Microsoft produtos de IA e machine learning

Microsoft oferece várias plataformas para IA e machine learning. Cada plataforma tem como destino uma combinação diferente do público-alvo, da carga de trabalho, da base de dados e do modelo de implantação. Este artigo ajuda arquitetos de soluções, engenheiros de machine learning, cientistas de dados e desenvolvedores de aplicativos a escolher uma plataforma inicial, entender como as plataformas diferem e aprender a combiná-las em arquiteturas do mundo real. A cobertura inclui aprendizado de máquina clássico, aprendizado de máquina integrado a análise e cargas de trabalho de IA generativas em Azure, Microsoft Fabric e Microsoft Foundry. Este artigo se concentra em soluções fornecidas por Microsoft.

Use este artigo para comparar opções e criar uma solução de ponta a ponta.

Note

Este artigo se concentra em plataformas personalizadas de IA e machine learning, não em assistentes saaS (software como serviço), ferramentas de criação saaS de baixo código ou experiências de usuário final no produto.

Cenários primários de carga de trabalho

Comece com o recurso de IA ou machine learning que você precisa adicionar à carga de trabalho. A tabela a seguir mapeia cenários comuns de recursos para uma plataforma inicial recomendada para recursos personalizados de IA e machine learning. Use-o como uma orientação inicial antes de examinar os recursos da plataforma e percorrer a árvore de decisão.

Cenário primário Ponto de partida recomendado Lógica
Criar aplicativos de IA generativos ou agentes de IA Microsoft Foundry Fornece a descoberta de modelos, ajuste fino, RAG (geração aumentada de recuperação), orquestração de agente, avaliação e ferramentas de segurança em uma plataforma.
Adicionar recursos de IA por meio de uma API predefinida para visão, fala, linguagem, pesquisa ou segurança de conteúdo Ferramentas de Pesquisa Oferece APIs pré-treinadas que não exigem treinamento personalizado. Use-os antes de criar um modelo personalizado.
Treinar, implantar e gerenciar um modelo personalizado de aprendizado de máquina ou aprendizado profundo Azure Machine Learning Abrange todo o ciclo de vida do machine learning, incluindo MLOps, pontos de extremidade online e em lotes e ferramentas de IA responsáveis.
Executar machine learning integrado à análise em uma plataforma de BI (dados e business intelligence) unificada Microsoft Fabric Fornece uma plataforma de análise saaS que dá suporte a notebooks Apache Spark, AutoML e Microsoft integração com suporte do OneLake ao Power BI.
Executar o aprendizado de máquina no Spark, nos dados do Lakehouse ou em grandes trabalhos de treinamento distribuídos Azure Databricks ou Apache Spark no Azure HDInsight Azure Databricks: dá suporte ao Spark em escala lakehouse com integração nativa do MLflow e do Catálogo do Unity.

Azure HDInsight: dá suporte a clusters Spark gerenciados por Azure com integração de segurança e armazenamento nativo.
Manter o aprendizado de máquina dentro de um banco de dados SQL, em dispositivos de borda ou em aplicativos da área de trabalho Aplicativos inteligentes de SQL e IA, serviços Instância Gerenciada de SQL do Azure Machine Learning, serviços de SQL Server Machine Learning ou ferramentas de machine learning locais Fornece uma maneira de manter os dados em vigor e adicionar previsão no banco de dados, recuperação de vetor ou integração de ponto de extremidade de IA.

Comparar funcionalidades da plataforma

A matriz a seguir resume onde cada plataforma é o ajuste primário, onde oferece suporte complementar e onde a funcionalidade não é um foco. A matriz usa estes ícones:

  • ✅ Funcionalidade primária
  • ⚠️ Funcionalidade compatível ou complementar
  • ❌ Não é um foco
Capability Microsoft Foundry Azure Machine Learning Microsoft Fabric Azure Databricks Ferramentas de Fundição Aprendizado de Máquina em SQL Aprendizado de máquina local ou de borda
IA e agentes generativos ✅ ⚠️ (Plataforma não primária) ❌ ⚠️ (escopo lakehouse) ⚠️ (Somente blocos de construção) ❌ ⚠️ (somente no dispositivo)
Descoberta e avaliação do modelo de fundação ✅ ⚠️ (Plataforma não primária) ❌ ⚠️ (escopo lakehouse) ❌ ❌ ❌
Treinamento de modelo personalizado (aprendizado clássico ou profundo) ⚠️ (somente ajuste fino) ✅ ⚠️ (escopo de análise) ✅ ❌ ⚠️ (com escopo de banco de dados) ⚠️ (Somente local)
Computação de treinamento distribuído ou em larga escala ❌ ✅ ⚠️ (Escala menor) ✅ ❌ ❌ ❌
AutoML ❌ ✅ ✅ ✅ ❌ ❌ ⚠️ (somente .NET)
Ciclo de vida do MLOps (registro, pipelines, integração contínua e entrega contínua (CI/CD)) ⚠️ (via Azure Machine Learning) ✅ ⚠️ (via Azure Machine Learning) ✅ ❌ ❌ ❌
Inferência em tempo real (online) ✅ ✅ ⚠️ (Pontos de extremidade de modelo na versão prévia) ✅ ✅ ⚠️ (somente no banco de dados) ✅
Inferência do Lote (offline) ⚠️ (Online-first) ✅ ✅ ✅ ❌ ✅ ⚠️ (Somente local)
Implantação local ou offline ⚠️ (somente subconjunto de borda) ⚠️ (via Azure Arc) ❌ ❌ ⚠️ (somente contêineres) ✅ ✅
Ferramentas de governança e segurança ✅ ✅ ⚠️ (Governança de modelo limitada) ✅ ⚠️ (com escopo de serviço) ⚠️ (com escopo de banco de dados) ❌

As seguintes notas esclarecem classificações específicas na matriz:

  • As Ferramentas de Fundação são classificadas como complementares para IA geradora e agentes porque serviços como Pesquisa de IA do Azure , Segurança de Conteúdo no Plano de Controle de Fundiário e Azure Document Intelligence em Ferramentas de Fundimento são blocos de construção comuns para soluções de AGENTE e RAG. A plataforma primária para desenvolvimento de IA geradora é Microsoft Foundry.

  • Microsoft governança do Foundry vem principalmente do Plano de Controle do Foundry, que fornece observabilidade, controles de runtime, integração de segurança e gerenciamento de frota para agentes e aplicativos.

  • Azure Machine Learning dá suporte à IA gerativa por meio do acesso a Modelos de Fundiário, pontos de extremidade gerenciados, recursos de avaliação e ajuste fino para modelos de base com suporte. Não é a plataforma primária para o desenvolvimento de IA generativo.

  • Azure Databricks ganha uma classificação primária para governança porque o Catálogo do Unity fornece controle de modelo e dados unificados com RBAC (controle de acesso baseado em função) e OpenSharing.

  • Microsoft Fabric é classificado como complementar para governança porque o OneLake, Microsoft Purview integração, rótulos de confidencialidade e controles baseados em domínio abrangem bem os ativos de dados. Microsoft Fabric inclui um registro de modelo baseado em MLflow interno para armazenar e acompanhar modelos. Microsoft Fabric também tem uma exibição de linhagem interna para modelos e experimentos de machine learning, incluindo relações com lakehouses e itens de código. Mas Microsoft Fabric não inclui um painel de IA responsável. Para uma governança mais ampla do ciclo de vida do modelo, emparelhe Microsoft Fabric com Azure Machine Learning.

  • Microsoft Fabric é classificado como complementar para inferência em tempo real porque o Microsoft Fabric Real-Time Intelligence abrange análise de streaming e Microsoft Fabric pontos de extremidade de modelo de machine learning fornecem pontos de extremidade REST online gerenciados para previsões em tempo real. Os pontos de extremidade de modelo estão em versão prévia e dão suporte a um conjunto limitado de tipos de modelo. Para uma ampla produção online, você também pode emparelhar Microsoft Fabric com Azure Machine Learning pontos de extremidade online gerenciados ou Microsoft Foundry.

  • O Foundry Local estende Microsoft Foundry à inferência no dispositivo para cenários de borda e offline.

  • Azure Arc estende Azure Machine Learning para clusters kubernetes locais para treinamento ou pontuação híbrida.

  • Microsoft Fabric Ciência de Dados inclui uma experiência autoML de baixo código. O AutoML de primeiro código está disponível por meio de APIs FLAML (AutoML) rápidas e leves em blocos de anotações Microsoft Fabric. Para obter o status atual, verifique a documentação do Microsoft Fabric.

Restringir sua opção de plataforma

Use a árvore de decisão a seguir para restringir sua escolha de plataforma inicial. A árvore ajuda você a selecionar uma plataforma primária para uma carga de trabalho. A maioria das soluções de produção combina mais de uma plataforma, portanto, use as seções específicas do produto neste artigo para refinar sua escolha. Considere também o uso de um padrão de arquitetura composta. Para obter mais informações, consulte Combine platforms.

Árvore de decisão para uma plataforma de IA ou machine learning de Microsoft primária com base no cenário, no perfil do desenvolvedor e nos locais de treinamento e inferência.

Baixe um arquivo Visio desta árvore de decisão.

Guia passo a passo

Use as etapas a seguir para percorrer a árvore de decisão. Quando você chegar a uma opção de plataforma, ignore as etapas restantes.

  1. Identifique o cenário do recurso.

    Faça opções de plataforma no nível do recurso em sua carga de trabalho. Cada recurso pode ter requisitos funcionais e não funcionais exclusivos que uma ou mais tecnologias podem atender. Ao usar esse fluxograma, considere os requisitos do caso de uso específico que você deseja resolver.

  2. Para ia e agentes geradores, escolha a plataforma Microsoft que corresponde ao seu perfil de desenvolvedor.

    • Acesso direto à API do LLM (modelo de linguagem grande): use Azure OpenAI no Microsoft Foundry.

    • Desenvolvimento de agente ou multi-agente de código: use o SDK do Microsoft Agent Framework emparelhado com o Serviço do Foundry Agent para hospedagem e orquestração.

    • Plataforma completa de IA generativa (Modelos de Fundição, ajuste fino, avaliação, segurança, observabilidade e governança): use Microsoft Foundry.

  3. Para aprendizado de máquina personalizado e aprendizado profundo, baseie sua decisão no local em que o treinamento e a inferência devem ser executados.

  4. Para aprendizado de máquina integrado à análise, escolha a solução que corresponde aos seus dados e ao padrão de BI.

  5. Para computação distribuída ou baseada em Spark, baseie sua decisão em usar clusters spark gerenciados ou lakehouse.

    • Lakehouse com governança do Catálogo do MLflow e do Unity: use Azure Databricks. Você ainda pode publicar modelos por meio de Azure Machine Learning pontos de extremidade gerenciados para serviço e governança.

    • Clusters spark gerenciados em Azure com armazenamento nativo e integração de segurança: use o Apache Spark em Azure HDInsight.

Note

Para arquiteturas que abrangem ambientes locais e de nuvem, anexe clusters kubernetes locais ou multinuvem a um workspace Azure Machine Learning por meio de Azure Arc. Essa configuração mantém os dados locais durante a orquestração de treinamento e inferência por meio de Azure. Para obter informações detalhadas, consulte Configurar o cluster do Kubernetes para Azure Machine Learning.

Azure Machine Learning

Azure Machine Learning é um serviço de nuvem totalmente gerenciado para treinamento, implantação e gerenciamento de modelos de machine learning em escala. Ele dá suporte a dezenas de milhares de pacotes de Python de software livre, incluindo TensorFlow, PyTorch e scikit-learn. Ele fornece ferramentas para o ciclo de vida completo do machine learning, desde a preparação de dados até a implantação, MLOps e IA responsável.

Use Azure Machine Learning quando precisar dos seguintes recursos:

  • Treinamento personalizado. Você usa o treinamento de modelo personalizado para aprendizado de máquina clássico, aprendizado profundo ou ajuste fino de LLMs de software livre.

  • MLOps de produção. Você usa um ciclo de vida de MLOps de produção que inclui acompanhamento de experimentos, controle de versão de modelo, registros controlados, pipelines de CI/CD e monitoramento de produção.

  • Pontos de extremidade gerenciados. Você usa pontos de extremidade de inferência gerenciados online ou em lote hospedados em um ambiente que fornece dimensionamento automático, identidade gerenciada e monitoramento.

  • Computação híbrida. Você usa treinamento híbrido ou inferência em clusters kubernetes habilitados para Azure Arc.

A tabela a seguir resume os recursos de plataforma que Azure Machine Learning fornece em todo o ciclo de vida do aprendizado de máquina.

Capability Descrição
Workspaces e armazenamentos de dados Um recurso central para organizar experimentos, computação, conjuntos de dados, modelos e conexões com armazenamentos de dados externos. Os ativos e o histórico de execução são versão para reprodutibilidade.
Clusters e instâncias de computação Computação de CPU e GPU provisionada para treinamento distribuído (clusters de computação) e desenvolvimento de notebook interativo (instâncias de computação).
Computação sem servidor Computação gerenciada sob demanda que Azure Machine Learning cria e dimensiona automaticamente para trabalhos de treinamento.
Aprendizado de máquina automatizado Geração de modelos, pipelines, ajuste de hiperparâmetro e engenharia de recursos para classificação, regressão, previsão, pesquisa visual computacional e processamento de linguagem natural.
Pipelines e designer Orquestração baseada em código e arrastar e soltar para preparação, treinamento, avaliação e implantação de dados. Integra-se com ferramentas de CI/CD.
Acesso a modelos de fundiário Uma plataforma para descobrir, avaliar, ajustar e implantar modelos de base compatíveis de Microsoft, OpenAI, Meta, Abraçando Rosto e outros provedores por meio de Modelos de Fundação em Azure Machine Learning.
Gerenciamento de modelos e acompanhamento de experimentos do MLflow Acompanhamento de experimentos, execuções, métricas, parâmetros, artefatos e modelos usando APIs compatíveis com MLflow com um workspace Azure Machine Learning.
Pontos de extremidade online e em lotes Pontos de extremidade REST gerenciados para inferência em tempo real e pontos de extremidade invocáveis para pontuação em lote, com dimensionamento automático e suporte a identidade gerenciada.
Ferramentas de IA responsáveis Painéis de análise de erros, explicabilidade e imparcialidade.
Segurança e suporte híbrido Integração com Rede Virtual do Azure, Azure Key Vault, Registro de Contêiner do Azure, RBAC, identidades gerenciadas e Azure Arc.

A tabela a seguir resume os principais detalhes de adoção para Azure Machine Learning.

Aspeto Details
Tipo Plataforma de machine learning baseada em nuvem.
Idiomas com suporte Python e R. Também há suporte para uma CLI (interface de linha de comando) e APIs REST.
Fases de aprendizado de máquina Preparação de dados, treinamento, implantação, MLOps e IA responsável.
Principais benefícios Fluxos de trabalho do SDK e da CLI do primeiro código. Criação baseada em estúdio. Gerenciamento central de scripts, experimentos e histórico de execução. Treinamento e implantação escalonáveis. Opções híbridas por meio de Azure Arc.
Considerations Alguma familiaridade com o workspace e o modelo de ativo é útil antes de adotar MLOps completos.

Azure Machine Learning não é a melhor opção nas seguintes situações:

  • Você só precisa consumir APIs pré-treinadas para visão, fala ou linguagem. Nesse caso, use as Ferramentas de Pesquisa.

  • O aprendizado de máquina é uma pequena extensão de uma carga de trabalho de análise. Nesse caso, Microsoft Fabric ou Azure Databricks pode ser um ponto de partida melhor.

  • Sua carga de trabalho é ia gerativa de ponta a ponta (seleção de modelo, orquestração de agente, avaliação, implantação e monitoramento). Além disso, você não precisa de treinamento clássico de machine learning ou do Azure Machine Learning ativo, execução e modelo do MLflow. Nesse caso, somente Microsoft Foundry pode ser suficiente. Um workspace Azure Machine Learning é necessário somente quando você precisa de Azure Machine Learning computação de treinamento, ciclo de vida do MLOps ou pontos de extremidade online ou em lotes gerenciados para modelos personalizados.

Microsoft Foundry

Microsoft Foundry é a plataforma de Azure unificada para criar, otimizar e controlar aplicativos de IA e agentes de IA. Microsoft Foundry combina o catálogo de modelos do Foundry, os serviços de agente e orquestração, as ferramentas de avaliação e segurança e um plano de controle para governança de runtime. Para desenvolvimento de agente de primeiro código, Microsoft pares do Foundry com o Microsoft Agent Framework, o SDK de Microsoft unificado que substitui a divisão anterior entre Kernel semântico e AutoGen.

Use Microsoft Foundry quando precisar dos seguintes recursos:

  • IA ou agentes generativos. Você cria soluções de IA gerativas ou baseadas em agente, como chatbots multimodel ou fluxos de trabalho de LLM orquestrados.

  • Descoberta e avaliação de modelo. Você precisa ser capaz de descobrir, comparar e avaliar modelos de base de vários provedores.

  • Personalização e governança de modelo. Você deseja ajustar, avaliar e implantar modelos de base em um ambiente gerenciado que forneça observabilidade interna, segurança de conteúdo e controles de runtime.

A tabela a seguir resume os recursos do Microsoft Foundry que dão suporte a aplicativos de IA geradores e desenvolvimento de agente.

Capability Descrição
Modelos de fundição Um catálogo de modelos pré-treinados de provedores como Azure OpenAI, Hugging Face e Meta, além da família de modelos de linguagem pequena Microsoft Phi, com parâmetros de comparação e opções de implantação.
Personalização de modelo A capacidade de ajustar ou personalizar modelos de base com suporte em seus próprios dados. As opções de implantação dependem do modelo e incluem tipos padrão e provisionados quando disponíveis.
Serviço de Agente da Fábrica Uma plataforma para hospedar e orquestrar agentes de IA que automatizam processos de negócios de várias etapas. Emparelha com o SDK do Microsoft Agent Framework para desenvolvimento de agente de primeiro código. Implementa a API de Respostas compatíveis com OpenAI para amplo suporte ao SDK do cliente.
Fundição IQ Uma camada de conhecimento gerenciada que fundamenta agentes em dados corporativos. Cria bases de dados de conhecimento de várias fontes e usa a recuperação agente para retornar respostas com reconhecimento de permissão com citações. Baseado em Pesquisa de IA do Azure . As fontes de conhecimento incluem fontes indexadas (como um índice Pesquisa de IA do Azure  existente, Armazenamento de Blobs do Azure, arquivos carregados diretamente, OneLake, SQL do Azure e SharePoint indexados) e fontes remotas consultadas em runtime (como SharePoint remotas, Microsoft Fabric ontologia, qi de trabalho, dados da Web Microsoft Bing, servidores mcp (protocolo de contexto de modelo) e agentes de dados Microsoft Fabric). Vários desses conectores estão atualmente em versão prévia. Para obter o status de visualização atual e os conectores com suporte, consulte as fontes de conhecimento agente no Pesquisa de IA do Azure . Para obter opções de armazenamento de dados, consulte Escolher um serviço de Azure para pesquisa de vetor.
Plano de controle de fundimento Uma interface que fornece observabilidade, controles de runtime, integração de segurança e gerenciamento de frota em Microsoft aplicativos e agentes do Foundry.
Segurança de conteúdo Um serviço de IA que detecta conteúdo gerado pelo usuário prejudicial e gerado por IA. Consulte a Segurança do Conteúdo.
Local da Fundição Uma solução para inferência de IA no dispositivo para cenários de borda e offline em que o desempenho, a privacidade ou o custo são importantes.

Conjunto de Ferramentas Foundry para Visual Studio Code

O Foundry Toolkit for Visual Studio Code é a principal experiência do desenvolvedor para Microsoft Foundry. Use-o quando quiser um fluxo de trabalho local para aplicativos e agentes de IA generativos. O kit de ferramentas dá suporte à descoberta de modelos, execução de modelo local, desenvolvimento de prompt e agente, integração de ferramentas, depuração, rastreamento, avaliação, ajuste fino e implantação para Microsoft Foundry de Visual Studio Code.

Comece no Foundry Toolkit quando a solução precisar de código, controle do código-fonte, iteração local, inspeção de agente, integração de ferramentas mcp ou teste de modelo antes da implantação. Use o portal do Foundry para exploração de prova de conceito, configuração de projeto, revisão de recursos, revisão de avaliação e visibilidade operacional após a execução de aplicativos e agentes.

Portal de pesquisa e Estúdio do Azure Machine Learning

O portal do Foundry e Estúdio do Azure Machine Learning são experiências complementares da Web. Use-os para criação de protótipos, gerenciamento de projetos e recursos, revisão de avaliação e visibilidade operacional.

Categoria Portal de fundição Estúdio do Azure Machine Learning
Carga de trabalho mais adequada Provas de conceito, exploração de modelo, revisão de agente, revisão de avaliação e visibilidade operacional para aplicativos e agentes de IA geradores. Aprendizado de máquina personalizado, aprendizado de máquina clássico, aprendizado profundo e fluxos de trabalho mais amplos da plataforma de machine learning.
Manipulação de dados Funcionalidade para conectar recursos de projeto e fontes de dados com suporte, incluindo Armazenamento de Blobs, OneLake e Azure Data Lake Storage. Armazenamento de workspace, ativos de dados e contas de armazenamento Azure conectadas.
Experiências de criação Prototipagem baseada em portal, playgrounds, exploração de modelo, revisão de avaliação e gerenciamento de recursos do projeto. Blocos de anotações, designer, AutoML, gerenciamento de modelos e fluxos de trabalho do SDK e da CLI.
SDKs e idiomas com suporte Python, C#, JavaScript e SDKs de Java. REST APIs Python, R e a CLI do Azure. REST APIs
Força de treinamento principal Avaliação de modelo e ajuste fino com suporte. AutoML e treinamento personalizado em aprendizado de máquina clássico, aprendizado profundo e ajuste de LLM.
Computação e implantação ApIs de computação gerenciada e sem servidor para modelos de base com suporte. Computação gerenciada, computação sem servidor, pontos de extremidade online, pontos de extremidade em lote e opções de Azure Arc.
Superfície de IA generativa Uma superfície da Web para exploração, revisão de avaliação, observabilidade e ferramentas de segurança do Foundry Models. Acesso a modelos de fundimento, pontos de extremidade gerenciados, avaliação e ajuste fino para modelos de base com suporte dentro da plataforma Azure Machine Learning.
Governance Plano de Controle de Fundação para governança de agente e aplicativo. Painel de IA responsável, linhagem, gerenciamento de modelos e controles MLOps.

A tabela a seguir resume os principais detalhes de adoção do Microsoft Foundry.

Aspeto Details
Tipo Uma plataforma unificada para modelos de base, agentes e aplicativos de IA generativos.
Idiomas com suporte Python, C#, JavaScript e SDKs de Java. REST APIs
Fases de aprendizado de máquina Descoberta e avaliação de modelos, desenvolvimento de aplicativos e agentes, ajuste fino de modelos compatíveis, implantação, monitoramento e segurança.
Principais benefícios Um catálogo de modelos do Foundry consolidado. Avaliação integrada, segurança e observabilidade. Suporte a agente e RAG. colaboração baseada em Project.

Microsoft Foundry não é a melhor opção nas seguintes situações:

  • Você consome recursos de IA predefinidos, como OCR (reconhecimento óptico de caracteres), transcrição de fala em texto, tradução ou moderação de conteúdo por meio de uma API e não exige seleção de modelo, orquestração ou agentes. Nesse caso, use as Ferramentas de Pesquisa.

  • Sua solução requer treinamento de modelo personalizado, aprendizado de máquina clássico ou aprendizado profundo e recursos de MLOps completos. Nesse caso, use Azure Machine Learning. Microsoft Foundry não oferece computação de treinamento provisionada ampla ou AutoML para dados tabulares.

  • Sua solução requer engenharia de dados em escala do Spark. Nesse caso, use Azure Databricks ou Microsoft Fabric.

Ferramentas de Fundição

As Ferramentas de Fundação, anteriormente Serviços de IA do Azure e Serviços Cognitivos, são uma família de recursos de IA pré-treinados que você consome por meio de APIs REST e SDKs. Cada ferramenta tem como destino uma funcionalidade específica, para que você possa adicionar recursos inteligentes a aplicativos sem criar ou treinar um modelo personalizado. Para obter ajuda para decidir qual serviço usar, consulte Escolher uma tecnologia de serviços de IA.

Tip

As Ferramentas de Fundação fornecem APIs pré-treinadas para tarefas probabilísticas comuns. Para modelos de IA generativos, agentes e orquestração, trabalhe em Microsoft Foundry em vez de usar as Ferramentas de Pesquisa diretamente. Muitos serviços nas Ferramentas de Fundimento compartilham o mesmo tipo de recurso de Azure subjacente (Microsoft.CognitiveServices/accounts) que Microsoft Foundry, mas são produtos distintos.

Use as Ferramentas de Fundação nas seguintes situações:

  • Uma API pré-treinada aborda o cenário, portanto, você não precisa treinar um modelo personalizado.

  • Você precisa de APIs gerenciadas padrão e integração baseada em API com aplicativos existentes.

Os grupos de tabelas a seguir geralmente usavam serviços por área de funcionalidade. Modelos de IA generativos, agentes e orquestração fazem parte do Microsoft Foundry e são listados separadamente para referência.

Área de capacidade Serviços representativos
Visão Azure Visão e Detecção Facial do Azure em Ferramentas de Pesquisa.
Compreensão de documentos e conteúdo Azure o Document Intelligence e o Azure Content Understanding.
Fala Azure Fala para transcrição de fala em texto, geração de voz de conversão de texto em fala e reconhecimento de alto-falante.
Linguagem Azure Idioma para reconhecimento de entidade nomeada, detecção de dados pessoais e detecção de idioma. Tradutor do Azure nas Ferramentas de Fundação para tradução.
Pesquisa e conhecimento Pesquisa de IA do Azure  para a pesquisa e a recuperação de RAG alimentadas por IA.
Segurança de conteúdo Segurança de conteúdo para detecção de conteúdo prejudicial em conteúdo gerado pelo usuário e gerado por IA.
Vídeo Azure AI Video Indexer para análise e indexação de vídeo.
Agentes e modelos de IA generativos Microsoft Foundry. Inclui o Serviço de Agente de Fundimento e modelos de fundimento.

Para comparar os serviços em uma área de funcionalidade e escolher um, confira os seguintes guias de seleção detalhados:

A tabela a seguir resume os principais detalhes de adoção das Ferramentas do Foundry.

Aspeto Details
Tipo APIs pré-treinadas para a criação de aplicativos inteligentes.
Idiomas com suporte SDKs de C#, Java, JavaScript e Python dependendo do serviço. REST APIs
Fases de aprendizado de máquina Consumo por meio de APIs. Alguns serviços dão suporte à personalização.
Principais benefícios A capacidade de adicionar recursos de IA predefinidos por meio de APIs. Experiência mínima em ciência de dados necessária. Dimensionamento gerenciado.

As Ferramentas de Fundação não são as mais adequadas na seguinte situação: seu cenário requer arquiteturas de modelo personalizadas ou dados de treinamento além das opções de personalização com suporte. Nesses casos, use Azure Machine Learning para modelos clássicos ou de aprendizado profundo ou use Microsoft Foundry para ajuste fino de IA generativo.

Microsoft Fabric

Microsoft Fabric é uma plataforma de análise unificada baseada em SaaS. Ele integra engenharia de dados, ciência de dados, data warehouse, inteligência em tempo real e Power BI em uma base de dados do OneLake compartilhada. Engenheiros de dados, cientistas de dados e analistas de negócios que usam Microsoft Fabric colaboram no mesmo ambiente gerenciado.

A carga de trabalho de Ciência de Dados do Microsoft Fabric é a parte mais relevante para o aprendizado de máquina. Ele fornece notebooks Spark, AutoML, uma experiência interna do MLflow para acompanhamento de experimentos e um registro de modelo. Para obter informações detalhadas, consulte o que é ciência de dados em Microsoft Fabric?.

Use Microsoft Fabric quando precisar dos seguintes recursos:

  • Aprendizado de máquina integrado à análise. O aprendizado de máquina faz parte de um fluxo de trabalho de análise mais amplo em sua solução, como criar um modelo de dados em um lakehouse e fornecer previsões para Power BI.

  • SaaS totalmente gerenciado. Você deseja uma experiência de SaaS totalmente gerenciada com infraestrutura mínima para gerenciar.

  • Base de dados compartilhada. Sua equipe trabalha em engenharia de dados, ciência de dados e BI na mesma base do OneLake.

A tabela a seguir resume Microsoft Fabric recursos mais relevantes para o aprendizado de máquina integrado à análise.

Capability Descrição
Fundação OneLake Um único data lake lógico compartilhado por cargas de trabalho Microsoft Fabric, incluindo Engenharia de Dados, Ciência de Dados, Data Warehouse e Power BI.
Carga de trabalho de ciência de dados Um runtime gerenciado do Spark com notebooks para Python, R, SQL e Scala para análise e treinamento de modelo. Inclui uma experiência interna do MLflow para acompanhamento de experimentos e um registro de modelo. Você também pode registrar em log experimentos e modelos do MLflow em workspaces e plataformas, incluindo em Microsoft Fabric de um workspace Azure Machine Learning.
AutoML AutoML de baixo código para classificação, regressão e previsão. O AutoML de primeiro código está disponível por meio de APIs FLAML em blocos de anotações Microsoft Fabric.
Real-Time Intelligence e Fabric Activator Análise de streaming e detecção de eventos sem código que podem disparar Microsoft Fabric pipelines, notebooks ou ações downstream.
Pontos de extremidade do modelo de machine learning Pontos de extremidade REST online gerenciados que atendem a previsões em tempo real de modelos de Microsoft Fabric registrados. Essa funcionalidade está em versão prévia e limitada a um conjunto de tipos de modelo, mas há suporte para modelos treinados por AutoML. Para obter informações detalhadas, consulte Servir previsões em tempo real com pontos de extremidade de modelo de machine learning.
Integração com o Power BI Um meio de expor saídas de machine learning a Power BI por meio de modelos semânticos e relatórios, incluindo o Direct Lake quando Microsoft Fabric dados permanece no OneLake e importar ou direcionar padrões quando necessário. Use essa integração para incorporar previsões, pontuações de anomalias e métricas de previsão em painéis de negócios e fluxos de trabalho de decisão.
Integração do Microsoft Foundry Uma maneira de alimentar Microsoft Fabric dados ou saídas de modelo para um aplicativo ou agente baseado em Microsoft Foundry, como um copilot aterrado, um fluxo de trabalho de resumo ou uma experiência rag. Na prática, Microsoft Foundry pode se conectar a Microsoft Fabric dados por meio de um agente de dados Microsoft Fabric ou outra conexão de dados com suporte. Em seguida, Microsoft Foundry pode usar esse contexto ao gerar respostas do agente. Se sua carga de trabalho precisar apenas de aprendizado de máquina clássico dentro de Microsoft Fabric e não exigir LLMs ou agentes, essa integração geralmente será desnecessária.

A tabela a seguir resume os principais detalhes de adoção para Microsoft Fabric.

Aspeto Details
Tipo Uma plataforma de análise saaS unificada.
Idiomas com suporte Python, R, SQL e Scala.
Fases de aprendizado de máquina Preparação de dados, treinamento, registro, pontuação em lote, serviço em tempo real (versão prévia), análise em tempo real e consumo de BI.
Principais benefícios Uma fundação compartilhada do OneLake. Baixa sobrecarga operacional. Integração com Power BI e o conjunto de dados Microsoft mais amplo.

Microsoft Fabric não é a melhor opção na seguinte situação: você precisa de aprendizado profundo em escala, MLOps abrangentes com registros controlados ou controle de computação refinado. Nesses casos, complemente Microsoft Fabric com Azure Machine Learning ou Azure Databricks. Microsoft Fabric abrange bem o aprendizado de máquina integrado à análise, mas não é uma substituição para uma plataforma de machine learning dedicada.

Note

Microsoft Fabric é a plataforma recomendada para novos investimentos de machine learning integrados à análise. Para investimentos existentes em Azure Synapse Analytics, consulte Machine learning em Azure Synapse Analytics. Para obter a migração do pool de SQL dedicado para Microsoft Fabric Data Warehouse, consulte Fabric Assistente de Migração para Data Warehouse.

Azure Databricks

Azure Databricks é uma plataforma de análise unificada e aberta para criar, implantar, compartilhar e manter dados, análises e soluções de IA. Ele combina recursos de data warehousing e data lake em uma arquitetura lakehouse e integra-se com Azure armazenamento e segurança.

Use Azure Databricks quando precisar dos seguintes recursos:

  • Aprendizado de máquina em escala do Spark. Você precisa executar o aprendizado de máquina em conjuntos de dados muito grandes ou clusters spark distribuídos.

  • Fluxo de trabalho unificado do lakehouse. Você combina engenharia de dados, engenharia de recursos, experimentação e desenvolvimento de modelos em um fluxo de trabalho do Lakehouse.

  • Operações de aprendizado de máquina de produção. Você deseja implantar, gerenciar e monitorar soluções de machine learning em produção usando pontos de extremidade de serviço gerenciados, fluxos de trabalho automatizados e pipelines MLOps.

  • Governança do Catálogo do Unity. Você deseja controlar dados, recursos, modelos e funções no Catálogo do Unity, que fornece controle de acesso centralizado e linhagem.

  • IA generativa e agentes. Você cria cargas de trabalho de AGENTE de IA e IA em Azure Databricks, incluindo cenários personalizados e de modelo de base.

A tabela a seguir lista recursos de Azure Databricks notáveis:

Capability Descrição
Integração gerenciada com projetos de software livre Inclui Delta Lake, OpenSharing, MLflow, Spark, Apache Spark Structured Streaming e Catálogo do Unity.
Azure Databricks Runtime para Machine Learning Oferece bibliotecas pré-instaladas para aprendizado de máquina clássico e aprendizado profundo, incluindo Abraçando Transformadores de Rosto.
Acompanhamento e modelos do MLflow no Catálogo do Unity Dá suporte ao acompanhamento de experimentos, ao gerenciamento do ciclo de vida do modelo e à descoberta de modelos governada.
Engenharia de recursos e padrões de serviço de recursos Dá suporte a recursos de treinamento e inferência reutilizáveis.
Serviço de modelo Azure Databricks Oferece pontos de extremidade de inferência em tempo real gerenciados com dimensionamento automático, implantações com versão, controles de tráfego e monitoramento de produção.
Gateway de IA Fornece governança de acesso de modelo, controle de uso e registro em log de carga em modelos externos e servidos. Dá suporte ao desenvolvimento, avaliação e serviço de modelos personalizados ou abertos em um ambiente lakehouse.
Funções de IA no SQL Fornece uma maneira para os analistas chamarem LLMs de pipelines de dados.
APIs de modelo de fundação Integra modelos externos e fornece padrões de acesso unificados entre provedores de modelo.
Governança do Catálogo do Unity Fornece governança unificada de dados, recursos, modelos e funções por meio de recursos como RBAC e OpenSharing.
Análise de streaming Oferece análises em tempo real e streaming por meio de Streaming Estruturado e Delta Lake.
Trabalhos e MLOps do Lakeflow Fornece trabalhos e fluxos de trabalho para pipelines automatizados de treinamento, avaliação, implantação e retreinamento.

A tabela a seguir resume os principais detalhes de adoção para Azure Databricks.

Aspeto Details
Tipo Uma plataforma lakehouse construída no Spark.
Idiomas com suporte Python, R, Scala e SQL.
Fases de aprendizado de máquina Preparação, treinamento, ajuste fino, avaliação, serviço de modelo e governança.
Principais benefícios Ciclo de vida de aprendizado de máquina de ponta a ponta em uma lakehouse. Integração nativa do MLflow. Serviço e operações gerenciados. Governança do Catálogo do Unity. Aprendizado de máquina em escala do Spark e suporte à IA gerativa.
Considerations O Serviço de Modelo sem Servidor pode reduzir a sobrecarga de infraestrutura de inferência, mas o custo de preparação de dados baseados em Spark, engenharia de recursos e treinamento de modelo continua sendo uma consideração importante. Para cargas de trabalho não Spark, Azure Machine Learning ou Ferramentas de Pesquisa pode ser mais simples.

Azure Databricks não é a melhor opção nas seguintes situações:

  • Sua equipe não precisa de processamento em escala do Spark. Nesse caso, a sobrecarga do cluster pode não ser justificada.

  • Seu cenário usa a IA puramente controlada por API. Nesse caso, o Foundry Tools ou Microsoft Foundry oferece um caminho mais direto.

  • Você precisa de controles de governança específicos Azure Machine Learning, recursos de ponto de extremidade ou uma camada de ponto de extremidade padronizada entre equipes. Nesses casos, use Azure Machine Learning pontos de extremidade gerenciados em um design híbrido.

Aplicativos inteligentes do SQL e aprendizado de máquina

A IA no banco de dados SQL mantém dados relacionais regidos onde ele já reside e adiciona previsão, recuperação de vetor e integração de ponto de extremidade de IA diretamente no Transact-SQL (T-SQL).

Use a IA no banco de dados SQL nas seguintes situações:

  • Os dados devem permanecer dentro do banco de dados relacional por motivos de segurança, privacidade, latência ou regulamentação.

  • Você precisa de pontuação de baixa latência perto de transações, como verificações de fraude ou decisões de próxima melhor ação.

  • Você deseja pesquisa e recuperação de vetor diretamente no banco de dados para rag e padrões de correspondência semântica.

  • Você precisa da invocação nativa do banco de dados de pontos de extremidade de IA externos do T-SQL para fluxos de trabalho de orquestração ou de agente que podem ser chamados.

A tabela a seguir lista as plataformas e ferramentas atuais:

Capability Função na arquitetura
PREDICT no T-SQL Executa a pontuação nativa no banco de dados para modelos com suporte, incluindo padrões de runtime baseados em ONNX, quando disponíveis.
Tipo de dados vetor e funções de vetor Armazena inserções e executa operações de similaridade de vetor dentro do mecanismo relacional.
sp_invoke_external_rest_endpoint Chama pontos de extremidade de IA externos do T-SQL com credenciais, cabeçalhos, opções de repetição e controles de saída controlados.
Funções de IA (Transact-SQL), incluindo AI_GENERATE_EMBEDDINGS Adiciona operações de IA nativas do banco de dados para agrupamento, geração de inserção e fluxos de trabalho relacionados à IA do SQL.
Serviços de Instância Gerenciada de SQL do Azure Machine Learning Dá suporte à execução no banco de dados de código Python e R para cargas de trabalho de estilo existentes do Machine Learning Services.

A tabela a seguir resume os principais detalhes de adoção para SQL do Azure machine learning.

Aspeto Details
Tipo Recursos relacionais de IA no banco de dados para previsão, recuperação de vetor e integração de ponto de extremidade de IA.
Idiomas com suporte T-SQL primeiro. Python e R estão disponíveis por meio dos Serviços Instância Gerenciada de SQL do Azure Machine Learning.
Fases de aprendizado de máquina Preparação de dados no banco de dados, treinamento, inferência, recuperação de vetor e orquestração de ponto de extremidade.
Principais benefícios Mantém os dados transacionais controlados em vigor. Reduz a movimentação de dados. Habilita o enriquecimento de IA de baixa latência em fluxos de trabalho SQL existentes.
Considerations A disponibilidade dos recursos varia de acordo com a plataforma e a versão do SQL. O treinamento de modelo em larga escala e o aprendizado profundo distribuído normalmente são melhor tratados em Azure Machine Learning, Azure Databricks ou Microsoft Fabric.

Combine SQL do Azure machine learning com outra plataforma quando quiser adotar a seguinte abordagem:

  • Treinar externamente, pontuar no SQL. Para treinamento em larga escala ou aprendizado profundo, use Azure Machine Learning, Azure Databricks ou Microsoft Fabric para treinamento. Em seguida, traga artefatos de inferência de volta ao SQL para pontuação no banco de dados.

  • Treinamento em nuvem, implantação de banco de dados, previsão de SQL. Treine externamente, exporte um artefato de pontuação compatível com a plataforma SQL de destino e, em seguida, use PREDICT para executar previsões no SQL perto de dados transacionais.

  • Gere inserções no SQL, pontos de extremidade de chamada para geração. Para cenários de RAG e agente, gere inserções e recuperação de vetor no SQL. Em seguida, se você precisar de geração de resposta, use sp_invoke_external_rest_endpoint para chamar pontos de extremidade de modelo externos do SQL.

Aprendizado de máquina local, de borda e local

Para aprendizado de máquina executado fora da nuvem, em dispositivos locais, em ambientes offline, inseridos em aplicativos ou dentro da infraestrutura local, Microsoft fornece várias opções.

Use o aprendizado de máquina local, local e de borda quando precisar dos seguintes recursos:

  • Inferência local. Para atender aos requisitos de latência, operação offline ou privacidade de dados, seu cenário precisa de inferência para ser executado localmente. Por exemplo, soluções de manutenção preditiva em ambientes com conectividade intermitente exigem inferência local.

  • A capacidade de inserir machine learning em aplicativos. Você cria aplicativos móveis ou de área de trabalho que precisam de recursos de machine learning inseridos.

  • Execução local. Seu cenário precisa de execução de aprendizado de máquina para permanecer dentro de um ambiente local, como uma implantação de SQL Server local.

Microsoft fornece estas opções:

  • Microsoft Foundry no Windows inclui Windows ML para inferência local em dispositivos Windows com aceleração de hardware entre CPUs, GPUs e NPUs. Use Windows ML para novas cargas de trabalho de inferência de aplicativo e dispositivo Windows.

  • ML.NET é uma estrutura de machine learning multiplataforma de software livre para desenvolvedores de .NET. Ele dá suporte ao carregamento de dados, treinamento (incluindo AutoML para .NET) e inferência local. Use ML.NET quando o aplicativo precisar de treinamento ou inferência de modelo nativo .NET, incluindo a integração de modelos ONNX.

  • SQL Server Machine Learning Services dá suporte ao treinamento e à pontuação dentro de SQL Server locais quando os dados devem permanecer na camada de dados local.

  • O Foundry Local é uma solução de inferência de IA no dispositivo que estende Microsoft Foundry para cenários de borda e offline.

  • Azure Local fornece infraestrutura gerenciada Azure para máquinas virtuais locais (VMs) e contêineres. Use-o para hospedar componentes de IA de borda próximos aos dados, como cargas de trabalho local do Foundry, componentes de recuperação de RAG ou modelos ONNX exportados de Azure Machine Learning.

  • A computação do Kubernetes para Azure Machine Learning anexa clusters kubernetes habilitados para Azure Arc a um workspace Azure Machine Learning para que clusters locais ou multinuvem executem treinamento e inferência enquanto a orquestração permanece no Azure.

  • Azure IoT Edge implanta modelos de machine learning em contêineres em dispositivos de borda para que a inferência seja executada localmente.

  • Azure Stack Edge fornece dispositivos de borda gerenciados por Microsoft que você pode usar para aprendizado de máquina acelerado por hardware e VM ou cargas de trabalho em contêineres. Os dispositivos estão disponíveis apenas para cargas de trabalho de parceiro validadas ou implantações de pelo menos 100 nós.

Um padrão típico treina um modelo exportável na nuvem usando Azure Machine Learning ou Azure Databricks. Em seguida, o modelo é convertido em ONNX quando o modelo e o runtime de destino dão suporte a esse formato. Por fim, o modelo é implantado para inferência de borda por meio de Windows ML, ML.NET, um módulo Azure IoT Edge, Foundry Local ou Azure Local infraestrutura.

Combinar plataformas

As soluções de produção podem combinar mais de uma plataforma. O fluxograma anterior neste artigo ajuda você a escolher uma plataforma inicial primária . Use a tabela a seguir para planejar arquiteturas compostas e identificar os componentes de suporte Microsoft que cada cenário normalmente requer.

Cenário combinado Plataforma primária Suporte a componentes Microsoft Pattern
RAG da Empresa ou chat-with-your-data Microsoft Foundry Pesquisa de IA do Azure  (e IQ de Fundição para aterramento), Azure Document Intelligence (ingestão), Microsoft Fabric ou Azure Cosmos DB (armazenamento de dados), Segurança de Conteúdo Ingerir conteúdo corporativo, indexá-lo para vetor e recuperação híbrida e aterrar um Microsoft o agente hospedado ou o aplicativo LLM em relação a ele. Para obter opções de armazenamento de dados, consulte Escolher um serviço de Azure para pesquisa de vetor.
IA generativa em cima da análise governada Microsoft Fabric Microsoft Foundry (agentes, modelos), Power BI (consumo), Pesquisa de IA do Azure  Use Microsoft Fabric para ingerir e armazenar dados controlados no OneLake. Em seguida, crie agentes ou aplicativos RAG no Microsoft Foundry sobre esses dados. Exibir resultados em Power BI.
Aprendizado de máquina personalizado enriquecido com recursos de IA predefinidos Azure Machine Learning Azure Vision, Azure Document Intelligence, Azure Speech, Azure Language, Pesquisa de IA do Azure  Use as Ferramentas de Fundação para pré-processamento, extração de recursos ou recuperação e use Azure Machine Learning para treinar, implantar e controlar o modelo personalizado que se baseia nesses recursos.
Treinamento em escala do Spark com serviço gerenciado Azure Databricks Azure Databricks Model Serving, MLflow, Unity Catalog, Azure Machine Learning opcional (governança ou padronização de ponto de extremidade) Execute a engenharia de recursos e o treinamento distribuído em Azure Databricks. Em seguida, use Azure Databricks Model Serving para implantar e servir modelos treinados. Adicione Azure Machine Learning pontos de extremidade gerenciados quando precisar de Azure Machine Learning governança específica ou padronização de ponto de extremidade entre equipes.
Treinamento em nuvem, implantação de borda Azure Machine Learning ou Azure Databricks ONNX (troca de modelos), Windows ML, ML.NET, Foundry Local, Azure IoT Edge, Azure Local, Azure Stack Edge Treine um modelo exportável na nuvem, converta-o em ONNX quando tiver suporte e implante-o em dispositivos, gateways locais ou dispositivos de borda aceleradas por hardware para inferência offline ou de baixa latência.
Aprendizado de máquina híbrido local e de nuvem Azure Machine Learning no Azure Arc clusters kubernetes habilitados para Azure Arc, um workspace Azure Machine Learning, Registro de Contêiner Key Vault Mantenha os dados locais usando um workspace Azure Machine Learning anexado ao kubernetes habilitado para Azure Arc para orquestrar treinamento e inferência.
Pontuação no banco de dados com modelos treinados em nuvem Aprendizado de Máquina em SQL Azure Machine Learning ou Azure Databricks (treinamento), ONNX, Instância Gerenciada de SQL ou SQL Server Treine na nuvem, exporte para o ONNX e use a função SQL PREDICT para pontuação de baixa latência no banco de dados ao lado de dados operacionais.
Automação de vários agentes Microsoft Agent Framework and Foundry Agent Service Modelos de fundimento, IQ do Foundry, Pesquisa de IA do Azure , Azure Functions ou Aplicativos Lógicos do Azure (ferramentas), Gerenciamento de API do Azure Crie fluxos de trabalho de vários agentes no código usando o Microsoft Agent Framework, use o Serviço do Foundry Agent para hospedá-los e orquestrá-los e integrar ferramentas corporativas e APIs.

Plataformas e ferramentas de desenvolvimento

A maioria das equipes usa ferramentas de desenvolvimento de corte cruzado e serviços de suporte junto com a plataforma escolhida como a principal. Essas ferramentas influenciam onde o trabalho de IA e machine learning é desenvolvido, testado e empacotado antes de ser executado. Os serviços de suporte influenciam onde a inferência está hospedada ou onde a computação é anexada a dados que não podem ser movidos para uma plataforma de nuvem gerenciada.

Esta seção separa as principais ferramentas de desenvolvedor, que são o desenvolvimento diário e as plataformas operacionais, dos serviços de suporte adjacentes que hospedam a inferência autogerenciada, aceleram o aprendizado de máquina baseado em Spark ou estendem o treinamento e a pontuação para a infraestrutura local.

As ferramentas a seguir dão suporte ao desenvolvimento em plataformas locais e de nuvem.

Tool Descrição
Foundry Toolkit for Visual Studio Code Uma experiência de desenvolvedor no VS Code para compilar, testar, depurar, avaliar e implantar aplicativos e agentes de IA generativos. Dá suporte a modelos locais, catálogos de modelos, desenvolvimento de agente, integração de ferramentas, rastreamento e avaliação.
Portal da Foundry Um ambiente Web para trabalho de prova de conceito, exploração de modelo, gerenciamento de recursos de projeto, revisão de avaliação e visibilidade operacional em Microsoft aplicativos e agentes do Foundry.
Estúdio do Azure Machine Learning Uma interface do usuário da Web para a plataforma Azure Machine Learning. Inclui notebooks, o designer de pipeline, o AutoML, o gerenciamento de modelos e a rotulagem de dados.
Máquina Virtual de Ciência de Dados do Azure Uma imagem de VM pré-configurada com ferramentas de ciência de dados, como Jupyter, R e Python pré-instalados.
ML.NET Uma estrutura de machine learning multiplataforma de software livre para aplicativos .NET.
Microsoft Foundry no Windows Windows ML para inferência de modelo local acelerada por hardware em dispositivos Windows.
SynapseML Uma estrutura de microsserviços e aprendizado de máquina distribuída de software livre para Spark.

Os serviços de suporte adjacentes ajudam na experimentação, hospedagem de inferência autogerenciada, aprendizado de máquina baseado em Spark ou operação híbrida, mas não são as principais opções de plataforma no fluxo de decisão.

Service Função no aprendizado de máquina e no ecossistema de IA
AKS (Serviço de Kubernetes do Azure) e Aplicativos de Contêiner do Azure Soluções para hospedar contêineres de inferência autogerenciadas em Azure. Use aplicativos de contêiner para hospedagem de contêiner gerenciado mais simples ou AKS quando precisar de mais controle sobre o runtime de serviço e o ambiente de cluster. Exemplos comuns incluem pilhas de serviço de software livre, como vLLM, Triton Inference Server ou BentoML.
SynapseML Uma estrutura de software livre, aprendizado de máquina distribuído e microsserviços para Spark. Funciona em Azure Databricks, Microsoft Fabric e outros clusters Spark.
aprendizado de máquina habilitado para Azure Arc Uma solução para anexar clusters kubernetes locais ou multinuvem a um workspace Azure Machine Learning para treinamento híbrido e inferência.

Colaboradores

A Microsoft mantém este artigo. Os colaboradores a seguir escreveram este artigo.

Autor principal:

Para ver perfis de LinkedIn não públicos, entre em LinkedIn.

Próximas etapas

  • Last updated on