Recursos de Azure Machine Learning

Suporta linguagens de programação como Java, C ou Python. Suporta linguagens front-end, como HTML, CSS e JavaScript

Oferece a capacidade de os desenvolvedores arrastarem e soltarem partes de código ou algoritmos ao criar modelos

Fornece aos usuários algoritmos pré-construídos para um desenvolvimento de modelo mais simples

Fornece grandes conjuntos de dados para treinamento de modelos individuais

Transforma dados brutos em recursos que representam melhor o problema subjacente aos modelos preditivos

Oferece serviços de reconhecimento de imagem

Oferece serviços de processamento de linguagem natural

Oferece serviços de geração de linguagem natural

Oferece redes neurais artificiais para usuários

Oferece serviços de compreensão de linguagem natural

Fornece recursos de aprendizado profundo

Gerencia a aplicação inteligente para o usuário, reduzindo a necessidade de infraestrutura

Permite que os usuários insiram aprendizado de máquina em aplicativos operacionais

Fornece aplicativos e infraestrutura de aprendizado de máquina facilmente dimensionados

Permite que os usuários insiram modelos construídos em uma variedade de idiomas.

Permite que os usuários escolham a estrutura ou bancada de sua preferência.

O controle de versão de registros como modelos é iterado.

Fornece uma maneira de implantar modelos de aprendizado de máquina de forma rápida e eficiente.

Oferece uma maneira de dimensionar o uso de modelos de aprendizado de máquina em toda a empresa.

Permite que os usuários insiram modelos construídos em uma variedade de idiomas.

Permite que os usuários escolham a estrutura ou bancada de sua preferência.

O controle de versão de registros como modelos é iterado.

Fornece uma maneira de implantar modelos de aprendizado de máquina de forma rápida e eficiente.

Oferece uma maneira de dimensionar o uso de modelos de aprendizado de máquina em toda a empresa.

Registra e organiza todos os modelos de aprendizado de máquina que foram implantados em toda a empresa.

Rastreia o desempenho e a precisão dos modelos de aprendizado de máquina.

Provisiona usuários com base na autorização para implantar e iterar em modelos de aprendizado de máquina.

Permite que os usuários gerenciem artefatos de modelo e rastreiem quais modelos são implantados na produção.

Registra e organiza todos os modelos de aprendizado de máquina que foram implantados em toda a empresa.

Rastreia o desempenho e a precisão dos modelos de aprendizado de máquina.

Provisiona usuários com base na autorização para implantar e iterar em modelos de aprendizado de máquina.

Dá ao usuário a capacidade de importar uma variedade de fontes de dados para uso imediato

Controle o uso e o desempenho do modelo na produção

Implante aplicativos de ML de missão crítica onde e quando precisar deles

Compare facilmente experimentos — código, hiperparâmetros, métricas, previsões, dependências, métricas do sistema e muito mais — para entender as diferenças no desempenho do modelo.

Permite que os usuários gerem texto com base em um prompt de texto.

Condensa documentos longos ou texto em um breve resumo.

Permite que os usuários gerem texto com base em um prompt de texto.

Condensa documentos longos ou texto em um breve resumo.

Fornece a capacidade de gerar imagens a partir de um prompt de texto.

Garante que o serviço seja confiável e esteja disponível quando necessário, minimizando o tempo de inatividade e as interrupções de serviço.

Permite que o usuário dimensione o treinamento de modelos de forma eficiente, facilitando o tratamento com conjuntos de dados maiores e modelos mais complexos.

Fornece ao usuário a capacidade de obter respostas rápidas e de baixa latência durante o estágio de inferência, o que é crítico para aplicativos em tempo real.

Oferece ao usuário um modelo de precificação transparente para chamadas de API, possibilitando melhor planejamento orçamentário e controle de custos.

Fornece ao usuário a capacidade de alocar recursos computacionais com base na demanda, tornando-o econômico.

Permite que o usuário minimize o uso de energia durante o treinamento e a inferência, o que está se tornando cada vez mais importante para operações sustentáveis.

Oferece ao usuário a flexibilidade de implantar em vários provedores de nuvem, reduzindo o risco de bloqueio do fornecedor.

Fornece ao usuário a capacidade de se conectar perfeitamente com várias fontes de dados e pipelines, simplificando a ingestão e o pré-processamento de dados.

Permite que o usuário integre facilmente os modelos de IA generativa em fluxos de trabalho e sistemas existentes por meio de APIs.

Ajuda o usuário a manter a conformidade com o GDPR e outros regulamentos de proteção de dados, o que é crucial para empresas que operam globalmente.

Permite que o usuário configure controles de acesso com base em funções dentro da organização, aumentando a segurança.

Garante que os dados sejam criptografados durante o trânsito e em repouso, fornecendo uma camada adicional de segurança.

Fornece ao usuário uma documentação abrangente e clara, auxiliando na adoção e solução de problemas mais rápidas.

Permite que o usuário avalie o nível de suporte da comunidade e extensões de terceiros disponíveis, o que pode ser útil para a solução de problemas e extensão da funcionalidade.

Os usuários têm a capacidade de testar e otimizar prompts para melhorar a qualidade e a eficiência da saída do LLM.

Oferece aos usuários uma coleção de modelos de prompt reutilizáveis para várias tarefas de LLM para acelerar o desenvolvimento e padronizar a saída.

Oferece ferramentas para os usuários compararem múltiplos LLMs lado a lado com base em métricas de desempenho, velocidade e precisão.

Oferece aos usuários uma interface amigável para ajuste fino de LLMs em seus conjuntos de dados específicos, permitindo melhor alinhamento com as necessidades empresariais.

Fornece aos usuários ferramentas para integrar a funcionalidade LLM em seus aplicativos existentes por meio de SDKs e APIs, simplificando o desenvolvimento.

Oferece aos usuários a capacidade de implantar modelos rapidamente em ambientes de produção com esforço e configuração mínimos.

Fornece aos usuários ferramentas para escalar automaticamente os recursos de LLM com base na demanda, garantindo uso eficiente e rentabilidade.

Os usuários têm a capacidade de definir limites e filtros para evitar saídas inadequadas ou sensíveis do LLM.

Oferece aos usuários ferramentas para garantir que seus LLMs estejam em conformidade com padrões como GDPR, HIPAA e outras regulamentações, reduzindo riscos e responsabilidades.

Os usuários recebem notificações quando o desempenho do LLM se desvia significativamente das normas esperadas, indicando potencial desvio do modelo ou problemas de dados.

Fornece aos usuários insights ao vivo sobre a precisão do modelo, latência e interação do usuário, ajudando-os a identificar e resolver problemas prontamente.

Fornece aos usuários capacidades de criptografia para dados em trânsito e em repouso, garantindo comunicação e armazenamento seguros ao trabalhar com LLMs.

Oferece aos usuários ferramentas para definir permissões de acesso para diferentes funções, garantindo que apenas o pessoal autorizado possa interagir ou modificar os recursos LLM.

Fornece aos usuários um middleware para encaminhar solicitações de forma eficiente ao LLM apropriado com base em critérios como custo, desempenho ou casos de uso específicos.

Os usuários têm ferramentas para processar múltiplas entradas em paralelo, melhorando a velocidade de inferência e a relação custo-benefício para cenários de alta demanda.

Capacidade de realizar tarefas complexas sem a necessidade constante de intervenção humana

Capacidade de decompor e planejar processos em várias etapas

Funciona em vários sistemas de software ou bancos de dados

Melhora o desempenho com base no feedback e na experiência

Engaja-se em conversas semelhantes às humanas para delegação de tarefas

Antecipe necessidades e ofereça sugestões sem ser solicitado

Tome decisões informadas com base nos dados disponíveis e nos objetivos

Analisa conjuntos de dados recebidos para identificar automaticamente valores ausentes, distribuições, outliers e problemas de qualidade de dados

Permite que os usuários ingiram dados de diversas fontes (bancos de dados, APIs, armazenamento em nuvem, planilhas) sem codificação personalizada

Alerta automaticamente os usuários quando o esquema dos dados recebidos se desvia da estrutura esperada ao longo do tempo

Sugere ou seleciona automaticamente algoritmos candidatos e hiperparâmetros com base nas características do conjunto de dados

Permite que os usuários insiram código personalizado (por exemplo, Python, R, SQL) ou módulos personalizados em etapas do pipeline para flexibilidade

Propõe ou aplica automaticamente características derivadas para melhorar o desempenho do modelo