Introducera Azure Machine Learning Service

Azure Machine Learning är en molntjänst för att påskynda och hantera hela livscykeln för maskininlärningsprojekt (ML).

ML-experter, dataforskare och ingenjörer kan använda den i sina dagliga arbetsflöden för att:

• Träna och distribuera modeller.
• Hantera maskininlärningsoperationer (MLOps).
• Du kan skapa en modell i Azure Machine Learning eller använda en modell som byggts med en öppen källkodsplattform, som PyTorch, TensorFlow eller scikit-learn.
• MLOps-verktyg hjälper dig att övervaka, träna om och distribuera modeller på nytt.

Vem är Azure Machine Learning för?

Dataforskare och ML-ingenjörer

De kan använda verktyg för att påskynda och automatisera sina dagliga arbetsflöden.
Azure ML erbjuder funktioner för rättvisa, förklarbarhet, spårning och granskbarhet.

Applikationsutvecklare:
De kan sömlöst integrera modeller i applikationer eller tjänster.

Plattformsutvecklare

De har tillgång till ett kraftfullt verktygspaket som stöds av robusta Azure Resource Manager-API:er.
Dessa verktyg möjliggör utveckling av avancerade ML-verktyg.

Företag

Genom att arbeta i Microsoft Azures moln drar företag nytta av välkänd säkerhet och rollbaserad åtkomstkontroll.
Sätt upp projekt för att styra åtkomst till skyddad data och specifika operationer.

Produktivitet för hela teamet

ML-projekt kräver ofta ett team med varierande kompetenser för att bygga och underhålla.

Azure ML erbjuder verktyg som gör det möjligt att:

• Samarbeta med ditt team via delade notebooks, beräkningsresurser, serverlös beräkning, data och miljöer.
• Utveckla modeller med fokus på rättvisa, förklarbarhet, spårning och granskbarhet för att uppfylla krav på härstamning och revision.
• Distribuera ML-modeller snabbt och enkelt i stor skala, samt effektivt hantera och styra dem med MLOps.
• Köra maskininlärningsarbetsbelastningar var som helst med inbyggd styrning, säkerhet och efterlevnad.

Plattformverktyg med bred kompatibilitet

Alla i ett ML-team kan använda sina föredragna verktyg för att utföra arbetet.
Oavsett om du kör snabba experiment, hyperparameterjustering, bygger pipelines eller hanterar inferenser kan du använda välbekanta gränssnitt som:

• Azure Machine Learning Studio
• Python SDK (v2)
• Azure CLI (v2)
• Azure Resource Manager REST API:er

När du förfinar modeller och samarbetar under hela utvecklingscykeln kan du dela och hitta tillgångar, resurser och mätvärden inom Azure Machine Learning Studio UI.

LLM/SLM i Azure ML

Azure ML har lagt till många funktioner relaterade till LLM/SLM, som kombinerar LLMOps och SLMOps för att skapa en företagsomfattande plattform för generativ artificiell intelligens.

Model Catalog

Företagsanvändare kan distribuera olika modeller beroende på olika affärsscenarier via Model Catalog, och erbjuda tjänster som Model as Service för företagsutvecklare eller användare att få tillgång till.

Model Catalog i Azure Machine Learning Studio är navet för att upptäcka och använda ett brett utbud av modeller som gör det möjligt att bygga generativa AI-applikationer. Model Catalog innehåller hundratals modeller från leverantörer som Azure OpenAI service, Mistral, Meta, Cohere, Nvidia, Hugging Face, inklusive modeller tränade av Microsoft. Modeller från andra leverantörer än Microsoft är Non-Microsoft Products, enligt Microsofts produktvillkor, och omfattas av de villkor som medföljer modellen.

Job Pipeline

Kärnan i en maskininlärningspipeline är att dela upp en komplett maskininlärningsuppgift i ett arbetsflöde med flera steg. Varje steg är en hanterbar komponent som kan utvecklas, optimeras, konfigureras och automatiseras individuellt. Stegen kopplas samman via väldefinierade gränssnitt. Azure Machine Learning pipeline-tjänst orkestrerar automatiskt alla beroenden mellan pipeline-stegen.

Vid finjustering av SLM / LLM kan vi hantera våra data, träning och genereringsprocesser via Pipeline.

Prompt flow

Fördelar med att använda Azure Machine Learning prompt flow
Azure Machine Learning prompt flow erbjuder en rad fördelar som hjälper användare att gå från idé till experiment och slutligen till produktionsklara LLM-baserade applikationer:

Prompt engineering-agilitet

Interaktivt författargränssnitt: Azure Machine Learning prompt flow ger en visuell representation av flödets struktur, vilket gör det enkelt för användare att förstå och navigera i sina projekt. Det erbjuder också en notebook-liknande kodningsupplevelse för effektiv utveckling och felsökning av flöden.
Varianter för promptjustering: Användare kan skapa och jämföra flera promptvarianter, vilket underlättar en iterativ förfiningsprocess.

Utvärdering: Inbyggda utvärderingsflöden gör det möjligt för användare att bedöma kvaliteten och effektiviteten hos sina prompts och flöden.

Omfattande resurser: Azure Machine Learning prompt flow inkluderar ett bibliotek med inbyggda verktyg, exempel och mallar som fungerar som en startpunkt för utveckling, inspirerar kreativitet och påskyndar processen.

Företagsberedskap för LLM-baserade applikationer

Samarbete: Azure Machine Learning prompt flow stödjer teamarbete, vilket gör det möjligt för flera användare att arbeta tillsammans på prompt engineering-projekt, dela kunskap och upprätthålla versionskontroll.

Allt-i-ett-plattform: Azure Machine Learning prompt flow effektiviserar hela prompt engineering-processen, från utveckling och utvärdering till distribution och övervakning. Användare kan enkelt distribuera sina flöden som Azure Machine Learning-endpoints och övervaka deras prestanda i realtid, vilket säkerställer optimal drift och kontinuerlig förbättring.

Azure Machine Learning Enterprise Readiness Solutions: Prompt flow utnyttjar Azure Machine Learnings robusta lösningar för företagsberedskap, vilket ger en säker, skalbar och pålitlig grund för utveckling, experiment och distribution av flöden.

Med Azure Machine Learning prompt flow kan användare frigöra sin prompt engineering-agilitet, samarbeta effektivt och använda företagsklassade lösningar för framgångsrik utveckling och distribution av LLM-baserade applikationer.

Genom att kombinera beräkningskraft, data och olika komponenter i Azure ML kan företagsutvecklare enkelt bygga sina egna AI-applikationer.

Ansvarsfriskrivning:
Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, vänligen observera att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår vid användning av denna översättning.