Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
In diesem Artikel wird erläutert, wie Ressourcen für Azure AI-Plattform as a Service (PaaS)-Lösungen ausgewählt werden. In der folgenden Tabelle sind die wichtigsten Azure AI PaaS-Lösungen und die wichtigsten Entscheidungskriterien zusammengefasst.
| KI-Dienste | KI-Typ | Beschreibung | Erforderliche Fähigkeiten |
|---|---|---|---|
| Microsoft Foundry | Generative KI und nichtgenerative KI | Eine Plattform zum Erstellen und Bereitstellen von generativen und nichtgenerativen KI-Anwendungen | Entwickler- und Data Science-Kenntnisse |
| Azure AI-Dienste | Generative KI und nichtgenerative KI | Verschiedene Dienste, die vorgefertigte generative und nichtgenerative KI-Modelle bereitstellen | Entwicklerkenntnisse |
| Azure OpenAI | Generative KI | Ein Dienst für den Zugriff auf OpenAI-Modelle | Entwickler- und Data Science-Kenntnisse |
| Azure Machine Learning | Machine Learning | Ein Dienst zum Training und Bereitstellen von Machine Learning-Modellen | Entwicklerkenntnisse und erweiterte Data Science-Kenntnisse |
Auswählen von Ressourcen für Workloads für generative KI
Generative KI verwendet mehrere Ressourcen, um Eingabedaten zu verarbeiten und aussagekräftige Ausgaben zu erzeugen. Um effektive Anwendungen zu erstellen, z. B. solche, die retrieval-augmented generation (RAG) verwenden, wählen Sie Ressourcen aus, die KI-Modelle unterstützen und genaue Ergebnisse liefern.
Generative KI-Workflow
Der folgende Workflow entspricht dem obigen Diagramm:
- Die KI-App empfängt eine Benutzerabfrage.
- Ein Orchestrator, z. B. der Foundry Agent Service oder das Microsoft Agent Framework, verwaltet den Datenfluss.
- Ein Such- und Abrufmechanismus findet die Erdungsdaten.
- Der Mechanismus sendet die Erdungsdaten an eine generative KI-Plattform.
- Die generative KI-Plattform erstellt eine Antwort unter Verwendung der Benutzerabfrage und der Referenzdaten.
Ressourcenauswahl für generative KI
Führen Sie die folgenden Schritte aus, um generative RAG-Workloads zu erstellen:
Wählen Sie eine generative KI-Plattform aus. Verwenden Sie Foundry oder Azure OpenAI, um generative KI-Modelle bereitzustellen und zu verwalten. Foundry bietet eine Code-first-Plattform mit integrierten Tools für Entwicklung, Bereitstellung und Orchestrierung. Wählen Sie Azure OpenAI aus, wenn Sie nur Zugriff auf OpenAI-Modelle benötigen.
Wählen Sie einen KI-Berechnungstyp aus. Foundry erfordert Computeinstanzen für bestimmte Features. Wählen Sie einen Computetyp aus, der Ihren Leistungs- und Budgetanforderungen entspricht.
Wählen Sie einen Orchestrator aus. Verwenden Sie Orchestratoren wie foundry Agent Service oder Microsoft Agent Framework , um Den Datenfluss und Interaktionen zu verwalten. Wenn Ihre Workload mehrere Agents verwendet, stellen Sie sicher, dass Ihr Orchestrator die benötigten KI-Agent-Orchestrierungsmuster unterstützt.
Wählen Sie einen Such- und Wissensabrufmechanismus aus. Um generative KI-Modelle zu bodenieren, erstellen Sie eine Index- oder Vektordatenbank für relevante Daten. Verwenden Sie Azure KI-Suche, um herkömmliche Indizes und Vektorindizes aus verschiedenen Datenquellen zu generieren, Datenblöcke zu erstellen und mehrere Abfragetypen zu verwenden. Berücksichtigen Sie für strukturierte Datenbanken Azure Cosmos DB, Azure Database for PostgreSQL oder Azure Managed Redis.
Wählen Sie eine Datenquelle für die Verankerung von Daten aus. Speichern von Grunddatensätzen in Azure Blob Storage für Bilder, Audio, Video oder große Datasets. Sie können auch Datenbanken verwenden, die von KI-Such - oder Vektordatenbanken unterstützt werden.
Wählen Sie eine Computeplattform aus. Verwenden Sie die Azure-Berechnungsentscheidungsstruktur , um die richtige Plattform für Ihre Workload auszuwählen.
Auswählen von Ressourcen für Workloads für nicht generative KI
Nichtgenerative KI-Workloads verwenden Plattformen, Computeressourcen, Datenquellen und Datenverarbeitungstools, um maschinelle Lernaufgaben zu unterstützen. Wählen Sie Ressourcen aus, mit denen Sie KI-Workloads mit vordefinierten oder benutzerdefinierten Lösungen erstellen können.
Nichtgenerativer KI-Workflow
Der folgende Workflow entspricht dem obigen Diagramm:
- Die KI-App erfasst eingehende Daten.
- Ein optionaler Datenverarbeitungsmechanismus extrahiert oder transformiert die Daten.
- Ein KI-Modellendpunkt analysiert die Daten.
- Sie können die Daten für das Training oder die Feinabstimmung der KI-Modelle verwenden.
Nichtgenerative KI-Ressourcenauswahl
Führen Sie die folgenden Schritte aus, um nichtgenerative KI-Workloads zu erstellen:
Wählen Sie eine nichtgenerative KI-Plattform aus. Verwenden Sie KI-Dienste oder maschinelles Lernen basierend auf Ihren Anforderungen. KI-Dienste bieten vorgefertigte Modelle, die die Bereitstellung vereinfachen und den Bedarf an fortgeschrittenen Data Science-Fähigkeiten reduzieren. Mit Machine Learning können Sie benutzerdefinierte Modelle mit Ihren Daten entwickeln und in Ihre Workloads integrieren.
Wählen Sie einen KI-Berechnungstyp aus. Machine Learning erfordert Computeressourcen zum Ausführen von Aufträgen oder Hostendpunkten. Wählen Sie einen Computetyp aus, der Ihren Leistungs- und Budgetanforderungen entspricht. KI-Dienste erfordern keine Rechenressourcen.
Wählen Sie eine Datenquelle aus. Verwenden Sie unterstützte Datenquellen , um Schulungsdaten für Maschinelles Lernen zu hosten. Viele KI-Dienste erfordern keine Feinabstimmungsdaten. Einige KI-Dienste, z. B. Azure AI Custom Vision, ermöglichen es Ihnen, lokale Dateien in verwalteten Speicher hochzuladen.
Wählen Sie eine Computeplattform aus. Verwenden Sie die Azure-Berechnungsentscheidungsstruktur , um die richtige Plattform für Ihre Workload auszuwählen.
Wählen Sie einen Datenverarbeitungsdienst (optional) aus. Verwenden Sie Azure Functions, um serverlose Daten zu verarbeiten. Verwenden Sie Azure Event Grid, um Datenverarbeitungspipelines auszulösen.