et agents d’IA génératives. Le kit de ressources prend en charge la découverte de modèles, l’exécution de modèles locaux, le développement d’invites et d’agents, l’intégration des outils, le débogage, le suivi, l’évaluation, le réglage et le déploiement de Microsoft Foundry à partir de Visual Studio Code.

Démarrez dans Foundry Toolkit lorsque la solution a besoin de code, de contrôle de code source, d’itération locale, d’inspection de l’agent, d’intégration de l’outil MCP ou de tests de modèle avant le déploiement. Utilisez le portail Foundry pour l’exploration de preuve de concept, la configuration du projet, l’examen des ressources, la révision d’évaluation et la visibilité opérationnelle une fois les applications et les agents en cours d’exécution.

Portail Foundry et Azure Machine Learning studio

Le portail Foundry et Azure Machine Learning studio sont des expériences web complémentaires. Utilisez-les pour le prototypage, la gestion des projets et des ressources, l’évaluation et la visibilité opérationnelle.

Catégorie Portail de Foundry Azure Machine Learning Studio
Charge de travail la mieux adaptée Preuve de concept, d’exploration de modèle, d’examen de l’agent, de révision d’évaluation et de visibilité opérationnelle pour les applications et agents d’IA génératives. Machine Learning personnalisé, Machine Learning classique, Deep Learning et flux de travail de plateforme Machine Learning plus larges.
Gestion des données Fonctionnalité permettant de connecter des ressources de projet et des sources de données prises en charge, notamment Stockage Blob, OneLake et Azure Data Lake Storage. Stockage de l’espace de travail, ressources de données et comptes de stockage connectés Azure.
Expériences de création Prototypage basé sur le portail, terrains de jeu, exploration de modèles, révision d’évaluation et gestion des ressources de projet. Notebooks, concepteur, AutoML, gestion des modèles et workflows SDK et CLI.
Langages et kits SDK pris en charge Python, C#, JavaScript et sdk Java. Des API REST. Python, R et le Azure CLI. Des API REST.
Force d’entraînement de base Évaluation du modèle et réglage précis pris en charge. Apprentissage automatique et personnalisé dans le machine learning classique, le deep learning et le réglage précis LLM.
Calcul et déploiement API de calcul managées et serverless pour les modèles de base pris en charge. Calcul managé, calcul serverless, points de terminaison en ligne, points de terminaison de traitement par lots et options de Azure Arc.
Surface d’IA générative Une surface web pour l’exploration des modèles Foundry, l’évaluation, l’observabilité et les outils de sécurité. Accès aux modèles foundry, points de terminaison managés, évaluation et réglage précis pour les modèles de base pris en charge à l’intérieur de la plateforme Azure Machine Learning.
Governance Plan de contrôle Foundry pour la gouvernance de l’agent et de l’application. Tableau de bord ia responsable, traçabilité, gestion des modèles et contrôles MLOps.

Le tableau suivant récapitule les détails de l’adoption de base pour Microsoft Foundry.

Aspect Détails
Type Plateforme unifiée pour les modèles de base, les agents et les applications IA génératives.
Langues prises en charge Python, C#, JavaScript et sdk Java. Des API REST.
Phases de Machine Learning Découverte et évaluation des modèles, développement d’applications et d’agents, réglage précis des modèles pris en charge, déploiement, surveillance et sécurité.
Principaux avantages Catalogue de modèles Foundry consolidé. Évaluation intégrée, sécurité et observabilité. Prise en charge de l’agent et du RAG. collaboration basée sur Project.

Microsoft Foundry n'est pas le meilleur ajustement dans les situations suivantes :

  • Vous utilisez des fonctionnalités IA prédéfinies telles que la reconnaissance optique de caractères (OCR), la transcription de reconnaissance vocale, la traduction ou la modération de contenu par le biais d’une API, et vous n’avez pas besoin de sélection de modèle, d’orchestration ou d’agents. Dans ce cas, utilisez Foundry Tools.

  • Votre solution nécessite une formation de modèle personnalisée, pour le Machine Learning classique ou le Deep Learning, et des fonctionnalités MLOps complètes. Dans ce cas, utilisez Azure Machine Learning. Microsoft Foundry ne propose pas de calcul d'entraînement approvisionné étendu ou AutoML pour les données tabulaires.

  • Votre solution nécessite l’ingénierie des données à l’échelle Spark. Dans ce cas, utilisez Azure Databricks ou Microsoft Fabric.

Outils de fonderie

Foundry Tools, anciennement Azure AI services et Cognitive Services, est une famille de fonctionnalités d’IA préentraînées que vous consommez via des API REST et des kits sdk. Chaque outil cible une fonctionnalité spécifique, ce qui vous permet d’ajouter des fonctionnalités intelligentes aux applications sans générer ou entraîner un modèle personnalisé. Pour obtenir de l’aide sur le choix du service à utiliser, consultez Choisir une technologie de services IA.

Tip

Foundry Tools fournit des API préentraînées pour les tâches probabilistes courantes. Pour les modèles d’IA, les agents et l’orchestration génératives, travaillez dans Microsoft Foundry au lieu d’utiliser directement Les outils Foundry. De nombreux services dans Foundry Tools partagent le même type de ressource Azure sous-jacent (Microsoft.CognitiveServices/accounts) que Microsoft Foundry, mais ils sont des produits distincts.

Utilisez les outils Foundry dans les situations suivantes :

  • Une API préentraînée couvre le scénario. Vous n’avez donc pas besoin d’entraîner un modèle personnalisé.

  • Vous avez besoin d’API standard, d’API gérées et d’intégration basée sur des API avec des applications existantes.

Le tableau suivant regroupe les services couramment utilisés par zone de capacité. Les modèles, agents et orchestration d’IA générative font partie de Microsoft Foundry et sont répertoriés séparément pour référence.

Zone de capacité Services représentatifs
Vision Azure Vision et Visage Azure dans Les outils Foundry.
Compréhension des documents et du contenu Azure Document Intelligence et Azure Content Understanding.
Speech Azure Reconnaissance vocale pour la transcription de synthèse vocale, la génération vocale de synthèse vocale et la reconnaissance de l’orateur.
Language Azure Langue pour la reconnaissance d’entité nommée, la détection de données personnelles et la détection de langue. Azure Translator dans Foundry Tools pour la traduction.
Rechercher et connaître Recherche Azure AI pour la recherche basée sur l’IA et la récupération RAG.
Sécurité du contenu Sécurité du contenu pour la détection de contenu nuisible dans le contenu généré par l’utilisateur et généré par l’IA.
Video Azure AI Video Indexer pour l’analyse vidéo et l’indexation.
Modèles et agents d’IA dégénératives Microsoft Foundry. Inclut le service de l’agent Foundry et les modèles Foundry.

Pour comparer les services d’une zone de capacité et en choisir un, consultez les guides de sélection détaillés suivants :

Le tableau suivant récapitule les principaux détails d’adoption des outils Foundry.

Aspect Détails
Type API préentraînées pour la création d’applications intelligentes.
Langues prises en charge C#, Java, JavaScript et Python sdk en fonction du service. Des API REST.
Phases de Machine Learning Consommation par le biais d’API. Certains services prennent en charge la personnalisation.
Principaux avantages Possibilité d’ajouter des fonctionnalités d’IA prédéfinies par le biais d’API. Expertise minimale en science des données requise. Mise à l’échelle managée.

Les outils Foundry ne conviennent pas le mieux à la situation suivante : votre scénario nécessite des architectures de modèle personnalisées ou des données d’apprentissage au-delà des options de personnalisation prises en charge. Dans ce cas, utilisez Azure Machine Learning pour les modèles classiques ou deep learning, ou utilisez Microsoft Foundry pour le réglage fin de l’IA générative.

Microsoft Fabric

Microsoft Fabric est une plateforme d’analytique basée sur SaaS unifiée. Il intègre l’ingénierie des données, la science des données, l’entreposage de données, l’intelligence en temps réel et Power BI sur une base de données OneLake partagée. Les ingénieurs données, les scientifiques des données et les analystes métier qui utilisent Microsoft Fabric collaborer dans le même environnement managé.

La charge de travail Microsoft Fabric Science des données est la partie la plus pertinente pour le Machine Learning. Il fournit des notebooks Spark, AutoML, une expérience MLflow intégrée pour le suivi des expériences et un registre de modèles. Pour plus d’informations, consultez Qu’est-ce que la science des données dans Microsoft Fabric ?.

Utilisez Microsoft Fabric lorsque vous avez besoin des fonctionnalités suivantes :

  • Machine Learning intégré à l’analytique. Le Machine Learning fait partie d’un flux de travail d’analytique plus large dans votre solution, comme la création d’un modèle sur les données d’un lakehouse et le service de prédictions pour Power BI.

  • SaaS complètement managé. Vous souhaitez une expérience SaaS entièrement managée avec une infrastructure minimale à gérer.

  • Base de données partagée. Votre équipe travaille au sein de l’ingénierie des données, de la science des données et de la bi sur la même fondation OneLake.

Le tableau suivant récapitule Microsoft Fabric fonctionnalités les plus pertinentes pour le Machine Learning intégré à l’analytique.

Capability Descriptif
Fondation OneLake Un lac de données logique unique partagé par Microsoft Fabric charges de travail, notamment l’ingénierie des données, la science des données, les Data Warehouse et les Power BI.
Charge de travail de science des données Runtime Spark managé avec des notebooks pour Python, R, SQL et Scala pour l’analyse et l’apprentissage du modèle. Inclut une expérience MLflow intégrée pour le suivi des expériences et un registre de modèles. Vous pouvez également consigner des expériences et des modèles MLflow entre des espaces de travail et des plateformes, notamment dans Microsoft Fabric à partir d’un espace de travail Azure Machine Learning.
AutoML (Apprentissage automatique automatisé) AutoML à faible code pour la classification, la régression et la prévision. AutoML code-first est disponible via les API FLAML dans Microsoft Fabric notebooks.
Real-Time Intelligence et activateur de Fabric Analyse de streaming et détection d’événements sans code qui peuvent déclencher des Microsoft Fabric pipelines, des notebooks ou des actions en aval.
Points de terminaison de modèle Machine Learning Points de terminaison REST en ligne managés qui servent des prédictions en temps réel à partir de modèles de Microsoft Fabric inscrits. Cette fonctionnalité est en préversion et limitée à un ensemble de versions de modèle, mais les modèles autoML entraînés sont pris en charge. Pour plus d’informations, consultez Servir des prédictions en temps réel avec des points de terminaison de modèle Machine Learning.
intégration de Power BI Un moyen d’exposer les sorties de Machine Learning à Power BI via des modèles sémantiques et des rapports, notamment Direct Lake lorsque Microsoft Fabric données restent dans OneLake, et importent ou importent des modèles DirectQuery si nécessaire. Utilisez cette intégration pour incorporer des prédictions, des scores d’anomalies et des métriques de prévision dans les tableaux de bord métier et les workflows de décision.
Intégration de Microsoft Foundry Un moyen de nourrir Microsoft Fabric sorties de données ou de modèles vers une application ou un agent basé sur Foundry Microsoft, comme un copilote basé sur le sol, un flux de travail de synthèse ou une expérience RAG. Dans la pratique, Microsoft Foundry peut se connecter à des données Microsoft Fabric via un agent de données Microsoft Fabric ou une autre connexion de données prise en charge. Ensuite, Microsoft Foundry peut utiliser ce contexte lors de la génération de réponses d’agent. Si votre charge de travail a uniquement besoin du Machine Learning classique à l'intérieur de Microsoft Fabric et ne nécessite pas de machines virtuelles ou d'agents, cette intégration est généralement inutile.

Le tableau suivant récapitule les détails de l’adoption de base pour Microsoft Fabric.

Aspect Détails
Type Plateforme d’analytique SaaS unifiée.
Langues prises en charge Python, R, SQL et Scala.
Phases de Machine Learning Préparation des données, formation, inscription, scoring par lots, service en temps réel (préversion), analytique en temps réel et consommation bi.
Principaux avantages Une fondation OneLake partagée. Surcharge opérationnelle faible. Intégration à Power BI et au patrimoine de données Microsoft plus large.

Microsoft Fabric n'est pas la meilleure solution dans la situation suivante : vous avez besoin d'un deep learning à grande échelle, d'un MLOps complet avec des registres régis ou d'un contrôle de calcul affiné. Dans ce cas, compléter Microsoft Fabric avec Azure Machine Learning ou Azure Databricks. Microsoft Fabric couvre bien l'apprentissage automatique intégré à l'analytique, mais ce n'est pas un remplacement pour une plateforme machine learning dédiée.

Note

Microsoft Fabric est la plateforme recommandée pour les nouveaux investissements d’apprentissage automatique intégrés à l’analytique. Pour les investissements existants dans Azure Synapse Analytics, consultez Machine Learning dans Azure Synapse Analytics. Pour la migration de pool SQL dédié vers Microsoft Fabric Data Warehouse, consultez Fabric Assistant Migration pour Data Warehouse.

Azure Databricks

Azure Databricks est une plateforme unifiée d’analytique ouverte pour créer, déployer, partager et gérer des données, des analyses et des solutions IA. Il combine les fonctionnalités d’entreposage de données et de lac de données dans une architecture lakehouse et s’intègre à Azure stockage et sécurité.

Utilisez Azure Databricks lorsque vous avez besoin des fonctionnalités suivantes :

  • Machine Learning à l’échelle spark. Vous devez exécuter le Machine Learning sur des jeux de données très volumineux ou des clusters Spark distribués.

  • Flux de travail lakehouse unifié. Vous combinez l’ingénierie des données, l’ingénierie des fonctionnalités, l’expérimentation et le développement de modèles dans un flux de travail lakehouse.

  • Opérations de Machine Learning de production. Vous souhaitez déployer, gérer et surveiller des solutions Machine Learning en production à l’aide de points de terminaison de service managés, de flux de travail automatisés et de pipelines MLOps.

  • Gouvernance du catalogue Unity. Vous souhaitez régir les données, les fonctionnalités, les modèles et les fonctions dans le catalogue Unity, qui fournit un contrôle d’accès centralisé et une traçabilité.

  • IA et agents génératifs. Vous créez des charges de travail d’ia et d’agent IA génératives dans Azure Databricks, y compris les scénarios de modèle personnalisé et de base.

Le tableau suivant répertorie les fonctionnalités Azure Databricks notables :

Capability Descriptif
Intégration managée avec des projets open source Inclut Delta Lake, OpenSharing, MLflow, Spark, Apache Spark Structured Streaming et le catalogue Unity.
Azure Databricks Runtime pour le Machine Learning Offre des bibliothèques préinstallées pour le Machine Learning classique et le Deep Learning, notamment hugging Face Transformers.
Suivi et modèles MLflow dans le catalogue Unity Prend en charge le suivi des expériences, la gestion du cycle de vie des modèles et la découverte de modèles régies.
Modèles d’ingénierie des caractéristiques et de service de fonctionnalités Prend en charge les fonctionnalités d’apprentissage et d’inférence réutilisables.
service de modèle Azure Databricks Offre des points de terminaison d’inférence en temps réel gérés avec mise à l’échelle automatique, déploiements avec version, contrôles de trafic et supervision de production.
Passerelle d’IA Fournit la gouvernance de l’accès aux modèles, le suivi de l’utilisation et la journalisation des charges utiles entre les modèles servis et externes. Prend en charge le développement, l’évaluation et le service de modèles personnalisés ou ouverts dans un environnement lakehouse.
Fonctions d’IA dans SQL Permet aux analystes d’appeler des machines virtuelles LLMs à partir de pipelines de données.
API de modèle Foundation Intègre des modèles externes et fournit des modèles d’accès unifiés entre les fournisseurs de modèles.
Gouvernance du catalogue Unity Fournit une gouvernance unifiée des données, des fonctionnalités, des modèles et des fonctions par le biais de fonctionnalités telles que RBAC et OpenSharing.
Analyse de streaming Offre des analyses en temps réel et en streaming via Structured Streaming et Delta Lake.
Travaux Lakeflow et MLOps Fournit des travaux et des flux de travail pour les pipelines de formation, d’évaluation, de déploiement et de réentraînement automatisés.

Le tableau suivant récapitule les détails de l’adoption de base pour Azure Databricks.

Aspect Détails
Type Une plateforme lakehouse basée sur Spark.
Langues prises en charge Python, R, Scala et SQL.
Phases de Machine Learning Préparation des données, formation, réglage précis, évaluation, service de modèle et gouvernance.
Principaux avantages Cycle de vie du Machine Learning de bout en bout sur un lakehouse. Intégration MLflow native. Service géré et opérations. Gouvernance du catalogue Unity. Prise en charge du Machine Learning à l’échelle spark et de l’IA générative.
Considerations Le service de modèle serverless peut réduire la surcharge de l’infrastructure d’inférence, mais le coût de la préparation des données basée sur Spark, l’ingénierie des fonctionnalités et l’entraînement des modèles reste un facteur important à prendre en compte. Pour les charges de travail non Spark, Azure Machine Learning ou Les outils de recherche peuvent être plus simples.

Azure Databricks n'est pas la meilleure solution dans les situations suivantes :

  • Votre équipe n’a pas besoin de traitement à l’échelle Spark. Dans ce cas, la surcharge du cluster peut ne pas être justifiée.

  • Votre scénario utilise l’IA purement pilotée par l’API. Dans ce cas, Foundry Tools ou Microsoft Foundry offre un chemin plus direct.

  • Vous avez besoin de Azure Machine Learning contrôles de gouvernance spécifiques, de fonctionnalités de point de terminaison ou d’une couche de point de terminaison standardisée entre les équipes. Dans ce cas, utilisez Azure Machine Learning points de terminaison managés dans une conception hybride.

Applications intelligentes SQL et Machine Learning

L’IA dans la base de données SQL conserve les données relationnelles régies où elle vit déjà et ajoute une prédiction, une récupération vectorielle et une intégration de point de terminaison IA directement dans Transact-SQL (T-SQL).

Utilisez l’IA dans la base de données SQL dans les situations suivantes :

  • Les données doivent rester à l’intérieur de votre base de données relationnelle pour des raisons de sécurité, de confidentialité, de latence ou de réglementation.

  • Vous avez besoin d’un score à faible latence proche des transactions, telles que les vérifications de fraude ou les décisions de prochaine action.

  • Vous souhaitez rechercher et récupérer des vecteurs directement dans la base de données pour les modèles de correspondance sémantique et RAG.

  • Vous avez besoin d’un appel natif de base de données de points de terminaison IA externes à partir de T-SQL pour l’orchestration ou les workflows appelant des agents.

Le tableau suivant répertorie les plateformes et outils actuels :

Capability Rôle dans l’architecture
PREDICT dans T-SQL Effectue un scoring natif dans la base de données pour les modèles pris en charge, y compris les modèles d’exécution basés sur ONNX, le cas échéant.
Types de données vectorielles et fonctions vectorielles Stocke les incorporations et effectue des opérations de similarité vectorielle à l’intérieur du moteur relationnel.
sp_invoke_external_rest_endpoint Appelle des points de terminaison IA externes à partir de T-SQL avec des informations d’identification, des en-têtes, des options de nouvelle tentative et des contrôles sortants régis.
Fonctions IA (Transact-SQL), y compris AI_GENERATE_EMBEDDINGS Ajoute des opérations IA natives de base de données pour la segmentation, la génération d’incorporation et les flux de travail SQL AI associés.
services Azure SQL Managed Instance Machine Learning Prend en charge l’exécution dans la base de données de Python et de code R pour les charges de travail de style Machine Learning Services existantes.

Le tableau suivant récapitule les principaux détails de l’adoption pour Azure SQL Machine Learning.

Aspect Détails
Type Fonctionnalités relationnelles de l’IA dans la base de données pour la prédiction, la récupération de vecteurs et l’intégration des points de terminaison IA.
Langues prises en charge T-SQL en premier. Python et R sont disponibles via Azure SQL Managed Instance Machine Learning Services.
Phases de Machine Learning Préparation des données dans la base de données, formation, inférence, récupération de vecteurs et orchestration des points de terminaison.
Principaux avantages Conserve les données transactionnelles régies en place. Réduit le déplacement des données. Active l’enrichissement ia à faible latence dans les flux de travail SQL existants.
Considerations La disponibilité des fonctionnalités varie selon la plateforme ET la version SQL. L’apprentissage de modèles à grande échelle et le deep learning distribué sont généralement mieux gérés dans Azure Machine Learning, Azure Databricks ou Microsoft Fabric.

Combinez Azure SQL Machine Learning avec une autre plateforme lorsque vous souhaitez adopter l’approche suivante :

  • Entraîner en externe, noter dans SQL. Pour une formation à grande échelle ou en deep learning, utilisez Azure Machine Learning, Azure Databricks ou Microsoft Fabric pour la formation. Ensuite, ramenez les artefacts d’inférence à SQL pour le scoring dans la base de données.

  • Apprentissage cloud, déploiement de base de données, prédiction SQL. Entraîner en externe, exporter un artefact de scoring pris en charge par la plateforme SQL cible, puis utiliser PREDICT pour exécuter des prédictions dans SQL proches des données transactionnelles.

  • Générer des incorporations dans SQL, appeler des points de terminaison pour la génération. Pour les scénarios RAG et agent, générez des incorporations et une récupération de vecteurs dans SQL. Ensuite, si vous avez besoin d’une génération de réponse, utilisez sp_invoke_external_rest_endpoint pour appeler des points de terminaison de modèle externe à partir de SQL.

Apprentissage automatique edge, local et local

Pour le Machine Learning qui s’exécute en dehors du cloud, sur des appareils locaux, dans des environnements hors connexion, incorporés dans des applications ou dans une infrastructure locale, Microsoft propose plusieurs options.

Utilisez le machine learning edge, local et local lorsque vous avez besoin des fonctionnalités suivantes :

  • Inférence locale. Pour répondre aux exigences de latence, d’opération hors connexion ou de confidentialité des données, votre scénario a besoin d’inférence pour s’exécuter localement. Par exemple, les solutions de maintenance prédictive dans les environnements avec une connectivité intermittente nécessitent une inférence locale.

  • Possibilité d’incorporer le Machine Learning dans les applications. Vous créez des applications de bureau ou mobiles qui ont besoin de fonctionnalités d’apprentissage automatique incorporées.

  • Exécution locale. Votre scénario a besoin de l’exécution de Machine Learning pour rester dans un environnement local, tel qu’un déploiement de SQL Server local.

Microsoft fournit les options suivantes :

  • Microsoft Foundry sur Windows inclut Windows ML pour l’inférence locale sur les appareils Windows avec une accélération matérielle entre les processeurs, les GPU et les processeurs npus. Utilisez Windows ML pour les nouvelles charges de travail d’inférence d’application et d’appareil Windows.

  • ML.NET est une infrastructure machine learning multiplateforme open source pour les développeurs .NET. Il prend en charge le chargement des données, l’entraînement (y compris AutoML pour .NET) et l’inférence locale. Utilisez ML.NET lorsque l’application a besoin d’une formation ou d’une inférence de modèle native .NET, y compris l’intégration du modèle ONNX.

  • SQL Server Machine Learning Services prend en charge l’apprentissage et le scoring à l’intérieur des SQL Server locaux lorsque les données doivent rester dans le niveau de données local.

  • Foundry Local est une solution d’inférence ia sur appareil qui étend Microsoft Foundry aux scénarios edge et hors connexion.

  • Azure Local fournit une infrastructure gérée par Azure pour les machines virtuelles locales et les conteneurs. Utilisez-le pour héberger des composants IA edge proches des données, tels que les charges de travail locales Foundry, les composants de récupération RAG ou les modèles ONNX exportés à partir de Azure Machine Learning.

  • Le calcul Kubernetes pour Azure Machine Learning attache des clusters Kubernetes compatibles Azure Arc à un espace de travail Azure Machine Learning afin que les clusters locaux ou multiclouds exécutent l’apprentissage et l’inférence pendant que l’orchestration reste dans Azure.

  • Azure IoT Edge déploie des modèles Machine Learning conteneurisés sur des appareils de périphérie afin que l’inférence s’exécute localement.

  • Azure Stack Edge fournit des appliances de périphérie managées Microsoft que vous pouvez utiliser pour le Machine Learning et la machine virtuelle et les charges de travail conteneurisées à accélération matérielle. Les appareils sont disponibles uniquement pour les charges de travail ou les déploiements de partenaires validés d’au moins 100 nœuds.

Un modèle classique entraîne un modèle exportable dans le cloud à l’aide de Azure Machine Learning ou de Azure Databricks. Le modèle est ensuite converti en ONNX lorsque le modèle et le runtime cible prennent en charge ce format. Enfin, le modèle est déployé pour l’inférence de périphérie via Windows ML, ML.NET, un module Azure IoT Edge, Foundry Local ou une infrastructure Azure Local.

Combiner des plateformes

Les solutions de production peuvent combiner plusieurs plateformes. L’organigramme plus haut dans cet article vous aide à choisir une plateforme de démarrage principale . Utilisez le tableau suivant pour planifier des architectures composées et identifier les composants de prise en charge Microsoft requis par chaque scénario.

Scénario combiné Plateforme principale Prise en charge des composants Microsoft Pattern
Enterprise RAG ou conversation avec vos données Microsoft Foundry Recherche Azure AI (and Foundry IQ for grounding), Azure Document Intelligence (ingestion), Microsoft Fabric ou Azure Cosmos DB (magasin de données), Content Safety Ingérer du contenu d’entreprise, l’indexer pour la récupération de vecteurs et hybrides, et mettre en place un agent hébergé Microsoft par Foundry ou une application LLM sur celle-ci. Pour connaître les options de magasin de données, consultez Choisir un service Azure pour la recherche vectorielle.
IA générative au-dessus de l’analytique régie Microsoft Fabric Microsoft Foundry (agents, modèles), Power BI (consommation), Recherche Azure AI Utilisez Microsoft Fabric pour ingérer et stocker des données régies dans OneLake. Créez ensuite des agents ou des applications RAG dans Microsoft Foundry sur ces données. Afficher les résultats dans Power BI.
Machine Learning personnalisé enrichi avec des fonctionnalités d’IA prédéfinies Azure Machine Learning Azure Vision, Azure Document Intelligence, Azure Speech, Azure Language, Recherche Azure AI Utilisez Les outils Foundry pour le prétraitement, l’extraction de fonctionnalités ou la récupération, et utilisez Azure Machine Learning pour entraîner, déployer et régir le modèle personnalisé qui s’appuie sur ces fonctionnalités.
Formation à l’échelle Spark avec service managé Azure Databricks Azure Databricks Service de modèle, MLflow, Catalogue Unity, Azure Machine Learning facultatif (normalisation de la gouvernance ou du point de terminaison) Exécutez l’ingénierie des fonctionnalités et la formation distribuée dans Azure Databricks. Utilisez ensuite Azure Databricks Service de modèle pour déployer et servir des modèles entraînés. Ajoutez Azure Machine Learning points de terminaison managés lorsque vous avez besoin d’une gouvernance ou d’une normalisation des points de terminaison spécifiques à Azure Machine Learning entre les équipes.
Cloud-train, edge-deploy Azure Machine Learning ou Azure Databricks ONNX (échange de modèles), Windows ML, ML.NET, Foundry Local, Azure IoT Edge, Azure Local, Azure Stack Edge Entraînez un modèle exportable dans le cloud, convertissez-le en ONNX lorsqu’il est pris en charge et déployez-le sur des appareils, des passerelles locales ou des appliances de périphérie à accélération matérielle pour une inférence hors connexion ou à faible latence.
Machine Learning local et cloud hybride Azure Machine Learning sur Azure Arc clusters Kubernetes compatibles avec Azure Arc, un espace de travail Azure Machine Learning, Container Registry, Key Vault Conservez les données locales lors de l’utilisation d’un espace de travail Azure Machine Learning attaché à Azure Arc Kubernetes pour orchestrer l’apprentissage et l’inférence.
Scoring dans la base de données avec des modèles formés dans le cloud Apprentissage automatique SQL Azure Machine Learning ou Azure Databricks (formation), ONNX, SQL Managed Instance ou SQL Server Effectuez l’apprentissage dans le cloud, exportez vers ONNX et utilisez la fonction SQL PREDICT pour une faible latence et un scoring dans la base de données en regard des données opérationnelles.
Automatisation multi-agent Microsoft Agent Framework et Foundry Agent Service Modèles foundry, Foundry IQ, Recherche Azure AI, Azure Functions ou Azure Logic Apps (outils), Gestion des API Azure Créez des flux de travail multi-agents dans du code à l’aide de l’infrastructure de l’agent Microsoft, utilisez le service De l’agent Foundry pour les héberger et les orchestrer, et intégrez des outils d’entreprise et des API.

Plateformes et outils de développement

La plupart des équipes utilisent des outils de développement croisés et des services de prise en charge en même temps que la plateforme qu’ils sélectionnent comme principal. Ces outils influencent l’endroit où le travail ia et machine learning est développé, testé et empaqueté avant son exécution. Les services de prise en charge influencent l’emplacement où l’inférence est hébergée ou où le calcul est attaché aux données qui ne peuvent pas se déplacer vers une plateforme cloud managée.

Cette section sépare les principaux outils de développement, qui sont les plateformes de développement et d’exploitation quotidiennes, des services de prise en charge adjacents qui hébergent l’inférence auto-managée, accélèrent le Machine Learning basé sur Spark ou étendent la formation et le scoring à l’infrastructure locale.

Les outils suivants prennent en charge le développement sur les plateformes cloud et locales.

Tool Descriptif
Foundry Toolkit pour Visual Studio Code Expérience de développeur dans VS Code pour la création, le test, le débogage, l’évaluation et le déploiement d’applications et d’agents d’IA génératives. Prend en charge les modèles locaux, les catalogues de modèles, le développement d’agents, l’intégration des outils, le suivi et l’évaluation.
Portail de la fonderie Environnement web pour le travail de preuve de concept, l’exploration de modèles, la gestion des ressources de projet, la révision d’évaluation et la visibilité opérationnelle sur Microsoft applications et agents Foundry.
Azure Machine Learning Studio Interface utilisateur web pour la plateforme Azure Machine Learning. Inclut des notebooks, le concepteur de pipelines, AutoML, la gestion des modèles et l’étiquetage des données.
Azure Data Science Virtual Machine Image de machine virtuelle préconfigurée avec des outils de science des données tels que Jupyter, R et Python préinstallé.
ML.NET Infrastructure machine learning multiplateforme open source pour les applications .NET.
Microsoft Foundry sur Windows Windows ML pour l’inférence de modèle local à accélération matérielle sur les appareils Windows.
SynapseML Infrastructure de machine learning et de microservices distribués open source pour Spark.

Les services de prise en charge adjacents facilitent l’expérimentation, l’hébergement d’inférence auto-managé, le Machine Learning basé sur Spark ou l’opération hybride, mais ils ne sont pas les principaux choix de plateforme dans le flux de décision.

Service Rôle dans l’écosystème machine learning et IA
Azure Kubernetes Service (AKS) et Azure Container Apps Solutions pour l’hébergement de conteneurs d’inférence auto-gérés dans Azure. Utilisez Container Apps pour un hébergement de conteneur managé plus simple ou AKS lorsque vous avez besoin d’un contrôle plus grand sur le runtime de service et l’environnement de cluster. Les exemples courants incluent des piles de service open source telles que vLLM, Triton Inference Server ou BentoML.
SynapseML Infrastructure open source, d’apprentissage automatique distribué et de microservices pour Spark. Fonctionne sur Azure Databricks, Microsoft Fabric et d’autres clusters Spark.
Azure Arc-enabled Machine Learning Solution permettant d’attacher des clusters Kubernetes locaux ou multiclouds à un espace de travail Azure Machine Learning pour l’apprentissage et l’inférence hybrides.

Contributeurs

Microsoft conserve cet article. Les contributeurs suivants ont écrit cet article.

Auteur principal :

Pour afficher les profils LinkedIn non publics, connectez-vous à LinkedIn.

Étapes suivantes

  • Last updated on