Produtos de IA e aprendizagem automática da Microsoft

A Microsoft oferece várias plataformas para IA e aprendizagem automática. Cada plataforma visa uma combinação diferente de público, carga de trabalho, base de dados e modelo de implementação. Este artigo ajuda arquitetos de soluções, engenheiros de machine learning, cientistas de dados e programadores de aplicações a escolher uma plataforma inicial, a compreender como as plataformas diferem e a aprender como as combinar em arquiteturas do mundo real. A cobertura inclui cargas de trabalho clássicas de aprendizagem automática, aprendizagem automática integrada com análise e IA generativa no Azure, Microsoft Fabric e Microsoft Foundry. Este artigo foca-se nas soluções fornecidas pela Microsoft.

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

Cenários principais de carga de trabalho

Começa pela funcionalidade de IA ou aprendizagem automática que precisas de adicionar à tua carga de trabalho. A tabela seguinte mapeia cenários de características comuns para uma plataforma inicial recomendada para capacidades personalizadas de IA e aprendizagem automática. Usa-o como orientação inicial antes de reveres as capacidades da plataforma e percorrer a árvore de decisão.

Compare as capacidades da plataforma

A matriz seguinte resume onde cada plataforma é o principal encaixe, onde oferece suporte complementar e onde a capacidade não é o foco. A matriz utiliza estes ícones:

• ✅ Capacidade primária
• ⚠️ Capacidade suportada ou complementar
• ❌ Não é um foco

As notas seguintes esclarecem classificações específicas na matriz:

• O Foundry Tools é classificado como complementar para IA generativa e agentes porque serviços como Pesquisa de IA do Azure, Content Safety no Foundry Control Plane e Azure Document Intelligence no Foundry Tools são blocos de construção comuns para soluções RAG e agentes. A principal plataforma para o desenvolvimento de IA generativa é a Microsoft Foundry.

• A governação do Microsoft Foundry provém principalmente do Foundry Control Plane, que fornece observabilidade, controlos em tempo de execução, integração de segurança e gestão de frotas para agentes e aplicações.

• O Azure Machine Learning suporta IA generativa através do acesso a Modelos Foundry, endpoints geridos, capacidades de avaliação e ajuste fino para modelos de fundação suportados. Não é a principal plataforma para o desenvolvimento de IA generativa.

• O Azure Databricks recebe uma classificação primária para governação porque o Unity Catalog fornece governação unificada de dados e modelos com controlo de acesso baseado em funções (RBAC) e OpenSharing.

• A Microsoft Fabric é classificada como complementar para governação porque a integração com OneLake, Microsoft Purview, etiquetas de sensibilidade e controlos baseados em domínio cobrem bem os ativos de dados. O Microsoft Fabric inclui um registo de modelos integrado baseado em MLflow para armazenar e rastrear modelos. O Microsoft Fabric também tem uma vista de linhagem incorporada para modelos e experiências de aprendizagem automática, incluindo relações com casas de lago e itens de código. Mas o Microsoft Fabric não inclui um painel de controlo de IA responsável. Para uma governação mais ampla do ciclo de vida do modelo, combine o Microsoft Fabric com o Azure Machine Learning.

• Microsoft Fabric é classificado como complementar para inferência em tempo real porque Microsoft Fabric Real-Time Intelligence cobre análises em streaming, e Microsoft Fabric endpoints de modelos de aprendizagem automática fornecem endpoints REST online geridos para previsões em tempo real. Os endpoints dos modelos estão em pré-visualização e suportam um conjunto limitado de variantes de modelos. Para serviços online de produção ampla, também pode emparelhar o Microsoft Fabric com endpoints online geridos pelo Azure Machine Learning ou com o Microsoft Foundry.

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

• O Azure Arc estende o Azure Machine Learning a clusters Kubernetes on-premises para treino híbrido ou pontuação.

• O Microsoft Fabric Data Science inclui uma experiência AutoML low-code. O AutoML Code-first está disponível através das APIs Fast and Lightweight AutoML (FLAML) nos portáteis Microsoft Fabric. Para o estado atual, consulte a documentação do Microsoft Fabric.

Reduza a sua escolha de plataforma

Use a seguinte árvore de decisão para restringir a sua escolha de plataforma inicial. A árvore ajuda-te a escolher uma plataforma principal para uma carga de trabalho. A maioria das soluções de produção combina mais do que uma plataforma, por isso use as secções específicas deste artigo para refinar a sua escolha. Considera também usar um padrão de arquitetura composta. Para mais informações, consulte Plataformas Combine.

Descarregue um ficheiro Visio desta árvore de decisão.

Passo a passo

Use os passos seguintes para percorrer a árvore de decisão. Quando chegares a uma plataforma escolhida, salta os passos restantes.

1. Identifique o cenário da funcionalidade.

   Faça escolhas de plataforma ao nível das funcionalidades dentro da sua carga de trabalho. Cada funcionalidade pode ter requisitos funcionais e não funcionais únicos que uma ou mais tecnologias podem satisfazer. Ao usar este fluxograma, considere os requisitos do caso de uso específico que pretende resolver.

   • Se funcionalidades de IA pré-construídas, como visão, fala, linguagem, pesquisa, compreensão de documentos ou segurança de conteúdo, corresponderem às necessidades da sua carga de trabalho, utilize as Foundry Tools. Muitos serviços no Foundry Tools suportam personalização, como classificação de texto personalizada no Azure Language ou modelos personalizados no Azure Document Intelligence. Considere estes serviços antes de se comprometer com formação personalizada completa ou com uma abordagem mais ampla, como usar um modelo de linguagem para simular um serviço especializado. Para documentação específica do serviço, consulte os seguintes artigos:
     • Azure Vision em Foundry Tools
     • Azure Speech em Foundry Tools
     • Linguagem Azure nas Ferramentas Foundry
     • Pesquisa de IA do Azure
     • Document Intelligence do Azure nas ferramentas Foundry
     • Azure Content Understanding in Foundry Tools
     • Segurança de Conteúdos no Plano de Controlo da Fundição
   • Se a sua carga de trabalho exigir que agentes de IA generativa ou IA personalizada adicionem comportamentos não determinísticos, continue para o passo 2.
   • Se a funcionalidade exigir capacidades personalizadas de aprendizagem automática ou deep learning, como aprendizagem automática clássica, visão computacional, previsão ou ajuste fino dos seus próprios modelos, continue para o passo 3.
   • Se precisar de integrar machine learning num fluxo de trabalho mais amplo de dados e BI, continue para o passo 4.

2. Para IA generativa e agentes, escolha a plataforma Microsoft que corresponda ao seu perfil de programador.

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

   • Desenvolvimento de agente em primeiro código ou multi-agente: Use o Microsoft Agent Framework SDK emparelhado com o Foundry Agent Service para hospedagem e orquestração.

   • Plataforma completa de IA generativa (Modelos Foundry, ajuste fino, avaliação, segurança, observabilidade e governação): Use o Microsoft Foundry.

3. Para aprendizagem automática personalizada e deep learning, baseie a sua decisão em onde o treino e a inferência devem decorrer.

   • Numa aplicação ou dispositivo Windows: Use o Microsoft Foundry no Windows e Windows ML para inferência local de modelos com aceleração por hardware. Use ML.NET quando uma aplicação .NET necessita de integração local com machine learning clássico, AutoML ou Open Neural Network Exchange (ONNX).

   • Num gateway IoT ou appliance edge: Use Azure IoT Edge, Foundry Local, Azure Local ou Azure Stack Edge para inferência local ou acelerada por hardware.

   • Dentro de uma base de dados SQL: Use aplicações inteligentes SQL e IA para previsão dentro da base de dados, recuperação de vetores e integração de endpoints de IA. Use SQL Server Machine Learning Services ou Azure SQL Managed Instance Machine Learning Services quando precisar de execução Python ou R na base de dados.

   • Num cluster Kubernetes on-premises ou multicloud: Anexe o cluster ao Azure Machine Learning através do Azure Arc para que os dados permaneçam no lugar enquanto o treino e a inferência são orquestrados através do Azure.

   • Sobre computação baseada ou distribuída em Spark: Continue para o passo 5.

   • Na computação gerida na cloud com MLOps completo: Use o Azure Machine Learning.

4. Para aprendizagem automática integrada em analytics, escolha a solução que corresponde ao seu padrão de dados e BI.

   • SaaS unificado com Power BI no OneLake: Utilize a carga de trabalho Microsoft Fabric Data Science.

   • Investimento existente em Azure Synapse Analytics: Use Machine learning in Azure Synapse Analytics. Para novos investimentos, prefira a Microsoft Fabric.

   • Spark à escala de Lakehouse e aprendizagem automática: Use o Azure Databricks.

5. Para computação baseada em Spark ou distribuída, baseie a sua decisão se utiliza clusters Lakehouse ou Spark geridos.

   • Lakehouse com MLflow e governação do Catálogo Unity: Use o Azure Databricks. Ainda podes publicar modelos através de endpoints geridos pelo Azure Machine Learning para servir e governar.

   • Clusters Managed Spark no Azure com armazenamento nativo e integração de segurança: Use o Apache Spark no Azure HDInsight.

Azure Machine Learning

Azure Machine Learning é um serviço cloud totalmente gerido para treinar, implementar e gerir modelos de machine learning em grande escala. Suporta dezenas de milhares de pacotes Python open-source, incluindo TensorFlow, PyTorch e scikit-learn. Fornece ferramentas para todo o ciclo de vida do machine learning, desde a preparação de dados até à implementação, MLOps e IA responsável.

Use o Azure Machine Learning quando precisar das seguintes capacidades:

• Treino personalizado. Utiliza-se treino personalizado de modelos para aprendizagem automática clássica, deep learning ou ajuste fino de LLMs open-source.

• MLOps de produção. Utiliza-se um ciclo de vida MLOps de produção que inclui acompanhamento de experiências, versionamento de modelos, registos governados, pipelines CI/CD e monitorização de produção.

• Gerir endpoints. Utiliza-se endpoints geridos online ou de inferência em lote alojados num ambiente que oferece autoescalabilidade, identidade gerida e monitorização.

• Computação híbrida. Utiliza-se treino híbrido ou inferência em clusters Kubernetes com Azure Arc.

A tabela seguinte resume as capacidades da plataforma que o Azure Machine Learning oferece ao longo do ciclo de vida do machine learning.

A tabela seguinte resume os detalhes centrais da adoção do Azure Machine Learning.

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

• Só precisas de consumir APIs pré-treinadas para visão, fala ou linguagem. Neste caso, usa as Ferramentas de Fundição.

• Aprendizagem automática é uma pequena extensão de uma carga de trabalho analítica. Neste caso, Microsoft Fabric ou Azure Databricks podem ser um melhor ponto de partida.

• A sua carga de trabalho é IA generativa de ponta a ponta (seleção de modelos, orquestração de agentes, avaliação, implementação e monitorização). Além disso, não precisas de formação clássica em machine learning nem do modelo Azure Machine Learning assets, run e MLflow. Neste caso, a Microsoft Foundry sozinha pode ser suficiente. Um espaço de trabalho Azure Machine Learning é necessário apenas quando precisa de treino em Azure Machine Learning, ciclo de vida MLOps ou endpoints online ou batch geridos para modelos personalizados.

Microsoft Foundry

A Microsoft Foundry é a plataforma unificada do Azure para construir, otimizar e governar aplicações e agentes de IA generativa. O Microsoft Foundry combina o catálogo de modelos Foundry, serviços de agentes e orquestração, ferramentas de avaliação e segurança, e um plano de controlo para a governação em tempo de execução. Para o desenvolvimento de agentes de código em primeiro lugar, o Microsoft Foundry faz pares com o Microsoft Agent Framework, o SDK unificado da Microsoft que substitui a divisão anterior entre Kernel Semântico e AutoGen.

Use o Microsoft Foundry quando precisar das seguintes capacidades:

• IA generativa ou agentes. Constroem soluções de IA generativa ou baseadas em agentes, como chatbots multimodelo ou fluxos de trabalho orquestrados de LLM.

• Descoberta e avaliação de modelos. Precisa de ser capaz de descobrir, comparar e avaliar modelos de fundação de vários fornecedores.

• Personalização e governação do modelo. Quer afinar, avaliar e implementar modelos de fundação num ambiente gerido que forneça observabilidade incorporada, segurança de conteúdo e controlos em tempo de execução.

A tabela seguinte resume as capacidades do Microsoft Foundry que suportam aplicações de IA generativa e desenvolvimento de agentes.

Foundry Toolkit para Visual Studio Code

O Foundry Toolkit para Visual Studio Code é a principal experiência para programadores do Microsoft Foundry. Usa-o quando quiseres um fluxo de trabalho local-first para aplicações e agentes de IA generativa. O toolkit suporta a descoberta de modelos, execução local de modelos, desenvolvimento de prompts e agentes, integração de ferramentas, depuração, rastreio, avaliação, ajuste fino e implementação no Microsoft Foundry a partir do Visual Studio Code.

Comece no Foundry Toolkit quando a solução precisar de código, controlo de versão, iteração local, inspeção de agentes, integração da ferramenta MCP ou testes de modelos antes da implementação. Use o portal Foundry para exploração de provas de conceito, configuração de projetos, revisão de recursos, avaliação e visibilidade operacional após a execução das aplicações e agentes.

Portal Foundry e Estúdio do Azure Machine Learning

O portal Foundry e o Estúdio do Azure Machine Learning são experiências web complementares. Utilize-os para prototipagem, gestão de projetos e recursos, revisão de avaliação e visibilidade operacional.

A tabela seguinte resume os detalhes centrais da adoção para a Microsoft Foundry.

A Microsoft Foundry não é a melhor opção nas seguintes situações:

• Consome capacidades de IA pré-construídas, como reconhecimento ótico de caracteres (OCR), transcrição de voz para texto, tradução ou moderação de conteúdos através de uma API, e não precisa de seleção de modelos, orquestração ou agentes. Neste caso, usa as Ferramentas de Fundição.

• A sua solução requer treino personalizado de modelos, para machine learning clássico ou deep learning, e capacidades completas de MLOps. Neste caso, use o Azure Machine Learning. A Microsoft Foundry não oferece processamento de treino amplo ou AutoML para dados tabulares.

• A sua solução requer engenharia de dados à escala Spark. Neste caso, use o Azure Databricks ou o Microsoft Fabric.

Ferramentas de Fundição

Foundry Tools, anteriormente Serviços de IA do Azure e Cognitive Services, é uma família de capacidades de IA pré-treinadas que se consomem através de APIs e SDKs REST. Cada ferramenta visa uma capacidade específica, para que possa adicionar funcionalidades inteligentes às aplicações sem construir ou treinar um modelo personalizado. Para ajuda a decidir que serviço utilizar, consulte Escolha uma tecnologia de serviços de IA.

Use as Ferramentas de Fundição nas seguintes situações:

• Uma API pré-treinada cobre o cenário, por isso não precisa de treinar um modelo personalizado.

• Precisa de APIs padrão geridas e integração baseada em APIs com aplicações existentes.

Os seguintes grupos de tabelas são frequentemente usados por área de capacidade. Modelos, agentes e orquestração de IA generativa fazem parte do Microsoft Foundry e estão listados separadamente para referência.

Para comparar os serviços dentro de uma área de capacidade e escolher um, consulte os seguintes guias detalhados de seleção:

• Processamento de imagem e vídeo
• Processamento linguístico direcionado
• Reconhecimento e geração de fala
• Pesquisa vetorial
• Tecnologia de serviços de IA

A tabela seguinte resume os detalhes essenciais da adoção da Foundry Tools.

O Foundry Tools não é a melhor opção na seguinte situação: o seu cenário requer arquiteturas de modelos personalizadas ou dados de treino para além das opções de personalização suportadas. Nestes casos, utilize o Azure Machine Learning para modelos clássicos ou de aprendizagem profunda, ou utilize o Microsoft Foundry para ajustes finos em IA generativa.

Microsoft Fabric

A Microsoft Fabric é uma plataforma unificada de análise baseada em SaaS. Integra engenharia de dados, ciência de dados, armazenamento de dados, inteligência em tempo real e Power BI numa base de dados partilhada OneLake. Engenheiros de dados, cientistas de dados e analistas de negócios que utilizam Microsoft Fabric colaboram no mesmo ambiente gerido.

A carga de trabalho do Microsoft Fabric Data Science é a parte mais relevante para o machine learning. Fornece notebooks Spark, AutoML, uma experiência MLflow incorporada para rastreamento de experiências e um registo de modelos. Para informações detalhadas, consulte O que é Ciência de Dados na Microsoft Fabric?.

Use o Microsoft Fabric quando precisar das seguintes capacidades:

• Aprendizagem automática integrada em analytics. O machine learning faz parte de um fluxo de trabalho analítico mais amplo na sua solução, como construir um modelo com base em dados numa casa de lago e fornecer previsões ao Power BI.

• SaaS totalmente gerido. Queres uma experiência SaaS totalmente gerida com infraestrutura mínima para gerir.

• Base de dados partilhada. A sua equipa trabalha em engenharia de dados, ciência de dados e BI na mesma fundação OneLake.

A tabela seguinte resume as capacidades do Microsoft Fabric mais relevantes para aprendizagem automática integrada em analytics.

A tabela seguinte resume os detalhes centrais da adoção do Microsoft Fabric.

O Microsoft Fabric não é o melhor encaixe na seguinte situação: precisa de deep learning em escala, MLOps abrangente com registos governados, ou controlo de computação detalhado. Nestes casos, complemente o Microsoft Fabric com Azure Machine Learning ou Azure Databricks. A Microsoft Fabric cobre bem aprendizagem automática integrada em análises, mas não substitui uma plataforma dedicada de aprendizagem automática.

Azure Databricks

A Azure Databricks é uma plataforma unificada e aberta de análise para construir, implementar, partilhar e manter dados, análises e soluções de IA. Combina capacidades de data warehousing e data lake numa arquitetura lakehouse e integra-se com o armazenamento e segurança do Azure.

Use o Azure Databricks quando precisar das seguintes capacidades:

• Aprendizagem automática à escala Spark. É preciso correr aprendizagem automática em conjuntos de dados muito grandes ou clusters Spark distribuídos.

• Fluxo de trabalho unificado da casa do lago. Combina engenharia de dados, engenharia de funcionalidades, experimentação e desenvolvimento de modelos num único fluxo de trabalho de lakehouse.

• Operações de aprendizagem automática em produção. Quer implementar, gerir e monitorizar soluções de aprendizagem automática em produção, utilizando endpoints de serviço geridos, fluxos de trabalho automatizados e pipelines MLOps.

• Governação do Catálogo Unity. Queres governar dados, características, modelos e funções no Unity Catalog, que fornece controlo de acesso centralizado e linhagem.

• IA generativa e agentes. Constroem cargas de trabalho de IA generativa e agentes de IA no Azure Databricks, incluindo cenários personalizados e de modelos de fundação.

A tabela seguinte lista capacidades notáveis do Azure Databricks:

A tabela seguinte resume os detalhes centrais da adoção para o Azure Databricks.

O Azure Databricks não é a melhor opção para as seguintes situações:

• A tua equipa não precisa de processamento à escala do Spark. Neste caso, a sobrecarga do cluster pode não ser justificada.

• O teu cenário usa IA puramente orientada por API. Neste caso, o Foundry Tools ou o Microsoft Foundry oferecem um caminho mais direto.

• Precisa de controlos de governação específicos para Azure Machine Learning, capacidades de endpoint ou uma camada de endpoint padronizada entre as equipas. Nestes casos, utilize endpoints geridos pelo Azure Machine Learning num design híbrido.

SQL aplicações inteligentes e aprendizagem automática

A IA SQL na base de dados mantém dados relacionais governados onde já estão e adiciona previsão, recuperação vetorial e integração de endpoints de IA diretamente em Transact-SQL (T-SQL).

Use IA SQL na base de dados nas seguintes situações:

• Os dados devem permanecer dentro da sua base de dados relacional por razões de segurança, privacidade, latência ou regulatórias.

• Precisa de pontuação de baixa latência próxima das transações, como cheques de fraude ou decisões de próxima melhor ação.

• Queres pesquisa vetorial e recuperação diretamente na base de dados para padrões de correspondência RAG e semântica.

• Precisas de invocação nativa da base de dados de endpoints de IA externos a partir do T-SQL para orquestração ou fluxos de trabalho chamáveis por agentes.

A tabela seguinte lista as plataformas e ferramentas atuais:

A tabela seguinte resume os detalhes essenciais da adoção para o machine learning SQL do Azure.

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

• Treino externamente, ponto em SQL. Para formação em grande escala ou deep learning, utilize Azure Machine Learning, Azure Databricks ou Microsoft Fabric para formação. Depois, traz artefactos de inferência de volta para SQL para pontuação dentro da base de dados.

• Treinar na nuvem, implementar bases de dados, prever SQL. Treina externamente, exporta um artefacto de pontuação suportado pela plataforma SQL alvo e depois usa PREDICT para executar previsões em SQL próximas de dados transacionais.

• Gerar embeddings em SQL, chamar endpoints para geração. Para cenários RAG e agentes, gerar embeddings e recuperação vetorial em SQL. Depois, se precisares de geração de respostas, usa sp_invoke_external_rest_endpoint para chamar endpoints de modelos externos a partir do SQL.

Aprendizagem automática Edge, local e on-premises

Para aprendizagem automática que corre fora da cloud, em dispositivos locais, em ambientes offline, embutidos em aplicações ou dentro de infraestruturas on-premises, a Microsoft oferece várias opções.

Use aprendizagem automática edge, local e local quando precisar das seguintes capacidades:

• Inferência local. Para cumprir requisitos de latência, operação offline ou privacidade de dados, o seu cenário precisa de inferência para correr localmente. Por exemplo, soluções de manutenção preditiva em ambientes com conectividade intermitente requerem inferência local.

• A capacidade de incorporar aprendizagem automática em aplicações. Constroem aplicações de ambiente de trabalho ou móveis que precisam de capacidades de aprendizagem automática integradas.

• Execução no local. O seu cenário precisa que a execução por aprendizagem automática permaneça dentro de um ambiente local, como uma implementação local de SQL Server.

A Microsoft oferece estas opções:

• O 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 aplicação Windows e inferência de dispositivos.

• ML.NET é uma framework de aprendizagem automática open source e multiplataforma para programadores de .NET. Suporta carregamento de dados, treino (incluindo AutoML para .NET) e inferência local. Use ML.NET quando a aplicação necessita de treino ou inferência de modelos nativos .NET, incluindo integração com modelos ONNX.

• SQL Server Machine Learning Services suporta formação e pontuação dentro do local SQL Server quando os dados têm de permanecer na camada local de dados.

• Foundry Local é uma solução de inferência de IA integrada no dispositivo que estende o Microsoft Foundry a cenários de borda e offline.

• O Azure Local fornece infraestrutura gerida pelo Azure para máquinas virtuais locais (VMs) e contentores. Utilize-o para alojar componentes de IA na periferia próximos de dados, como cargas de trabalho Foundry Local, componentes de recuperação RAG ou modelos ONNX exportados do Azure Machine Learning.

• O Kubernetes compute for Azure Machine Learning anexa clusters Kubernetes ativados pelo Azure Arc a um espaço de trabalho Azure Machine Learning, de modo que clusters on-premises ou multicloud executem treino e inferência enquanto a orquestração permanece no Azure.

• O Azure IoT Edge implementa modelos de aprendizagem automática containerizada em dispositivos de borda para que a inferência corra localmente.

• O Azure Stack Edge fornece appliances de borda geridos pela Microsoft que pode usar para machine learning acelerado por hardware e cargas de trabalho VM ou containerizadas. Os dispositivos estão disponíveis apenas para cargas de trabalho de parceiros validadas ou implementações de pelo menos 100 nós.

Um padrão típico treina um modelo exportável na cloud usando Azure Machine Learning ou Azure Databricks. O modelo é então convertido para ONNX quando o modelo e o runtime de destino suportam esse formato. Por fim, o modelo é implementado para inferência de edge através do Windows ML, ML.NET, um módulo Azure IoT Edge, Foundry Local ou infraestrutura Azure Local.

Plataformas combinadas

As soluções de produção podem combinar mais do que uma plataforma. O fluxograma anterior neste artigo ajuda-o a escolher uma plataforma inicial principal . Use a tabela seguinte para planear arquiteturas compostas e identificar os componentes Microsoft de suporte que cada cenário normalmente exige.

Plataformas e ferramentas de desenvolvimento

A maioria das equipas utiliza ferramentas de desenvolvimento transversais e serviços de suporte juntamente com a plataforma que escolhem como principal. Estas ferramentas influenciam onde o trabalho de IA e aprendizagem automática é desenvolvido, testado e embalado antes de ser executado. Os serviços de suporte influenciam onde a inferência está alojada ou onde o computo se liga a dados que não podem ser transferidos para uma plataforma cloud gerida.

Esta secção separa as principais ferramentas para programadores, que são as plataformas de desenvolvimento e operação diárias, dos serviços de apoio adjacentes que alojam inferência autogerida, aceleram aprendizagem automática baseada em Spark ou estendem a formação e pontuação para infraestruturas locais.

As seguintes ferramentas suportam o desenvolvimento em plataformas cloud e on-premises.

Os serviços de apoio adjacentes ajudam na experimentação, alojamento de inferência autogerida, aprendizagem automática baseada em Spark ou operação híbrida, mas não são as principais opções de plataforma no fluxo de decisão.

Contribuidores

A Microsoft mantém este artigo. Os seguintes colaboradores escreveram este artigo.

Autor principal:

• Mahdi Setayesh | Engenheiro de Software Principal

Para ver perfis não públicos do LinkedIn, faça login no LinkedIn.

Próximos passos

• O que é Azure Machine Learning?
• Documentação do Microsoft Foundry
• O que é Microsoft Fabric?
• O que são ferramentas de fundição?
• Como funciona o Azure Machine Learning
• IA da Microsoft
• Formação Microsoft Learn para engenheiros de IA e cientistas de dados

Recursos relacionados

• Escolha uma tecnologia de serviços de IA
• Escolha um serviço Azure para pesquisa vetorial
• Visão geral da tecnologia de IA