Fonctionnalités de Azure Machine Learning

Prend en charge les langages de programmation tels que Java, C ou Python. Prend en charge les langages frontaux tels que HTML, CSS et JavaScript

Offre aux développeurs la possibilité de glisser-déposer des morceaux de code ou des algorithmes lors de la création de modèles

Fournit aux utilisateurs des algorithmes prédéfinis pour simplifier le développement de modèles

Fournit de grands ensembles de données pour la formation de modèles individuels

Transforme les données brutes en fonctionnalités qui représentent mieux le problème sous-jacent aux modèles prédictifs

Offre des services de reconnaissance d’images

Offre des services de traitement du langage naturel

Offre des services de génération de langage naturel

Offre des réseaux de neurones artificiels pour les utilisateurs

Offre des services de compréhension du langage naturel

Fournit des capacités d’apprentissage profond

Gère l’application intelligente pour l’utilisateur, réduisant ainsi le besoin d’infrastructure

Permet aux utilisateurs d’insérer l’apprentissage automatique dans les applications d’exploitation

Fournit des applications et une infrastructure d’apprentissage automatique facilement évolutives

Permet aux utilisateurs d’entrer des modèles créés dans une variété de langues.

Permet aux utilisateurs de choisir le framework ou l’atelier de leur choix.

Le contrôle de version des enregistrements en tant que modèles est itéré.

Fournit un moyen de déployer rapidement et efficacement des modèles de machine learning.

Offre un moyen d’adapter l’utilisation des modèles d’apprentissage automatique à l’échelle d’une entreprise.

Permet aux utilisateurs d’entrer des modèles créés dans une variété de langues.

Permet aux utilisateurs de choisir le framework ou l’atelier de leur choix.

Le contrôle de version des enregistrements en tant que modèles est itéré.

Fournit un moyen de déployer rapidement et efficacement des modèles de machine learning.

Offre un moyen d’adapter l’utilisation des modèles d’apprentissage automatique à l’échelle d’une entreprise.

Enregistre et organise tous les modèles de machine learning qui ont été déployés dans l’ensemble de l’entreprise.

Suit les performances et la précision des modèles d’apprentissage automatique.

Provisionne les utilisateurs en fonction de l’autorisation de déployer et d’itérer sur des modèles Machine Learning.

Permet aux utilisateurs de gérer les artefacts de modèle et de suivre les modèles déployés en production.

Enregistre et organise tous les modèles de machine learning qui ont été déployés dans l’ensemble de l’entreprise.

Suit les performances et la précision des modèles d’apprentissage automatique.

Provisionne les utilisateurs en fonction de l’autorisation de déployer et d’itérer sur des modèles Machine Learning.

Permet à l’utilisateur d’importer diverses sources de données pour une utilisation immédiate

Contrôler l’utilisation et les performances du modèle en production

Déployez des applications ML stratégiques où et quand vous en avez besoin

Comparez facilement les expériences (code, hyperparamètres, métriques, prédictions, dépendances, métriques système, etc.) pour comprendre les différences de performances du modèle.

Permet aux utilisateurs de générer du texte à partir d’une invite texte.

Condense les longs documents ou textes en un bref résumé.

Permet aux utilisateurs de générer du texte à partir d’une invite texte.

Condense les longs documents ou textes en un bref résumé.

Permet de générer des images à partir d’une invite texte.

Garantit que le service est fiable et disponible en cas de besoin, minimisant ainsi les temps d’arrêt et les interruptions de service.

Permet à l’utilisateur de mettre à l’échelle efficacement l’entraînement des modèles, ce qui facilite le traitement de jeux de données plus volumineux et de modèles plus complexes.

Permet à l’utilisateur d’obtenir des réponses rapides et à faible latence pendant la phase d’inférence, ce qui est essentiel pour les applications en temps réel.

Offre à l’utilisateur un modèle de tarification transparent pour les appels d’API, ce qui permet une meilleure planification budgétaire et un meilleur contrôle des coûts.

Permet à l’utilisateur d’allouer des ressources de calcul en fonction de la demande, ce qui le rend rentable.

Permet à l’utilisateur de minimiser la consommation d’énergie pendant l’entraînement et l’inférence, ce qui devient de plus en plus important pour des opérations durables.

Offre à l’utilisateur la possibilité de déployer sur plusieurs fournisseurs de cloud, réduisant ainsi le risque de dépendance vis-à-vis d’un fournisseur.

Permet à l’utilisateur de se connecter de manière transparente à diverses sources de données et pipelines, simplifiant ainsi l’ingestion et le prétraitement des données.

Permet à l’utilisateur d’intégrer facilement les modèles d’IA générative dans les flux de travail et les systèmes existants via des API.

Aide l’utilisateur à maintenir la conformité avec le RGPD et d’autres réglementations en matière de protection des données, ce qui est crucial pour les entreprises opérant à l’échelle mondiale.

Permet à l’utilisateur de configurer des contrôles d’accès en fonction des rôles au sein de l’organisation, ce qui renforce la sécurité.

Garantit que les données sont chiffrées pendant le transit et au repos, offrant ainsi une couche de sécurité supplémentaire.

Fournit à l’utilisateur une documentation complète et claire, ce qui accélère l’adoption et le dépannage.

Permet à l’utilisateur d’évaluer le niveau de support de la communauté et les extensions tierces disponibles, ce qui peut être utile pour résoudre des problèmes et étendre les fonctionnalités.

Les utilisateurs ont la possibilité de tester et d'optimiser les invites pour améliorer la qualité et l'efficacité des sorties de LLM.

Les utilisateurs disposent d'une collection de modèles de prompts réutilisables pour diverses tâches de LLM afin d'accélérer le développement et de standardiser les résultats.

Offre des outils aux utilisateurs pour comparer plusieurs LLM côte à côte en fonction des métriques de performance, de vitesse et de précision.

fournit aux utilisateurs une interface conviviale pour le réglage fin des LLMs sur leurs ensembles de données spécifiques, permettant une meilleure adéquation avec les besoins commerciaux.

Les utilisateurs disposent d'outils pour intégrer la fonctionnalité LLM dans leurs applications existantes via des SDK et des API, simplifiant ainsi le développement.

Offre aux utilisateurs la capacité de déployer des modèles rapidement dans des environnements de production avec un minimum d'effort et de configuration.

Les utilisateurs disposent d'outils pour ajuster automatiquement les ressources LLM en fonction de la demande, garantissant une utilisation efficace et rentable.

Les utilisateurs ont la possibilité de définir des limites et des filtres pour empêcher les sorties inappropriées ou sensibles du LLM.

Offre aux utilisateurs des outils pour garantir que leurs LLM respectent les normes de conformité telles que le RGPD, la HIPAA et d'autres réglementations, réduisant ainsi les risques et la responsabilité.

Les utilisateurs reçoivent des notifications lorsque la performance du LLM s'écarte de manière significative des normes attendues, indiquant un potentiel dérive du modèle ou des problèmes de données.

Les utilisateurs bénéficient d'informations en temps réel sur la précision du modèle, la latence et l'interaction utilisateur, les aidant à identifier et à résoudre les problèmes rapidement.

Les utilisateurs disposent de capacités de chiffrement pour les données en transit et au repos, garantissant une communication et un stockage sécurisés lors de l'utilisation des LLM.

Offre aux utilisateurs des outils pour définir des autorisations d'accès pour différents rôles, garantissant que seul le personnel autorisé peut interagir avec ou modifier les ressources LLM.

Les utilisateurs disposent d'un middleware pour acheminer efficacement les requêtes vers le LLM approprié en fonction de critères tels que le coût, la performance ou des cas d'utilisation spécifiques.

Les utilisateurs disposent d'outils pour traiter plusieurs entrées en parallèle, améliorant ainsi la vitesse d'inférence et la rentabilité pour les scénarios à forte demande.

Capacité à effectuer des tâches complexes sans intervention humaine constante

Capacité à décomposer et planifier des processus en plusieurs étapes

Fonctionne sur plusieurs systèmes logiciels ou bases de données

Améliore la performance en fonction des retours et de l'expérience

Engage dans une conversation semblable à celle des humains pour la délégation de tâches

Anticipe les besoins et offre des suggestions sans être sollicité

Faites des choix éclairés en fonction des données disponibles et des objectifs

Analyse les ensembles de données entrants pour détecter automatiquement les valeurs manquantes, les distributions, les valeurs aberrantes et les problèmes de qualité des données.

Permet aux utilisateurs d'ingérer des données provenant de sources diverses (bases de données, API, stockage cloud, feuilles de calcul) sans codage personnalisé

Alerte automatiquement les utilisateurs lorsque le schéma des données entrantes dévie de la structure attendue au fil du temps

Suggère ou sélectionne automatiquement des algorithmes candidats et des hyperparamètres en fonction des caractéristiques du jeu de données

Permet aux utilisateurs d'insérer du code personnalisé (par exemple, Python, R, SQL) ou des modules personnalisés dans les étapes du pipeline pour plus de flexibilité

Propose ou applique automatiquement des caractéristiques dérivées pour améliorer les performances du modèle