Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
Met AI kunnen machines gegevens analyseren, inhoud genereren, spraaksynthetiseren, voorspellingen doen en besluitvorming in verschillende branches ondersteunen. Naarmate AI-mogelijkheden worden uitgebreid door generatieve modellen, taalmodellen en op agents gebaseerde architecturen, hebben organisaties architectuurrichtlijnen nodig om betrouwbare, veilige, rendabele en operationeel stabiele AI-workloads te ontwerpen.
Dit artikel helpt u aan de slag te gaan met AI op Azure. Het introduceert AI-services, referentiearchitecturen, best practices en leerresources, zodat u AI-oplossingen kunt ontwerpen en bouwen die voldoen aan uw workloadvereisten.
Azure services voor AI
Azure biedt een scala aan services voor het bouwen, implementeren en beheren van AI-workloads. Deze services omvatten ontwikkelplatforms, vooraf gedefinieerde AI-mogelijkheden, gegevensplatformen en hulpprogramma's voor het maken van aangepaste modellen. Gebruik de volgende services om AI te integreren in uw workloadontwerp.
AI-ontwikkelplatforms
Microsoft Foundry: Een geïntegreerd platform als een dienst (PaaS) voor het ontwikkelen en implementeren van generatieve AI-toepassingen en -agents. Microsoft Foundry biedt toegang tot een modelcatalogus, agenthosting via Foundry Agent Service, fine-tuning, evaluatiehulpprogramma's en verantwoorde AI-mogelijkheden. Gebruik de Foundry-portal om AI-modellen en -agents te experimenteren, bouwen en implementeren.
Azure Machine Learning: een cloudservice voor het bouwen, trainen en implementeren van machine learning-modellen op schaal. Azure Machine Learning ondersteunt opensource-frameworks zoals PyTorch, TensorFlow en scikit-learn. Het biedt ook mogelijkheden voor AutoML, hyperparameterafstemming, gedistribueerde training, machine learning-bewerkingen en verantwoorde AI.
Microsoft Copilot Studio: een platform met weinig code voor het bouwen, aanpassen en implementeren van AI-agents. Gebruik Microsoft Copilot Studio om gespreksagenten te maken voor interne en externe scenario's en om Microsoft 365 Copilot uit te breiden met zakelijke gegevens en aangepaste werkstromen.
Vooraf samengestelde AI-services
Foundry Tools: Een suite met vooraf gebouwde en aanpasbare API's en modellen voor het toevoegen van intelligente functies aan toepassingen. Foundry Tools bevat mogelijkheden voor spraak, vertaling, taalkennis, documentintelligentie, inhoudskennis, visie, veiligheid van inhoud en zoeken.
Azure OpenAI: biedt toegang tot OpenAI-modellen, waaronder GPT en DALL-E, via Azure beheerde infrastructuur met bedrijfsbeveiliging, netwerken en verantwoorde AI-besturingselementen.
Gegevensplatforms voor AI
Microsoft Fabric: Een end-to-end analyse en gegevensplatform dat betrekking heeft op gegevensopname, transformatie, realtime gebeurtenisroutering en rapportage. Microsoft Fabric biedt OneLake als een geïntegreerde Data Lake en bevat ingesloten AI-mogelijkheden, Microsoft Copilot functies en integratie met Foundry Tools.
Azure Databricks: een op Spark gebaseerd analyseplatform voor data engineering, data science en machine learning. Azure Databricks biedt Databricks Runtime voor Azure Machine Learning, MLflow-integratie, AutoML, fine-tuning van foundation models en Mosaic AI Vector Search voor embeddinggebaseerd ophalen.
Azure HDInsight: een beheerde Apache Spark-service voor verwerking en analyse van big data. Azure HDInsight Spark-clusters ondersteuning bieden voor machine learning-workloads via MLlib, zijn compatibel met Azure Storage en Azure Data Lake Storage en ondersteunen SynapseML voor deep learning.
Azure Data Lake Storage: Een schaalbare, gecentraliseerde opslagplaats voor het opslaan van gestructureerde en ongestructureerde gegevens. Azure Data Lake Storage biedt semantiek van bestandssysteem, beveiliging op bestandsniveau en gelaagde opslag die is gebouwd op Azure Blob Storage.
Lagen voor bedrijfsintelligentie
AI-architectuur op Microsoft introduceert drie complementaire intelligentielagen of IQs die belangrijke contextbronnen voor AI-systemen vertegenwoordigen:
Werk IQ legt intelligentie vast over hoe werk binnen een organisatie gebeurt. Het gebruikt signalen van Microsoft 365 zoals e-mailberichten, chats, vergaderingen, documenten en samenwerkingspatronen.
Deze laag is essentieel voor het gronden van AI in menselijke activiteiten en organisatiegedrag in plaats van interacties te behandelen als geïsoleerde prompts.
Fabric IQ biedt intelligentie die is afgeleid van gestructureerde bedrijfsgegevens die worden beheerd in Microsoft Fabric, waaronder analysemodellen, KPI's (Key Performance Indicators) en zakelijke entiteiten.
Fabric IQ stelt AI in staat complexe analytische vragen te beantwoorden en resultaten te interpreteren in de context van bedrijfsactiviteiten.
Foundry IQ biedt een uniforme kennislaag uit meerdere bronnen waarmee AI-agenten informatie kunnen ophalen en antwoorden kunnen baseren op bedrijfsgegevens.
Deze laag is essentieel voor het implementeren van patronen zoals retrieval-augmented generation (RAG) om ervoor te zorgen dat AI-uitvoer nauwkeurig, actueel en conform is.
Architectuur
In het volgende diagram ziet u een end-to-end-basisarchitectuur voor chats die gebruikmaakt van Microsoft Foundry. Deze referentiearchitectuur laat zien hoe AI-services bestaan uit een oplossing die gereed is voor productie op Azure. Het omvat identiteits-, netwerk-, bewakings- en governancelagen.
Een Visio-bestand van deze architectuur downloaden.
In het vorige diagram ziet u een typische AI-basislijn-implementatie. Zie AI-architecturen voor echte oplossingen die u in Azure kunt bouwen.
AI-architecturen en -handleidingen verkennen
De artikelen in deze sectie bevatten handleidingen en volledig ontwikkelde architecturen die u in Azure kunt implementeren en uitbreiden naar oplossingen op productieniveau. Oplossingsideeën demonstreren implementatiepatronen en -mogelijkheden om rekening mee te houden bij het plannen van uw POC-ontwikkeling (AI Proof-of-Concept). Deze artikelen kunnen u helpen bepalen hoe u AI-technologieën gebruikt in Azure.
- Overzicht van AI-technologie: biedt een overzicht van AI-concepten, ontwikkelplatforms en architectuurpatronen om u te helpen AI-workloads op Azure te ontwerpen.
Een AI-service selecteren
De volgende artikelen helpen u bij het evalueren en selecteren van de beste AI-technologieën voor uw workloadvereisten:
Kies een AI-servicestechnologie: vergelijkt AI-services en machine learning-oplossingen om u te helpen de juiste service of het juiste model voor uw use-case te kiezen.
Kies een Azure ai-technologie voor doeltaalverwerking: vergelijkt Azure services voor gerichte taalverwerkingstaken, zoals vertaling, entiteitsherkenning en tekstanalyse.
Kies een Azure spraakherkennings- en generatietechnologie: vergelijkt Azure services voor spraak-naar-tekst-, tekst-naar-spraak- en spraakomzettingsscenario's.
Kies een Azure AI-technologie voor beeld- en videoverwerking en -generatie: vergelijkt Azure services voor afbeeldings- en videoanalyse, -generatie en -verwerking.
Kies een technologie voor natuurlijke taalverwerking: vergelijkt Azure technologieën voor natuurlijke taalverwerking om u te helpen bij het kiezen van het juiste platform voor tekstkennis en het genereren van taken.
Microsoft AI- en machine learning-producten: vergelijkt Microsoft machine learning-producten om u te helpen bij het kiezen van een platform voor het bouwen, implementeren en beheren van AI-toepassingen, agents en machine learning-modellen.
Kies het juiste AI-model voor uw workload: beschrijft strategieën voor het selecteren van het juiste AI-model uit de vele beschikbare opties voor implementatie.
Ideeën voor AI-oplossingen
De volgende ideeën voor AI-oplossingen demonstreren implementatiepatronen en mogelijkheden om te verkennen.
Ideeën voor audioverwerkingsoplossing
- Bouw een kennisanalyseoplossing voor gesprekken met behulp van Foundry Tools: Extraheert bruikbare inzichten uit gespreksaudiogegevens.
Afbeeldingsverwerking
- Afbeeldingsclassificatie op Azure: classificeert afbeeldingen met behulp van intelligente toepassingspatronen.
Voorspellende analyse
- Ai gebruiken om klantorders te voorspellen: voorspelt toekomstige klantorders met behulp van machine learning.
Ideeën voor MLOps-oplossingen
Gebruik Azure Databricks om MLOps te organiseren: machine learning-bewerkingen organiseren met behulp van Azure Databricks.
Gebruik de architectuurbenadering voor veel modellen om machine learning-modellen te schalen: traint en beheert veel modellen op schaal met behulp van Azure Machine Learning.
Documentverwerking en verrijking
Informatie uit ongestructureerde inhoud extraheren en in kaart brengen: extraheert en brengt informatie uit multimodale ongestructureerde inhoud in kaart.
Documenten genereren op basis van uw gegevens: genereert gestructureerde documenten uit gegevensbronnen.
AI-verrijking gebruiken met beeld- en tekstverwerking: Verrijkt inhoud met behulp van AI-vaardigheden in indexeringspijplijnen van Azure AI Zoeken.
Werkstroomautomatisering
- Bouw een werkstroomautomatiseringsoplossing met meerdere agents met behulp van Microsoft Agent Framework: automatiseert werkstromen met behulp van meerdere AI-agents die zijn ingedeeld via Microsoft Agent Framework.
AI-architecturen
De volgende architecturen die gereed zijn voor productie demonstreren end-to-end AI-oplossingen die u kunt implementeren en aanpassen.
- AI-deductie met silk virtual SAN: maakt gebruik van een Silk Echo-kopie van de productiedatabase om realtime AI-deductie te isoleren van transactionele workloads op Azure IaaS.
Chatten met gegevens
Basic Microsoft Foundry-referentiearchitectuur: een eenvoudige RAG-chatarchitectuur die gebruikmaakt van Microsoft Foundry en Azure OpenAI.
Baseline-referentiearchitectuur voor Microsoft Foundry-chat: Een productieklare end-to-end-architectuur voor chat die gebruikmaakt van Microsoft Foundry met bedrijfsbeveiliging, netwerk en monitoring.
Referentiearchitectuur basislijn Microsoft Foundry-chat in een Azure landingszone: Implementeert de basislijn Microsoft Foundry-chatarchitectuur binnen een Azure landingszone voor governance op ondernemingsniveau.
Machine learning-inferentie
- Referentiearchitectuur voor Azure Machine Learning-basislijninferentie: Leer hoe u een besloten, productierijp Azure Machine Learning-inferentieplatform bouwt met AKS, omgevingsisolatie en gecontroleerde modelpromotie.
Documentverwerking
Documentclassificatie automatiseren in Azure: maakt gebruik van Durable Functions om werkstromen voor documentclassificatie te automatiseren.
Verwerking van PDF-formulieren automatiseren: automatiseert het extraheren en verwerken van gegevens uit PDF-formulieren.
Aangepaste documentverwerkingsmodellen bouwen en implementeren op Azure: bouwt en implementeert aangepaste modellen voor documentverwerkingsscenario's.
Tekst extraheren uit objecten met behulp van Power Automate en AI Builder: extraheert tekst uit objecten met behulp van Power Automate- en AI-mogelijkheden.
Een Azure AI Zoeken-index maken op basis van bestandsinhoud en metagegevens: maakt gebruik van meerdere indexeerfuncties voor het verwerken en indexeren van blobmetagegevens met behulp van Azure AI Zoeken.
Video- en afbeeldingsclassificatie
- Automatiseer videoanalyse met behulp van Azure Machine Learning en Azure Vision in Foundry Tools: Analyseert video-inhoud met behulp van computer vision en machine learning.
Audioverwerkingsarchitecturen
- Callcentergegevens extraheren en analyseren: hiermee worden gesprekken in het callcenter geëxtraheerd en geanalyseerd met behulp van Azure OpenAI.
Regulatory
- Een beveiligde onderzoeksomgeving ontwerpen voor gereglementeerde gegevens: biedt een veilige rekenomgeving voor onderzoeksworkloads die gereglementeerde gegevens verwerken.
AI-handleidingen
Dynamische AI-agents op schaalpatroon: Beschrijft hoe u AI-agents dynamisch selecteert en indelen in een pool met behulp van Microsoft Foundry, Azure AI Zoeken en Azure OpenAI om multiagentsystemen te bouwen.
Microsoft AI- en machine learning-producten: vergelijkt Microsoft machine learning-producten om u te helpen bij het kiezen van een platform voor het bouwen, implementeren en beheren van AI-toepassingen, agents en machine learning-modellen.
Indelingspatronen voor AI-agents: beschrijft ontwerppatronen voor het organiseren van AI-agents in complexe scenario's.
Agentic behavior engineering: Beschrijft een methodologie voor het beheren van agentgedrag met versies van contracten, bewijsvereisten, runtime-controles en vrijgavecontroles.
Ontwerp een beveiligde multitenant RAG-deductieoplossing: biedt richtlijnen voor het beveiligen van RAG-oplossingen in omgevingen met meerdere tenants.
Ontwerp ter ondersteuning van levenscyclus van basismodellen: biedt richtlijnen voor het beheren van updates, afschaffingen en overgangen van basismodellen.
RAG-oplossingen ontwikkelen en evalueren
Een RAG-oplossing ontwerpen en ontwikkelen: biedt een overzicht van het ontwerpen en evalueren van RAG-oplossingen.
RAG-voorbereidingsfase: behandelt gegevensvoorbereiding voor RAG-implementaties.
Fase van RAG-chunking: Beschrijft strategieën voor het opdelen van inhoud in RAG-pijplijnen.
Fase voor verrijking van RAG-segmenten: Omvat verrijkingstechnieken die worden toegepast op inhoudssegmenten.
Fase voor het genereren van embeddings voor RAG: Beschrijft hoe u embeddings genereert voor het ophalen binnen RAG.
Informatie ophalen: behandelt strategieën voor het ophalen van informatie in RAG-architecturen.
RAG prompt engineering: beschrijft hoe u effectieve prompts ontwerpt voor RAG-oplossingen, waaronder promptstructuur, grondtechnieken en contextbeheer.
End-to-end evaluatie van grote taalmodellen: Hierin wordt beschreven hoe u RAG-modellen end-to-end evalueert.
Een agentische RAG-oplossing ontwikkelen: hierin wordt beschreven hoe u overstapt van een standaard RAG-pijplijn naar een agentische RAG-architectuur voor dynamische queryplanning en redenering met meerdere stappen.
MLOps-handleidingen
Machine learning-bewerkingen: beschrijft de machine learning-bewerkingen v2 voor het operationeel maken van machine learning-werkstromen.
Generatieve AI-bewerkingen voor organisaties met MLOps-investeringen: breidt machine learning-bewerkingen uit tot generatieve AI-workloads.
MLOps-volwassenheidsmodel: definieert rijpheidsniveaus voor de acceptatie van machine learning-bewerkingen.
Proxygeneratieve AI-modellen
Access Foundry Models en andere taalmodellen via een gateway: beschrijft de voordelen en architectuur van het plaatsen van een gateway vóór generatieve AI-modeleindpunten.
Gebruik een gateway vóór meerdere modelimplementaties of exemplaren: breidt het gatewaypatroon uit om aanvragen over meerdere modelback-ends te routeren.
Geef aangepaste verificatie op voor Foundry Models via een gateway: implementeert aangepaste verificatiestromen voor modeltoegang via een gateway.
Implementeer geavanceerde bewaking voor Foundry-modellen via een gateway: voegt bewaking en waarneembaarheid toe aan generatief AI-modelverkeer via een gateway.
Gereedheid van de organisatie
Organisaties aan het begin van het cloudimplementatieproces kunnen de Cloud Adoption Framework voor Azure gebruiken voor toegang tot bewezen richtlijnen die de overstap naar de cloud versnellen.
Raadpleeg de volgende Cloud Adoption Framework-bronnen voor AI-specifieke acceptatierichtlijnen:
AI-acceptatie: biedt een gestructureerd proces voor het aannemen van AI-oplossingen in Azure, waaronder strategie, planning, gereedheid, governance, beveiliging en beheer.
AI gereed: geeft een overzicht van het organisatieproces voor het bouwen van AI-workloads in Azure, waaronder resourceorganisatie, netwerken, betrouwbaarheid en governance.
Volg de richtlijnen in het Azure Well-Architected Framework om de kwaliteit van uw AI-oplossing op Azure te waarborgen. Het Well-Architected Framework biedt prescriptieve richtlijnen voor organisaties die architectuurprestaties zoeken en beschrijft hoe u kosten geoptimaliseerde Azure-oplossingen ontwerpt, inricht en bewaakt.
Zie de volgende Well-Architected Framework-resource voor ai-specifieke richtlijnen:
- AI-workloads op Azure: behandelt architectuuruitdagingen voor het ontwerpen van AI-workloads, waaronder niet-deterministische functionaliteit, gegevens- en toepassingsontwerp en bewerkingen in de vijf pijlers van Well-Architected Framework.
Zie voor ai-gerelateerde Well-Architected Framework-servicehandleidingen:
Beste praktijken
Volg deze aanbevolen procedures om de betrouwbaarheid, beveiliging, kosteneffectiviteit, operationele kwaliteit en prestaties van uw AI-workloads op Azure te verbeteren:
Een RAG-oplossing ontwerpen en ontwikkelen: volg een gestructureerde, fase-per-fase benadering voor het ontwerpen van RAG-oplossingen, waaronder segmenteren, insluiten, ophalen van informatie en end-to-end evaluatie.
Kies een Azure-service voor vectorzoekopdrachten: Evalueer Azure-services die vectorzoekopdrachten ondersteunen om te bepalen welke het beste aansluit op uw vereisten voor gegevensophaling en similariteitszoekopdrachten.
Indelingspatronen voor AI-agents: leer bewezen indelingspatronen voor architecturen die gebruikmaken van meerdere agents, waaronder sequentiële, gelijktijdige, groepschat, hand-off en magentische patronen. Bekijk de implementatieoverwegingen voor betrouwbaarheid, beveiliging, kosten en waarneembaarheid.
Gebruik een gateway voor generatieve AI-modellen: Implementeer gatewaypatronen voor proxyfunctionaliteit, load balancing en monitoring van endpoints van generatieve modellen.
MLOps v2: Pas richtlijnen toe voor de volledige levenscyclus van machine learning-bewerkingen voor het trainen, implementeren en beheren van machine learning-modellen op schaal.
Generatieve AI-bewerkingen met machine learning-bewerkingen: Breid machine learning-bewerkingen uit naar generatieve AI-workloads, waaronder promptbeheer, evaluatie en implementatie.
Ontwerp een veilige multitenant RAG-deductieoplossing: multitenancypatronen toepassen voor RAG-oplossingen die gegevensisolatie afdwingen en veilige deductie tussen tenants afdwingen.
Ontwerp ter ondersteuning van levenscyclus van basismodellen: modelversiebeheer, afschaffing en rotatie beheren om AI-workloads actueel en flexibel te houden.
Machine learning-opties: Vergelijk machine learning-trainings- en implementatieopties in Azure om de juiste services voor uw workload te kiezen.
Richtlijnen voor Apache Spark: Bekijk richtlijnen voor het uitvoeren, bewaken, opsporen van fouten en het optimaliseren van Apache Spark-taken op Azure HDInsight.
Blijf op de hoogte met AI
Azure AI-services ontwikkelen zich om moderne data-uitdagingen aan te pakken. Blijf op de hoogte van de nieuwste updates en functies.
Als u op de hoogte wilt blijven van belangrijke AI-services, raadpleegt u de volgende artikelen:
Wat is er nieuw in Azure OpenAI in Foundry-modellen: biedt een overzicht van de nieuwste releases en documentatie-updates voor Azure OpenAI, waaronder de beschikbaarheid van nieuwe modellen, API-versies en functieaankondigingen.
Wat is er nieuw in Microsoft Foundry: markeert belangrijke artikelen en productupdates in Microsoft Foundry, waaronder agentbeheer, waarneembaarheidsfuncties en nieuwe mogelijkheden.
Wat is er nieuw in Azure AI Zoeken: behandelt de nieuwste updates voor Azure AI Zoeken functionaliteit, waaronder nieuwe API-versies, agentische ophaalfuncties en indexeringsmogelijkheden.
Wat is er nieuw in Azure Language in Foundry Tools: bevat updates voor Azure Language in Foundry Tools-mogelijkheden, waaronder nieuwe SDK-versies, indelingswerkstromen en Microsoft Foundry-integratie.
Wat is er nieuw in Microsoft Fabric: behandelt updates over Microsoft Fabric mogelijkheden, waaronder data science, MLflow-integratie, gegevensagents en analysefuncties.
Azure Machine Learning cli- en SDK-releaseopmerkingen: bevat releaseopmerkingen voor de Azure Machine Learning CLI (v2) en Python SDK, waaronder nieuwe functies, oplossingen voor fouten en belangrijke wijzigingen.
Azure Databricks releaseopmerkingen voor het platform: Behandelt updates voor het Azure Databricks-platform, waaronder runtimeversies, werkruimtefuncties en integratiemogelijkheden.
Wat is er nieuw in Microsoft Copilot Studio: markeert nieuwe functies en updates voor Microsoft Copilot Studio, waaronder mogelijkheden voor het bouwen van agents en connectorupdates.
Wat is er nieuw in Azure Document Intelligence in Foundry Tools: Bevat updates voor Azure Document Intelligence in Foundry Tools, waaronder nieuwe vooraf samengestelde modellen, API-versies en extractiemogelijkheden.
Wat is er nieuw in Azure Content Understanding in Foundry Tools: bevat updates voor Azure Content Understanding in Foundry Tools, waaronder nieuwe functies voor inhoudsanalyse en Microsoft Foundry-integratie.
Amazon Web Services (AWS) of Google Cloud-professionals
In de volgende artikelen worden Azure AI-opties vergeleken met andere cloudservices om u snel op te zetten:
Gegevens en AI: vergelijkt AWS-gegevens en AI-services, waaronder machine learning-, generatieve AI- en AI-platformservices, met hun Azure tegenhangers.
AI en machine learning: Vergelijkt Google Cloud AI- en machine learning-services, waaronder Hoekpunt AI, Dialogflow en Gemini, met hun Azure tegenhangers.