Estúdio de IA ou Azure Machine Learning: qual experiência devo escolher?
Este artigo ajuda você a entender quando usar o Estúdio de IA do Azure versus Azure Machine Learning. Embora haja uma certa sobreposição na funcionalidade em cada experiência, este artigo fornece uma visão geral de seus recursos e os cenários de desenvolvimento mais adequados para cada plataforma.
Estúdio de IA do Azure
O Estúdio de IA do Azure é uma plataforma unificada para desenvolver e implantar aplicativos de IA generativa e APIs da IA do Azure de forma responsável. Ele inclui um excelente conjunto de recursos de IA, uma interface de usuário simplificada e experiências que priorizam o código, oferecendo um espaço para criar, testar, implantar e gerenciar soluções inteligentes, tudo em um só local.
O Estúdio de IA é ideal para você?
O Estúdio de IA do Azure foi projetado para ajudar desenvolvedores e cientistas de dados a criar e implantar aplicativos de IA generativa com eficiência com a potência das amplas ofertas de IA do Azure.
Principais recursos do Estúdio de IA do Azure
- Compile juntos como uma equipe. Seu hub do Estúdio de IA fornece segurança de nível empresarial e um ambiente colaborativo com conexões e arquivos compartilhados com modelos, dados e computação pré-treinados.
- Organize seu trabalho. Seu projeto do Estúdio de IA ajuda você a salvar o estado, permitindo iterar da primeira ideia para o primeiro protótipo e, em seguida, o primeiro desenvolvimento de produção. Também convide facilmente outras pessoas para colaborar ao longo dessa jornada.
- Use sua plataforma e estruturas de desenvolvimento preferidas, como GitHub, Visual Studio Code, LangChain, Semantic Kernel, AutoGen, entre outras.
- Descubra e avalie o desempenho de mais de 1.600 modelos.
- Provisione MaaS (modelos como serviço) por meio de APIs sem servidor e ajuste hospedado.
- Incorpore vários modelos, fontes de dados e modalidades.
- Construa RAG (Geração Aumentada de Recuperação) utilizando seus dados corporativos protegidos sem a necessidade de ajuste fino.
- Orquestre e gerencie fluxos de prompts, engenharia e LLM (grande modelo de linguagem).
- Projete e proteja aplicativos e APIs com filtros e controles configuráveis.
- Avalie as respostas do modelo com fluxos de avaliação integrados e personalizados.
- Implante inovações de IA na infraestrutura gerenciada do Azure com monitoramento e governança contínuos em ambientes.
- Monitore continuamente a segurança, a qualidade e o consumo de tokens na produção dos aplicativos implantados.
Estúdio do Azure Machine Learning
O Estúdio do Azure Machine Learning é uma plataforma de aprendizado de máquina gerenciada de ponta a ponta para criar, ajustar, implantar e operar modelos do Azure Machine Learning, com responsabilidade em grande escala.
O Estúdio do Azure Machine Learning é a opção certa para você?
O Azure Machine Learning foi projetado para engenheiros de machine learning e cientistas de dados.
Principais funcionalidades do Estúdio do Azure Machine Learning
- Crie e treine o modelo do Azure Machine Learning com qualquer tipo de computação, incluindo Spark e GPUs para cargas de trabalho de IA grandes em escala de nuvem.
- Execute o AutoML (Azure Machine Learning) automatizado e a interface do usuário do tipo "arrastar e soltar" para o Azure Machine Learning de low-code.
- Implemente Azure Machine LearningOps de ponta a ponta e pipelines repetíveis do Azure Machine Learning.
- Use o painel de IA responsável para detecção de desvios e análise de erros.
- Orquestre e gerencie fluxos de engenharia e LLM de prompt.
- Implante modelos com pontos de extremidade da API REST, inferência em tempo real e em lote.
Comparação detalhada de recursos
A tabela a seguir compara os principais recursos do Estúdio de IA do Azure e do Estúdio do Azure Machine Learning:
| Categoria | Recurso | Estúdio de IA do Azure | Estúdio do Azure Machine Learning |
|---|---|---|---|
| Armazenamento de dados | Solução de armazenamento | Não | Sim, com integração do sistema de arquivos na nuvem, integração do OneLake no Fabric e contas de armazenamento do Azure. |
| Preparação de dados | Integração de dados ao armazenamento | Sim, com o armazenamento de blobs, Onelake, ADLS (Azure Data Lake Storage) com suporte no índice. | Sim, por meio de cópia e montagem com Contas de Armazenamento do Azure. |
| Estruturação de dados | Não | Sim, no código. | |
| Rotulagem de dados | Não | Sim, com identificação de objetos, segmentação de instâncias, segmentação semântica, NER (reconhecimento de entidade nomeada) de texto, integração com ferramentas e serviços de rotulagem 3P. | |
| Repositório de recursos | Não | Sim | |
| Linhagem de dados e rótulos | Não | Sim | |
| Cargas de trabalho do Spark | Não | Sim | |
| Cargas de trabalho de orquestração de dados | Não | Não, embora os pipelines anexados do Spark e do Azure Machine Learning estejam disponíveis. | |
| Desenvolvimento e treinamento de modelos | Ferramenta que prioriza o código para cientista de dados. | Sim, com o VS Code. | Sim, com o Notebooks, Jupyter, VS Code, R Studio integrados. |
| Idiomas | Somente Python. | Python (experiência completa), R, Scala, Java (experiência limitada). | |
| Acompanhar, monitorar e avaliar experimentos | Sim, mas apenas para execuções de prompt flow. | Sim, para todos os tipos de execução. | |
| Ferramentas de criação de pipeline de ML | Não | Sim, com o designer, a ferramenta de criação visual e o SDK/CLI/API. | |
| AutoML | Não | Sim, para classificação, regressão, previsão de série temporal, pesquisa visual computacional e NLP (processamento de linguagem natural). | |
| Destinos de computação para treinamento | Sem servidor apenas para instâncias de computação de MaaS e runtime sem servidor para prompt flow. | Clusters do Spark, clusters do Azure Machine Learning (MPI) e Azure Arc sem servidor. | |
| Treine e ajuste LLMs (grandes modelos de linguagem) e modelos fundamentais | Limitado ao catálogo de modelos. | Sim, com o treinamento distribuído baseado no MPI e o catálogo de modelos. | |
| Avalie e depure modelos do Azure Machine Learning quanto à imparcialidade e explicabilidade. | Não | Sim, com o painel integrado de IA responsável. | |
| IA generativa/LLM | Catálogo de LLM | Sim, por meio do catálogo de modelos, LLMs do Azure OpenAI, Hugging Face e Meta. | Sim, por meio de LLMs de catálogo de modelos do Azure OpenAI, Hugging Face e Meta. |
| RAG (chat empresarial) | Sim | Sim, por meio do prompt flow. | |
| Filtragem de conteúdo de LLM | Sim, por meio da segurança do conteúdo de IA. | Sim, por meio da segurança do conteúdo de IA. | |
| Prompt flow | Sim | Sim | |
| Placar de líderes/benchmarks | Sim | No | |
| Exemplos de prompts | Sim | No | |
| Fluxo de trabalho de LLM/LLMOps/MLOps | Playground | Sim | No |
| Experimentar e testar prompts | Sim, por meio de playground, cartão de modelo e prompt flow. | Sim, por meio de cartão modelo e prompt flow. | |
| Desenvolver fluxo de trabalho | Sim, por meio do prompt flow, integração com LangChain e Semantic Kernel. | Sim, por meio do prompt flow, integração com LangChain e Semantic Kernel. | |
| Implantar o fluxo de trabalho como ponto de extremidade | Sim, por meio do prompt flow. | Sim, por meio do prompt flow. | |
| Controle de versão do flow | Sim, por meio do prompt flow. | Sim, por meio do prompt flow. | |
| Avaliação integrada | Sim, por meio do prompt flow. | Sim, por meio do prompt flow. | |
| Integração do Git | Sim | Sim | |
| CI/CD | Sim, por meio de experiências que priorizam o código no prompt flow, integradas ao Azure DevOps e ao GitHub. | Sim, por meio de experiências que priorizam o código no prompt flow, integradas ao Azure DevOps e ao GitHub. | |
| Registro de modelo | Não | Sim, através do MIFlow e registros. | |
| Registro do modelo da organização | Não | Sim, por meio de registros. | |
| Implantação de modelo | Opções de implantação para serviço em tempo real | Pontos de extremidade on-line de MaaS (modelos como serviço) para o catálogo MaaP. | Não |
| Opções de implantação para serviço em lote | Não | Pontos de extremidade em lote, suporte ao Azure Arc gerenciado e não gerenciado. | |
| Segurança do Enterprise | Hub de IA | Sim, gerencie e controle os ativos de IA. | Sim, para o Azure Machine Learning clássico e LLMs. |
| Rede privada | Sim | Sim | |
| Prevenção de perda de dados | Sim | Sim | |
| Classificação de dados | Não | Sim, por meio do Purview. |