Introducing G2.ai, the future of software buying.Try now
Confronta Azure Machine Learning e Google Cloud AutoML 
Prodotti in evidenza
Sponsorizzato
Stai vedendo questo annuncio in base alla rilevanza del prodotto per questa pagina. Il contenuto sponsorizzato non riceve un trattamento preferenziale in nessuna delle valutazioni di G2.
Alteryx
Visita il Sito Web
A Colpo d'Occhio
Segmenti di Mercato
Impresa (38.8% delle recensioni)
Piccola Impresa (45.5% delle recensioni)
Prezzo di Ingresso
Nessun prezzo disponibile
Nessun prezzo disponibile
Azure Machine Learning
Valutazione a Stelle
(88)4.3 su 5
Segmenti di Mercato
Impresa (38.8% delle recensioni)
Prezzo di Ingresso
Nessun prezzo disponibile
Scopri di più su Azure Machine LearningGoogle Cloud AutoML
Valutazione a Stelle
(22)4.1 su 5
Segmenti di Mercato
Piccola Impresa (45.5% delle recensioni)
Prezzo di Ingresso
Nessun prezzo disponibile
Scopri di più su Google Cloud AutoMLRiassunto
Riassunto Generato dall'IA
Generato dall'IA. Basato su recensioni di utenti reali.
- Gli utenti segnalano che Azure Machine Learning eccelle in Facilità di Configurazione con un punteggio di 8,4, mentre Google Cloud AutoML è indietro con 7,3. I revisori menzionano che il processo di onboarding semplificato di Azure rende più facile per i team iniziare rapidamente.
- I revisori menzionano che Azure Machine Learning offre una Qualità del Supporto superiore con un punteggio di 8,6 rispetto al 7,6 di Google Cloud AutoML. Gli utenti su G2 apprezzano il servizio clienti reattivo e la documentazione estesa fornita da Azure.
- Gli utenti dicono che Azure Machine Learning brilla in Scalabilità con un punteggio di 8,9, mentre Google Cloud AutoML ottiene 9,2. Tuttavia, i revisori menzionano che l'infrastruttura di Google Cloud consente una più flessibile allocazione delle risorse, rendendolo un forte concorrente per progetti su larga scala.
- Gli utenti di G2 segnalano che le caratteristiche di Sviluppo del Modello di Azure Machine Learning, in particolare i suoi Algoritmi Pre-Costruiti con un punteggio di 8,3, sono robusti, ma il punteggio di 8,2 di Google Cloud AutoML indica che fornisce anche strumenti preziosi per l'addestramento del modello e l'ingegneria delle caratteristiche.
- Gli utenti su G2 evidenziano che le capacità di Ingestione e Manipolazione dei Dati di Azure Machine Learning ottengono un punteggio di 8,7, rendendo più facile preparare i dati per l'analisi. Al contrario, le caratteristiche di Google Cloud AutoML in quest'area sono meno enfatizzate, portando a qualche frustrazione tra gli utenti.
- I revisori menzionano che le opzioni di Distribuzione di Azure Machine Learning, in particolare il suo Servizio Gestito con un punteggio di 8,8, sono user-friendly, mentre le caratteristiche di distribuzione di Google Cloud AutoML, sebbene efficaci, sono percepite come leggermente meno intuitive.
Azure Machine Learning vs Google Cloud AutoML
Quando hanno valutato le due soluzioni, i revisori hanno trovato Google Cloud AutoML più facile da usare. Tuttavia, Azure Machine Learning è più facile da configurare e amministrare. I revisori hanno anche preferito fare affari con Azure Machine Learning in generale.
- I revisori hanno ritenuto che Google Cloud AutoML soddisfi meglio le esigenze della loro azienda rispetto a Azure Machine Learning.
- Quando si confronta la qualità del supporto continuo del prodotto, i revisori hanno ritenuto che Azure Machine Learning sia l'opzione preferita.
- Per gli aggiornamenti delle funzionalità e le roadmap, i nostri revisori hanno preferito la direzione di Azure Machine Learning rispetto a Google Cloud AutoML.
Prezzi
Prezzo di Ingresso
Azure Machine Learning
Nessun prezzo disponibileGoogle Cloud AutoML
Nessun prezzo disponibileProva Gratuita
Azure Machine Learning
Nessuna informazione sulla prova disponibileGoogle Cloud AutoML
Nessuna informazione sulla prova disponibileValutazioni
Soddisfa i requisiti
8.5
81
8.6
14
Facilità d'uso
8.5
80
8.6
14
Facilità di installazione
8.3
57
7.4
11
Facilità di amministrazione
8.3
49
7.9
12
Qualità del supporto
8.6
74
7.5
14
the product è stato un buon partner negli affari?
8.6
47
8.3
11
Direzione del prodotto (% positivo)
9.0
80
8.9
11
Caratteristiche per Categoria
Piattaforme MLOpsNascondi 22 CaratteristicheMostra 22 Caratteristiche
Dati insufficienti
Dati insufficienti
Distribuzione
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Distribuzione
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Gestione
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Operazioni
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Gestione
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Intelligenza Artificiale Generativa
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Piattaforme di Data Science e Machine LearningNascondi 25 CaratteristicheMostra 25 Caratteristiche
8.4
56
Dati insufficienti
Sistema
8.6
22
Dati insufficienti
Sviluppo del Modello
8.6
51
Dati insufficienti
8.9
54
Dati insufficienti
8.3
53
Dati insufficienti
8.7
52
Dati insufficienti
Sviluppo del modello
8.4
21
Dati insufficienti
Servizi di Machine/Deep Learning
8.1
45
Dati insufficienti
7.9
45
Dati insufficienti
7.8
38
Dati insufficienti
8.2
42
Dati insufficienti
Servizi di Machine/Deep Learning
8.7
21
Dati insufficienti
8.5
21
Dati insufficienti
Distribuzione
8.8
50
Dati insufficienti
8.7
51
Dati insufficienti
8.9
51
Dati insufficienti
Intelligenza Artificiale Generativa
8.5
10
Dati insufficienti
8.2
10
Dati insufficienti
7.5
10
Dati insufficienti
Agentic AI - Piattaforme di Scienza dei Dati e Apprendimento Automatico
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Infrastruttura di AI GenerativaNascondi 14 CaratteristicheMostra 14 Caratteristiche
Dati insufficienti
Dati insufficienti
Scalabilità e Prestazioni - Infrastruttura di Intelligenza Artificiale Generativa
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Costo ed Efficienza - Infrastruttura di AI Generativa
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Integrazione ed Estensibilità - Infrastruttura di AI Generativa
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Sicurezza e Conformità - Infrastruttura di Intelligenza Artificiale Generativa
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Usabilità e Supporto - Infrastruttura di AI Generativa
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Operazionalizzazione dei Modelli Linguistici di Grandi Dimensioni (LLMOps)Nascondi 15 CaratteristicheMostra 15 Caratteristiche
Dati insufficienti
Dati insufficienti
Ingegneria dei Prompt - Operazionalizzazione dei Modelli di Linguaggio di Grandi Dimensioni (LLMOps)
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Ottimizzazione dell'Inferenza - Operazionalizzazione dei Modelli Linguistici di Grandi Dimensioni (LLMOps)
Dati insufficienti
Dati insufficienti
Giardino dei Modelli - Operazionalizzazione dei Modelli di Linguaggio di Grandi Dimensioni (LLMOps)
Dati insufficienti
Dati insufficienti
Addestramento personalizzato - Operazionalizzazione di Modelli Linguistici di Grandi Dimensioni (LLMOps)
Dati insufficienti
Dati insufficienti
Sviluppo di Applicazioni - Operazionalizzazione di Modelli di Linguaggio di Grandi Dimensioni (LLMOps)
Dati insufficienti
Dati insufficienti
Distribuzione del Modello - Operazionalizzazione di Modelli di Linguaggio di Grandi Dimensioni (LLMOps)
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Guardrails - Operazionalizzazione dei Modelli Linguistici di Grandi Dimensioni (LLMOps)
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Monitoraggio del Modello - Operazionalizzazione dei Modelli di Linguaggio di Grandi Dimensioni (LLMOps)
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Sicurezza - Operazionalizzazione dei Modelli Linguistici di Grandi Dimensioni (LLMOps)
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Gateway e Router - Operazionalizzazione dei Modelli Linguistici di Grandi Dimensioni (LLMOps)
Dati insufficienti
Dati insufficienti
Piattaforme di Machine Learning a Basso CodiceNascondi 6 CaratteristicheMostra 6 Caratteristiche
Dati insufficienti
Dati insufficienti
Ingestione e Preparazione dei Dati - Piattaforme di Machine Learning a Basso Codice
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Costruzione di Modelli e Automazione - Piattaforme di Machine Learning a Basso Codice
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Dati insufficienti
Categorie
Categorie
Categorie condivise
Azure Machine Learning e Google Cloud AutoML sono categorizzati comePiattaforme di Data Science e Machine Learning e Piattaforme di Machine Learning a Basso Codice
Categorie uniche
Azure Machine Learning è categorizzato comePiattaforme MLOps, Operazionalizzazione dei Modelli Linguistici di Grandi Dimensioni (LLMOps), e Infrastruttura di AI Generativa
Google Cloud AutoML non ha categorie uniche
Recensioni
Dimensione dell'Azienda dei Recensori
Azure Machine Learning
Piccola impresa(50 o meno dip.)
Mid-Market(51-1000 dip.)
Enterprise(> 1000 dip.)
Google Cloud AutoML
Piccola impresa(50 o meno dip.)
Mid-Market(51-1000 dip.)
Enterprise(> 1000 dip.)
Piccola impresa
(50 o meno dip.)
Mid-Market
(51-1000 dip.)
Enterprise
(> 1000 dip.)
Settore dei Recensori
Tecnologia dell'informazione e servizi
28.2%
Software per computer
14.1%
Consulenza di gestione
8.2%
Gestione dell'Istruzione
5.9%
Istruzione Superiore
4.7%
Altro
38.8%
Ricerca
13.6%
Tecnologia dell'informazione e servizi
13.6%
Software per computer
9.1%
Sviluppo del programma
4.5%
Prodotti farmaceutici
4.5%
Altro
54.5%
Alternative
Discussioni
A cosa serve Azure Machine Learning Studio?
1 Commento
AR
In breve, per costruire, distribuire e gestire modelli di alta qualità più velocemente e con fiducia.Leggi di più
Azure Machine Learning non ha più discussioni con risposte
Google Cloud AutoML non ha discussioni con risposte
Cerchi approfondimenti sul software?
Con oltre 3 milioni di recensioni, possiamo fornire i dettagli specifici che ti aiutano a prendere una decisione informata sull'acquisto di software per la tua azienda. Trovare il prodotto giusto è importante, lasciaci aiutarti.
o continua con
Procedendo, accetti i nostri Termini di utilizzo e Informativa sulla privacy
