Microsoft - лидер в отчете Gartner Magic Quadrant для платформ обработки данных и машинного обучения

Microsoft является лидером в рейтинге Gartner® Magic Quadrant™ этого года в области платформ для анализа данных и машинного обучения. Azure AI предоставляет мощную и гибкую комплексную платформу для ускорения инноваций в области науки о данных и машинного обучения, обеспечивая при этом управление предприятием, необходимое каждой организации в эпоху искусственного интеллекта. 

Microsoft пятый год подряд была названа лидером в Gartner® Magic Quadrant™ для услуг для разработчиков облачных ИИ , где Microsoft заняли первое место по полноте видения. Microsoft рады такому признанию со стороны Gartner, поскольку продолжает помогать клиентам, от крупных предприятий до гибких стартапов, безопасно и в большом масштабе внедрять свои модели и приложения искусственного интеллекта и машинного обучения в производство. 

Azure AI находится в авангарде специализированной инфраструктуры искусственного интеллекта, ответственных инструментов искусственного интеллекта и помогает межфункциональным группам эффективно сотрудничать с использованием операций машинного обучения (MLOps) для генеративного искусственного интеллекта и традиционных проектов машинного обучения. Машинное обучение Azure предоставляет доступ к широкому выбору базовых моделей в каталоге моделей искусственного интеллекта Azure, включая последние выпуски Phi-3 , JAIS и GPT-4o , а также инструментам для точной настройки или создания собственных моделей машинного обучения. Кроме того, платформа поддерживает богатую библиотеку фреймворков, инструментов и алгоритмов с открытым исходным кодом, поэтому команды по обработке данных и машинному обучению могут внедрять инновации по-своему, и все это на надежной основе. 

Машинное обучение Azure помогает организациям быстро и эффективно создавать, развертывать и управлять высококачественными решениями ИИ, будь то создание больших моделей с нуля, выполнение логических выводов на основе предварительно обученных моделей, использование моделей как услуги или точная настройка моделей для конкретных областей. Машинное обучение Azure работает на той же мощной инфраструктуре искусственного интеллекта , которая поддерживает некоторые из самых популярных в мире служб искусственного интеллекта, таких как ChatGPT, Bing и служба Azure OpenAI . Кроме того, совместимость машинного обучения Azure с ONNX Runtime и DeepSpeed ​​может помочь клиентам дополнительно оптимизировать время обучения и вывода для повышения производительности, масштабируемости и энергоэффективности.

Независимо от того, обучает ли ваша организация модель глубокого обучения с нуля, используя платформы с открытым исходным кодом, или переносит существующую модель в облако, Машинное обучение Azure позволяет группам специалистов по обработке данных масштабировать задания по обучению с использованием эластичных облачных вычислительных ресурсов и плавно переходить от обучения к развертыванию. Благодаря управляемым онлайн-конечным точкам клиенты могут развертывать модели на мощных процессорах и графических процессорах (GPU) без необходимости управлять базовой инфраструктурой, что экономит время и усилия. Аналогично, клиентам не нужно подготавливать инфраструктуру или управлять ею при развертывании базовых моделей как услуги из каталога моделей ИИ Azure. Это означает, что клиенты могут легко развертывать тысячи моделей и управлять ими в производственных средах — от локальных до периферийных — для пакетного прогнозирования и прогнозирования в реальном времени.  

Операции машинного обучения (MLOps) и операции с большими языковыми моделями (LLMOps) находятся на пересечении людей, процессов и платформ. По мере масштабирования проектов по обработке данных и усложнения приложений эффективные инструменты автоматизации и совместной работы становятся важными для достижения высококачественных и воспроизводимых результатов.  

Машинное обучение Azure — это гибкая платформа MLOps, созданная для поддержки групп по обработке данных любого размера. Платформа позволяет командам легко обмениваться ресурсами машинного обучения и управлять ими, создавать повторяемые конвейеры, используя встроенную совместимость с Azure DevOps и GitHub Actions, а также постоянно отслеживать производительность модели в рабочей среде. Соединители данных с источниками Microsoft, такими как Microsoft Fabric , и внешними источниками, такими как Snowflake и Amazon S3, еще больше упрощают MLOps. Взаимодействие с MLflow также позволяет ученым, работающим с данными, легко масштабировать существующие рабочие нагрузки от локального выполнения до облака и периферии, сохраняя при этом все эксперименты MLflow, запускать метрики, параметры и моделировать артефакты в централизованном рабочем пространстве. 

Поток подсказок машинного обучения Azure помогает оптимизировать весь цикл разработки генеративных приложений ИИ благодаря возможностям LLMOps, организуя исполняемые потоки, состоящие из моделей, подсказок, API, кода Python и инструментов для векторного поиска в базе данных и фильтрации контента. Поток подсказок Azure AI можно использовать вместе с популярными платформами с открытым исходным кодом, такими как LangChain и Semantic Kernel, что позволяет разработчикам включать экспериментальные потоки в поток подсказок для масштабирования этих экспериментов и проведения комплексных оценок. Разработчики могут совместно отлаживать, совместно использовать и выполнять итерации приложений, интегрируя встроенные инструменты тестирования, трассировки и оценки в свою систему CI/CD, чтобы постоянно переоценивать качество и безопасность своих приложений. Затем разработчики могут одним щелчком мыши развертывать готовые приложения и отслеживать потоки на предмет ключевых показателей, таких как задержка, использование токенов и качество генерации в рабочей среде. Результатом является сквозная наблюдаемость и постоянное совершенствование. 

Такие принципы ИИ, как справедливость, безопасность и прозрачность, не являются самоисполняющимися. Вот почему Машинное обучение Azure предоставляет ученым и разработчикам данных практические инструменты для внедрения ответственного ИИ прямо в рабочий процесс, независимо от того, нужно ли им оценить и отладить традиционную модель машинного обучения на наличие предвзятости, защитить базовую модель от атак быстрого внедрения или отслеживать точность моделей, качество и безопасность в производстве. 

Панель управления «Ответственный ИИ» помогает ученым, работающим с данными, оценивать и отлаживать традиционные модели машинного обучения на предмет справедливости, точности и объяснимости на протяжении всего жизненного цикла машинного обучения. Пользователи также могут создать систему показателей ответственного ИИ для документирования и обмена подробностями производительности модели с заинтересованными сторонами для принятия более обоснованных решений. Аналогичным образом, разработчики машинного обучения Azure могут просматривать карты моделей и тесты, а также выполнять собственные оценки, чтобы выбрать лучшую базовую модель для своего варианта использования из каталога моделей искусственного интеллекта Azure . Затем они смогут применить подход глубокоэшелонированной защиты для снижения рисков ИИ, используя встроенные возможности фильтрации контента , анализа свежих данных и оперативного проектирования с помощью сообщений системы безопасности . Инструменты оценки в оперативном режиме позволяют разработчикам итеративно измерять, улучшать и документировать влияние своих мер по снижению рисков в масштабе, используя встроенные и пользовательские метрики. Таким образом, группы специалистов по обработке и анализу данных смогут с уверенностью развертывать решения, обеспечивая при этом прозрачность для заинтересованных сторон. 

В современном мире, управляемом данными, эффективная безопасность, управление и конфиденциальность данных требуют от каждой организации полного понимания своих данных, систем искусственного интеллекта и машинного обучения. Управление ИИ также требует эффективного сотрудничества между различными заинтересованными сторонами, такими как ИТ-администраторы, инженеры по ИИ и машинному обучению, специалисты по обработке данных, а также специалисты по управлению рисками и обеспечению соответствия требованиям. Помимо обеспечения наблюдения за предприятием с помощью MLOps и LLMOps, Машинное обучение Azure помогает организациям гарантировать, что данные и модели защищены и соответствуют самым высоким стандартам безопасности и конфиденциальности.  

С помощью машинного обучения Azure ИТ-администраторы могут ограничивать доступ к ресурсам и операциям по учетным записям пользователей или группам, контролировать входящие и исходящие сетевые соединения, шифровать данные как при передаче, так и при хранении, сканировать на наличие уязвимостей, а также централизованно управлять политиками конфигурации и проверять их с помощью политики Azure. . Группы управления данными также могут подключить машинное обучение Azure к Microsoft Purview , чтобы метаданные об активах ИИ, включая модели, наборы данных и задания, автоматически публиковались на карте данных Microsoft Purview. Это позволяет ученым и инженерам данных наблюдать, как компоненты совместно используются и повторно используются, а также изучать происхождение и трансформацию обучающих данных, чтобы понять влияние любых проблем в зависимостях. Аналогичным образом, специалисты по рискам и соблюдению требований могут отслеживать, какие данные используются для обучения моделей, как базовые модели настраиваются или расширяются, а также где модели используются в различных производственных приложениях, и использовать это в качестве доказательства в отчетах о соответствии и аудитах. 

Наконец, благодаря расширению Azure Machine Learning Kubernetes , включенному в Azure Arc, организации могут запускать рабочие нагрузки машинного обучения в любых кластерах Kubernetes, гарантируя размещение данных, безопасность и соответствие требованиям конфиденциальности в гибридных общедоступных облаках и локальных средах. Это позволяет организациям обрабатывать данные там, где они находятся, соблюдая строгие нормативные требования, сохраняя при этом гибкость и контроль над своими MLOps. Клиенты, использующие методы федеративного обучения вместе с машинным обучением Azure и конфиденциальными вычислениями Azure, также могут обучать мощные модели на разнородных источниках данных, не копируя и не перемещая данные из безопасных мест.

Другие новости