Azure Machine Learning is een cloudservice die het machine learning (ML) projecttraject versnelt en beheert.
ML-professionals, datawetenschappers en engineers kunnen het in hun dagelijkse workflows gebruiken om:
- Modellen te trainen en te implementeren.
- Machine learning operaties (MLOps) te beheren.
- Je kunt een model maken in Azure Machine Learning of een model gebruiken dat is gebouwd met een open-source platform, zoals PyTorch, TensorFlow of scikit-learn.
- MLOps-tools helpen je bij het monitoren, opnieuw trainen en opnieuw implementeren van modellen.
Datawetenschappers en ML Engineers
Zij kunnen tools gebruiken om hun dagelijkse workflows te versnellen en te automatiseren.
Azure ML biedt functies voor eerlijkheid, uitlegbaarheid, tracking en controleerbaarheid.
Applicatieontwikkelaars:
Zij kunnen modellen naadloos integreren in applicaties of diensten.
Platformontwikkelaars
Zij hebben toegang tot een robuuste set tools ondersteund door duurzame Azure Resource Manager API’s.
Deze tools maken het mogelijk om geavanceerde ML-tools te bouwen.
Ondernemingen
Door te werken in de Microsoft Azure-cloud profiteren ondernemingen van vertrouwde beveiliging en rolgebaseerde toegangscontrole.
Stel projecten in om toegang tot beschermde data en specifieke handelingen te regelen.
ML-projecten vereisen vaak een team met diverse vaardigheden om te bouwen en te onderhouden.
Azure ML biedt tools waarmee je kunt:
- Samenwerken met je team via gedeelde notebooks, compute-resources, serverloze compute, data en omgevingen.
- Modellen ontwikkelen met eerlijkheid, uitlegbaarheid, tracking en controleerbaarheid om te voldoen aan herkomst- en auditvereisten.
- ML-modellen snel en eenvoudig op schaal implementeren, beheren en besturen met MLOps.
- Machine learning workloads overal uitvoeren met ingebouwde governance, beveiliging en compliance.
Iedereen in een ML-team kan zijn favoriete tools gebruiken om het werk gedaan te krijgen.
Of je nu snelle experimenten uitvoert, hyperparameter tuning doet, pijplijnen bouwt of inferenties beheert, je kunt vertrouwde interfaces gebruiken zoals:
- Azure Machine Learning Studio
- Python SDK (v2)
- Azure CLI (v2)
- Azure Resource Manager REST API’s
Terwijl je modellen verfijnt en samenwerkt gedurende de ontwikkelingscyclus, kun je assets, resources en metrics delen en vinden binnen de Azure Machine Learning studio UI.
Azure ML heeft veel functies toegevoegd die te maken hebben met LLM/SLM, waarbij LLMOps en SLMOps worden gecombineerd om een generatief AI-technologieplatform voor de hele onderneming te creëren.
Enterprise-gebruikers kunnen via de Modelcatalogus verschillende modellen inzetten voor uiteenlopende zakelijke scenario’s, en bieden Model as a Service aan voor enterprise-ontwikkelaars of gebruikers om toegang te krijgen.
De Modelcatalogus in Azure Machine Learning studio is het centrum om een breed scala aan modellen te ontdekken en te gebruiken waarmee je Generatieve AI-toepassingen kunt bouwen. De modelcatalogus bevat honderden modellen van modelproviders zoals Azure OpenAI service, Mistral, Meta, Cohere, Nvidia, Hugging Face, inclusief modellen die door Microsoft zijn getraind. Modellen van andere aanbieders dan Microsoft zijn Non-Microsoft Products, zoals gedefinieerd in de Productvoorwaarden van Microsoft, en vallen onder de voorwaarden die bij het model horen.
De kern van een machine learning pijplijn is het opdelen van een complete machine learning taak in een meerstaps workflow. Elke stap is een beheersbaar onderdeel dat afzonderlijk ontwikkeld, geoptimaliseerd, geconfigureerd en geautomatiseerd kan worden. Stappen zijn verbonden via goed gedefinieerde interfaces. De Azure Machine Learning pipeline service orkestreert automatisch alle afhankelijkheden tussen de pijplijnstappen.
Bij het fijn afstemmen van SLM / LLM kunnen we onze data, training en generatieprocessen beheren via Pipeline.
Voordelen van het gebruik van Azure Machine Learning prompt flow
Azure Machine Learning prompt flow biedt diverse voordelen die gebruikers helpen van idee naar experimentatie en uiteindelijk naar productieklare LLM-gebaseerde applicaties te gaan:
Prompt engineering flexibiliteit
Interactieve authoring ervaring: Azure Machine Learning prompt flow geeft een visuele weergave van de structuur van de flow, waardoor gebruikers hun projecten gemakkelijk kunnen begrijpen en navigeren. Het biedt ook een notebook-achtige codeerervaring voor efficiënte flow-ontwikkeling en debugging.
Varianten voor prompt tuning: Gebruikers kunnen meerdere promptvarianten maken en vergelijken, wat een iteratief verfijningsproces mogelijk maakt.
Evaluatie: Ingebouwde evaluatieflows stellen gebruikers in staat de kwaliteit en effectiviteit van hun prompts en flows te beoordelen.
Uitgebreide resources: Azure Machine Learning prompt flow bevat een bibliotheek met ingebouwde tools, voorbeelden en sjablonen die als startpunt dienen voor ontwikkeling, creativiteit stimuleren en het proces versnellen.
Enterprise gereedheid voor LLM-gebaseerde applicaties
Samenwerking: Azure Machine Learning prompt flow ondersteunt teamcollaboratie, waardoor meerdere gebruikers samen aan prompt engineering projecten kunnen werken, kennis kunnen delen en versiebeheer kunnen toepassen.
Alles-in-één platform: Azure Machine Learning prompt flow stroomlijnt het hele prompt engineering proces, van ontwikkeling en evaluatie tot implementatie en monitoring. Gebruikers kunnen hun flows moeiteloos implementeren als Azure Machine Learning endpoints en de prestaties in realtime monitoren, wat optimale werking en continue verbetering garandeert.
Azure Machine Learning Enterprise Readiness Solutions: Prompt flow maakt gebruik van de robuuste enterprise gereedheidsoplossingen van Azure Machine Learning, die een veilige, schaalbare en betrouwbare basis bieden voor de ontwikkeling, experimentatie en implementatie van flows.
Met Azure Machine Learning prompt flow kunnen gebruikers hun prompt engineering flexibiliteit benutten, effectief samenwerken en gebruikmaken van enterprise-grade oplossingen voor succesvolle ontwikkeling en implementatie van LLM-gebaseerde applicaties.
Door de rekenkracht, data en verschillende componenten van Azure ML te combineren, kunnen enterprise-ontwikkelaars eenvoudig hun eigen kunstmatige intelligentie applicaties bouwen.
Disclaimer:
Dit document is vertaald met behulp van de AI-vertalingsdienst Co-op Translator. Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet als de gezaghebbende bron worden beschouwd. Voor cruciale informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.