Delen via

Ontwerp van AI-architectuur

AI is een technologie die machines gebruiken om intelligent menselijk gedrag te imiteren. Machines kunnen AI gebruiken om de volgende taken uit te voeren:

  • Analyseer gegevens om afbeeldingen en video's te maken.
  • Spraak analyseren en synthetiseren.
  • Mondeling communiceren op een natuurlijke manier.
  • Maak voorspellingen en genereer nieuwe gegevens.

U kunt AI opnemen in toepassingen om functies uit te voeren of beslissingen te nemen die niet effectief kunnen worden verwerkt met traditionele logica of verwerking. Als architect die oplossingen ontwerpt, moet u meer te weten komen over het AI- en machine learning-landschap en hoe u Azure-oplossingen kunt integreren in uw workloadontwerp.

Aan de slag

Azure Architecture Center biedt voorbeeldarchitecturen, architectuurhandleidingen, architectuurbasislijnen en ideeën die u op uw scenario kunt toepassen. Workloads die gebruikmaken van AI- en machine learning-onderdelen moeten voldoen aan de richtlijnen voor AI-workloads van Azure Well-Architected Framework. Deze richtlijnen omvatten principes en ontwerphandleidingen die invloed hebben op AI- en machine learning-workloads in de vijf pijlers van de architectuur. Implementeer deze aanbevelingen in de scenario's en inhoud in het Azure Architecture Center.

AI-concepten

AI-concepten omvatten een breed scala aan technologieën en methodologieën die machines gebruiken om taken uit te voeren die doorgaans menselijke intelligentie vereisen. De volgende secties bieden een overzicht van de belangrijkste AI-concepten.

Algoritmen

algoritmen of machine learning-algoritmen zijn stukjes code waarmee mensen complexe datasets kunnen verkennen, analyseren en betekenis vinden. Elk algoritme is een eindige set ondubbelzinnige stapsgewijze instructies die een machine kan volgen om een specifiek doel te bereiken. Het doel van een machine learning-model is het vaststellen of ontdekken van patronen die mensen kunnen gebruiken om voorspellingen te doen of informatie te categoriseren. Een algoritme kan beschrijven hoe u kunt controleren of een huisdier een kat, hond, vis, vogel of hagedis is. Een ingewikkelder algoritme kan beschrijven hoe u een geschreven of gesproken taal identificeert, de woorden analyseert, deze in een andere taal vertaalt en vervolgens de vertaling controleert op nauwkeurigheid.

Kies een algoritmefamilie die het beste bij uw taak past. Evalueer de verschillende algoritmen binnen de familie om de juiste pasvorm voor uw workload te vinden. Zie Machine Learning-algoritmen voor meer informatie.

Machinaal leren

Machine learning is een AI-techniek die gebruikmaakt van algoritmen om voorspellende modellen te maken. Deze algoritmen parseren gegevensvelden en leren van de patronen in gegevens om modellen te genereren. De modellen kunnen vervolgens geïnformeerde voorspellingen of beslissingen nemen op basis van nieuwe gegevens.

De voorspellende modellen worden gevalideerd op basis van bekende gegevens, gemeten door metrische prestatiegegevens voor specifieke bedrijfsscenario's en vervolgens naar behoefte aangepast. Dit proces van leren en valideren wordt training genoemd. Door periodiek opnieuw te trainen, worden machine learning-modellen in de loop van de tijd verbeterd.

In uw workloadontwerp kunt u machine learning gebruiken als uw scenario eerdere waarnemingen bevat die u betrouwbaar kunt gebruiken om toekomstige situaties te voorspellen. Deze waarnemingen kunnen universele waarheden zijn, zoals computervisie die één vorm van dier van een ander detecteert. Of deze waarnemingen kunnen specifiek zijn voor uw situatie, zoals computer vision die een mogelijke assemblyfout op uw assemblylijnen detecteert op basis van eerdere garantieclaimgegevens.

Zie Het overzicht van Machine Learning voor meer informatie.

Diep leren

Deep Learning- is een type machine learning dat kan leren door middel van een eigen gegevensverwerking. Net als bij machine learning worden ook algoritmen gebruikt om gegevens te analyseren. Maar het analyseert gegevens met behulp van kunstmatige neurale netwerken met veel invoer, uitvoer en verwerkingslagen. Elke laag kan de gegevens op een andere manier verwerken. De uitvoer van één laag wordt de invoer voor de volgende. Deep Learning maakt gebruik van dit proces om complexere modellen te maken dan traditionele machine learning kan maken.

Deep Learning vereist een grote investering om zeer aangepaste of experimentele modellen te genereren. U kunt andere oplossingen in dit artikel overwegen voordat u deep learning toevoegt aan uw workload.

Zie het overzicht van Deep Learning voor meer informatie.

Generatieve AI

Generatieve AI traint modellen om oorspronkelijke inhoud te genereren op basis van veel vormen van inhoud, waaronder natuurlijke taal, computer vision, audio of afbeeldingsinvoer. Met behulp van generatieve AI kunt u een gewenste uitvoer in de dagelijkse taal beschrijven en het model kan reageren door de juiste tekst, afbeelding en code te maken. Voorbeelden van generatieve AI-toepassingen zijn Microsoft 365 Copilot en Microsoft Foundry.

  • Copilot is voornamelijk een gebruikersinterface (UI) waarmee u code, documenten en andere op tekst gebaseerde inhoud kunt schrijven. Het is gebaseerd op populaire modellen van OpenAI en Antropisch en is geïntegreerd in een breed scala aan Microsoft-toepassingen en -gebruikerservaringen.

  • Foundry is een ontwikkelplatform als een dienst (PaaS) dat toegang biedt tot agenthosting en een catalogus met taalmodellen, waaronder de volgende opties:

    • GPT-5.2 (OpenAI)
    • Sora2 (OpenAI)
    • Claude (Antropisch)
    • Phi (Microsoft)
    • Grok (xAI)

    U kunt deze modellen aanpassen aan de volgende specifieke taken:

    • Inhoudsgeneratie
    • Samenvatting van inhoud
    • Begrip van afbeeldingen
    • Semantische zoekopdracht
    • Natuurlijke taal voor codevertaling
    • Videogeneratie
    • Spraak-naar-spraak

Taalmodellen

Taalmodellen zijn een subset van generatieve AI die zich richt op verwerkingstaken voor natuurlijke taal, zoals het genereren van tekst en sentimentanalyse. Deze modellen vertegenwoordigen natuurlijke taal op basis van de waarschijnlijkheid van woorden of reeksen woorden die in een bepaalde context voorkomen.

Conventionele taalmodellen worden gebruikt in supervisieinstellingen voor onderzoeksdoeleinden. Deze modellen worden getraind op goed gelabelde tekstgegevenssets voor specifieke taken. Vooraf getrainde taalmodellen bieden een eenvoudige manier om AI te gaan gebruiken. Ze worden in de afgelopen jaren veel gebruikt. Deze modellen worden getraind op grootschalige tekstverzamelingen van internet via neurale netwerken voor deep learning. U kunt deze verfijnen op kleinere gegevenssets voor specifieke taken.

Het aantal parameters of gewichten bepaalt de grootte van een taalmodel. Parameters beïnvloeden hoe het model invoergegevens verwerkt en een uitvoer genereert. Tijdens de training past het model de gewichten aan om het verschil tussen de voorspellingen en de werkelijke gegevens te minimaliseren. Dit proces is hoe het model parameters leert. Hoe meer parameters een model heeft, hoe complexer en expressief het is. Maar het is ook rekenkundig duurder om te trainen en te gebruiken.

Kleine taalmodellen hebben meestal minder dan 10 miljard parameters en grote taalmodellen hebben meer dan 10 miljard parameters. De microsoft Phi-4-modelfamilie bevat bijvoorbeeld de volgende versies:

  • Phi-4-Mini, met 3,8 miljard parameters
  • Phi-4-Multimodal-instruct, die 5,6 miljard parameters heeft
  • Phi-4 (het basismodel), met 14 miljard parameters

Zie de taalmodelcatalogus voor meer informatie.

Co-piloten

De beschikbaarheid van taalmodellen heeft geleid tot nieuwe manieren om te communiceren met toepassingen en systemen met behulp van digitale copilots en verbonden, domeinspecifieke agents. Copilots zijn generatieve AI-assistenten die worden geïntegreerd in toepassingen, vaak als chatinterfaces. Ze bieden contextuele ondersteuning voor algemene taken in deze toepassingen.

Microsoft 365 Copilot kan worden geïntegreerd met een breed scala aan Microsoft-toepassingen en gebruikerservaringen. Het is gebaseerd op een open architectuur waarin niet-Microsoft-developers hun eigen invoegtoepassingen kunnen maken om de gebruikerservaring uit te breiden of aan te passen met behulp van Copilot. Partnerontwikkelaars kunnen ook hun eigen copilots maken met behulp van dezelfde open architectuur.

Zie de volgende bronnen voor meer informatie:

Retrieval-geaugmenteerde generatie

Rag (Retrieval-augmented generation) is een architectuurpatroon dat de mogelijkheden van een taalmodel, zoals ChatGPT, vergroot, dat alleen wordt getraind op openbare gegevens. U kunt dit patroon gebruiken om een ophaalsysteem toe te voegen dat relevante grondgegevens levert in de context van de gebruikersaanvraag. Een systeem voor het ophalen van gegevens biedt controle over grondgegevens die door een taalmodel worden gebruikt wanneer een antwoord wordt geformuleerd. RAG-architectuur helpt u de reikwijdte van generatieve AI te bepalen voor inhoud afkomstig van gevectoriseerde documenten, afbeeldingen en andere gegevensformaten. RAG is niet beperkt tot vectorzoekopslag. U kunt elke technologie voor gegevensopslag gebruiken.

Zie Ontwerp en ontwikkel een RAG-oplossing en Kies een Azure-service voor vectorzoekopdrachtenvoor meer informatie. Gebruik Foundry IQ Knowledge Bases voor het gronden van gegevens die Foundry-agents nodig hebben als kant-en-klare benadering van RAG.

Architectuur op basis van agents

Agents zijn meer dan alleen code die taalmodellen aanroept om te reageren op gebruikersprompts. Ze kunnen autonoom taken uitvoeren, beslissingen nemen en communiceren met andere systemen. U kunt agents ontwerpen om specifieke taken af te handelen of te werken in complexe omgevingen, waardoor ze geschikt zijn voor veel toepassingen. Met architectuur met meerdere agents kunt u complexe problemen opsplitsen in gespecialiseerde agents die samenwerken om een oplossing te produceren.

Hulpprogramma's zoals Microsoft Agent Framework en Foundry-werkstromen kunnen u helpen bij het bouwen van op agents gebaseerde architecturen.

Zie indelingspatronen voor AI-agents voor meer informatie over het coördineren van meerdere agents in complexe AI-scenario's.

Gieterijgereedschappen

Met Foundry Tools kunnen ontwikkelaars en organisaties kant-en-klare, vooraf gebouwde en aanpasbare API's en modellen gebruiken om intelligente, marktklare en verantwoordelijke toepassingen te maken. Gebruiksvoorbeelden omvatten verwerking van natuurlijke taal voor gesprekken, zoeken, bewaken, vertalen, spraak, visie en besluitvorming.

Zie de volgende bronnen voor meer informatie:

AI-taalmodellen

Taalmodellen, zoals de OpenAI GPT-modellen, zijn krachtige hulpprogramma's die natuurlijke taal kunnen genereren in verschillende domeinen en taken. Als u een model wilt kiezen, moet u rekening houden met factoren zoals gegevensprivacy, ethisch gebruik, nauwkeurigheid en vooroordelen.

Phi open modellen zijn kleine, minder rekenintensieve modellen voor generatieve AI-oplossingen. Een klein taalmodel is mogelijk efficiënter, interpreteerbaar en verklaarbaar dan een groot taalmodel.

Wanneer u een workload ontwerpt, kunt u taalmodellen gebruiken als een gehoste oplossing achter een API met datalimiet. Voor veel kleine taalmodellen kunt u taalmodellen in verwerking hosten of ten minste op dezelfde rekenkracht als de consument. Wanneer u taalmodellen in uw oplossing gebruikt, moet u rekening houden met uw keuze van het taalmodel en de beschikbare hostingopties om een geoptimaliseerde oplossing voor uw gebruiksscenario te garanderen.

AI-ontwikkelplatforms en -tools

Met de volgende AI-ontwikkelplatforms en -hulpprogramma's kunt u machine learning- en AI-modellen bouwen, implementeren en beheren.

Azure Machine Learning

Azure Machine Learning is een machine learning-service die u kunt gebruiken om modellen te bouwen en te implementeren. Machine Learning biedt webinterfaces en SDK's voor het trainen en implementeren van uw machine learning-modellen en -pijplijnen op schaal. Gebruik deze mogelijkheden met opensource Python-frameworks zoals PyTorch, TensorFlow en scikit-learn.

Zie de volgende bronnen voor meer informatie:

Referentiearchitecturen voor AI en Machine Learning voor Azure

Geautomatiseerde machine learning

Geautomatiseerde machine learning (AutoML) is het proces van het automatiseren van de tijdrovende, iteratieve taken van het ontwikkelen van machine learning-modellen. Gegevenswetenschappers, analisten en ontwikkelaars kunnen AutoML gebruiken om machine learning-modellen te bouwen met een hoge schaal, efficiëntie en productiviteit, terwijl de modelkwaliteit behouden blijft.

Zie de volgende bronnen voor meer informatie:

MLflow

Machine Learning-werkruimten zijn compatibel met MLflow, wat betekent dat u een Machine Learning-werkruimte op dezelfde manier kunt gebruiken als u een MLflow-server gebruikt. Deze compatibiliteit biedt de volgende voordelen:

  • Machine Learning host geen MLflow-serverexemplaren, maar kan de MLflow-API's rechtstreeks gebruiken.
  • U kunt een Machine Learning-werkruimte gebruiken als uw traceringsserver voor elke MLflow-code, ongeacht of deze in Machine Learning wordt uitgevoerd. U moet MLflow instellen om te verwijzen naar de werkruimte waar het bijhouden moet plaatsvinden.
  • U kunt trainingsroutines uitvoeren die gebruikmaken van MLflow in Machine Learning zonder wijzigingen aan te brengen.

Zie MLflow- en Machine Learning- en MLflow-voor meer informatie.

Generatieve AI-hulpprogramma's

  • Foundry biedt een platform om u te helpen bij het experimenteren, ontwikkelen en implementeren van generatieve AI-apps en API's op verantwoorde wijze. Gebruik de Foundry-portal om Foundry Tools, basismodellen, een speeltuin en resources te vinden waarmee u AI-modellen en AI-agents kunt verfijnen, evalueren en implementeren.

    Foundry Agent Service host agents die u definieert. Deze agents maken verbinding met een basismodel in de AI-modelcatalogus en eventueel uw eigen aangepaste kennisarchieven of API's. U kunt deze agents declaratief definiëren of Foundry kan containeriseren en hosten.

  • Copilot Studio breidt Copilot uit in Microsoft 365. U kunt Copilot Studio gebruiken om aangepaste copilots te bouwen voor interne en externe scenario's. Gebruik een ontwerpcanvas om copilots te ontwerpen, testen en publiceren. U kunt eenvoudig generatieve AI-gesprekken maken, meer controle over reacties bieden voor bestaande copilots en de productiviteit versnellen met behulp van geautomatiseerde werkstromen.

Gegevensplatforms voor AI

De volgende platforms bieden oplossingen voor gegevensverplaatsing, verwerking, opname, transformatie, realtime analyse en rapportage.

Microsoft Fabric

Microsoft Fabric is een end-to-end analyse- en gegevensplatform voor ondernemingen die een uniforme oplossing nodig hebben. Workloadteams kunnen gegevens in Fabric gebruiken. Het platform behandelt gegevensverplaatsing, verwerking, opname, transformatie, realtime gebeurtenisroutering en rapportbouw. Het biedt een reeks services, waaronder Fabric Data Engineer, Fabric Data Factory, Fabric Data Science, Fabric Real-Time Intelligence, Fabric Data Warehouse en Fabric Databases.

Fabric integreert afzonderlijke onderdelen in een samenhangende stack. In plaats van te vertrouwen op verschillende databases of datawarehouses, kunt u gegevensopslag centraliseren met OneLake. AI-mogelijkheden zijn ingesloten in Fabric, waardoor handmatige integratie niet meer nodig is.

Zie de volgende bronnen voor meer informatie:

Co-piloten in Fabric

U kunt Copilot en andere generatieve AI-functies gebruiken om gegevens te transformeren en analyseren, inzichten te genereren en visualisaties en rapporten te maken in Fabric en Power BI. U kunt uw eigen copilot bouwen of een van de volgende vooraf gebouwde copiloten kiezen:

Gegevensagent in Fabric

Gegevensagent in Fabric is een functie die u kunt gebruiken om uw eigen Q&A-systemen te bouwen met behulp van generatieve AI. Een Fabric-gegevensagent maakt gegevensinzichten eenvoudiger te gebruiken en beter geschikt voor iedereen in uw organisatie.

Zie de volgende bronnen voor meer informatie:

Op Apache Spark gebaseerde gegevensplatforms voor AI

Apache Spark is een framework voor parallelle verwerking dat ondersteuning biedt voor in-memory verwerking om de prestaties van toepassingen voor de analyse van big data te verbeteren. Spark biedt basisbouwstenen voor clustercomputing in het geheugen. Een Spark-taak kan gegevens in het geheugen laden en in de cache opslaan en er herhaaldelijk query's op uitvoeren, wat sneller is dan toepassingen op basis van schijven, zoals Hadoop.

Spark in Fabric

Fabric Runtime is een geïntegreerd Azure-platform op basis van Spark dat u kunt gebruiken om data engineering- en data science-ervaringen te implementeren en te beheren. Fabric Runtime combineert belangrijke onderdelen van interne en opensource-bronnen, die een uitgebreide oplossing bieden.

Fabric Runtime heeft de volgende belangrijke onderdelen:

  • Spark is een opensource gedistribueerde computingbibliotheek die u kunt gebruiken voor grootschalige gegevensverwerkings- en analysetaken. Spark biedt een veelzijdig platform voor data engineering- en data science-ervaringen.

  • Delta Lake is een opensource-opslaglaag die atomische, consistentie-, isolatie- en duurzaamheidstransacties (ACID) en andere functies voor gegevensbetrouwbaarheid integreert met Spark. Delta Lake is geïntegreerd in Fabric Runtime en verbetert de mogelijkheden voor gegevensverwerking en zorgt voor gegevensconsistentie voor meerdere gelijktijdige taken.

  • pakketten op standaardniveau voor Java, Scala, Python en R zijn pakketten die diverse programmeertalen en omgevingen ondersteunen. Deze pakketten worden automatisch geïnstalleerd en geconfigureerd, zodat ontwikkelaars hun favoriete programmeertalen voor gegevensverwerkingstaken kunnen toepassen.

Fabric Runtime is gebouwd op een opensource-besturingssysteem dat compatibiliteit biedt met verschillende hardwareconfiguraties en systeemvereisten.

Voor meer informatie, zie Spark-runtimes in Fabric.

Azure Databricks Runtime voor Machine Learning

Azure Databricks is een op Spark gebaseerd analyseplatform met werkstromen en een interactieve werkruimte voor samenwerking tussen gegevenswetenschappers, technici en bedrijfsanalisten.

U kunt Databricks Runtime voor Machine Learning gebruiken om een Databricks-cluster te starten met alle bibliotheken die nodig zijn voor gedistribueerde training. Deze functie biedt een omgeving voor machine learning en gegevenswetenschap. Het heeft meerdere populaire bibliotheken, waaronder TensorFlow, PyTorch, Keras en XGBoost. Het ondersteunt ook gedistribueerde training via Horovod.

Zie de volgende bronnen voor meer informatie:

Spark in Azure HDInsight

Spark in Azure HDInsight is de Microsoft-implementatie van Spark in de cloud. Spark-clusters in HDInsight zijn compatibel met Azure Storage en Azure Data Lake Storage, zodat u HDInsight Spark-clusters kunt gebruiken om gegevens te verwerken die u in Azure opslaat.

SynapseML is de Microsoft Machine Learning-bibliotheek voor Spark. Deze opensource-bibliotheek voegt veel deep learning- en data science-hulpprogramma's, netwerkmogelijkheden en prestaties op productieniveau toe aan het Spark-ecosysteem.

Zie de volgende bronnen voor meer informatie:

Gegevensopslag voor AI

U kunt de volgende platforms gebruiken om grote hoeveelheden gegevens efficiënt op te slaan, te gebruiken en te analyseren.

Fabric OneLake

OneLake in Fabric is een geïntegreerde en logische data lake die u aan uw hele organisatie kunt aanpassen. Het is de centrale hub voor alle analysegegevens en is opgenomen in elke Fabric-tenant. OneLake in Fabric is gebouwd op basis van Data Lake Storage.

OneLake in Fabric biedt de volgende voordelen:

  • Ondersteunt gestructureerde en ongestructureerde bestandstypen
  • Slaat alle tabelgegevens op in Delta-Parquet-indeling
  • Biedt één data lake binnen tenantgrenzen die standaard worden beheerd
  • Ondersteunt het maken van werkruimten binnen een tenant, zodat uw organisatie eigendom en toegangsbeleid kan distribueren
  • Ondersteunt het maken van verschillende gegevensitems, zoals lakehouses en magazijnen, waar u gegevens kunt gebruiken

Zie OneLake, oneDrive voor gegevens voor meer informatie.

Opslag voor Data Lake

Data Lake Storage is één centrale opslagplaats waar u gestructureerde en ongestructureerde gegevens kunt opslaan. Gebruik een data lake om snel en eenvoudig een groot aantal gegevens op één locatie op te slaan, te gebruiken en te analyseren. U hoeft uw gegevens niet aan te passen aan een bestaande structuur. In plaats daarvan kunt u uw gegevens opslaan in de onbewerkte of systeemeigen indeling, meestal als bestanden of als binaire grote objecten of blobs.

Data Lake Storage biedt semantiek van het bestandssysteem, beveiliging op bestandsniveau en schaal. Omdat deze mogelijkheden zijn gebouwd op Azure Blob Storage, krijgt u ook goedkope gelaagde opslag met hoge beschikbaarheid en mogelijkheden voor herstel na noodgevallen.

Data Lake Storage maakt gebruik van de infrastructuur van Storage om een basis te maken voor het bouwen van zakelijke data lakes in Azure. Data Lake Storage kan meerdere petabytes aan informatie verwerken en honderden gigabits doorvoer ondersteunen, zodat u enorme hoeveelheden gegevens kunt beheren.

Zie de volgende bronnen voor meer informatie:

Gegevensverwerking voor AI

U kunt de volgende hulpprogramma's gebruiken om gegevens voor te bereiden voor machine learning- en AI-toepassingen. Zorg ervoor dat uw gegevens schoon en gestructureerd zijn, zodat u deze kunt gebruiken voor geavanceerde analyses.

Fabric Datafabriek

U kunt Fabric Data Factory gebruiken voor het opnemen, voorbereiden en transformeren van gegevens uit meerdere gegevensbronnen, zoals databases, datawarehouses, lakehouses en realtime gegevensstromen. Met deze functie kunt u voldoen aan uw vereisten voor gegevensbewerkingen wanneer u workloads ontwerpt.

Data Factory ondersteunt codeoplossingen en oplossingen zonder code of oplossingen met weinig code:

  • Gebruik gegevenspijplijnen om werkstroommogelijkheden op cloudschaal te maken. Gebruik de interface voor selecteren en verplaatsen om werkstromen te bouwen waarmee uw gegevensstroom kan worden vernieuwd, petabyte-groottegegevens kunnen worden verplaatst en pijplijnen voor besturingsstromen kunnen worden gedefinieerd.

  • Gebruik gegevensstromen als een interface met weinig code om gegevens uit honderden gegevensbronnen op te nemen en te transformeren met behulp van meer dan 300 gegevenstransformaties.

Zie end-to-end scenario van Data Factory: Inleiding en architectuurvoor meer informatie.

Azure Databricks

U kunt het Databricks Data Intelligence Platform gebruiken om code te schrijven om een machine learning-werkstroom te maken met behulp van functie-engineering. Feature Engineering is het proces van het transformeren van onbewerkte gegevens in functies die u kunt gebruiken om machine learning-modellen te trainen. Het Databricks Data Intelligence Platform bevat belangrijke functies die functie-engineering ondersteunen:

  • Gegevenspijplijnen nemen onbewerkte gegevens op, maken functietabellen, trainen modellen en batchdeductie uitvoeren. Wanneer u functie-engineering in Unity Catalog gebruikt om een model te trainen en te registreren, wordt het model verpakt met functiemetagegevens. Wanneer u het model gebruikt voor batchscore of online voorspelling, worden kenmerkwaarden automatisch opgehaald. De oproeper hoeft niet op de hoogte te zijn van de waarden of logica op te nemen om functies te zoeken of te verbinden voor het beoordelen van nieuwe gegevens.

  • Model- en functiebedieningseindpunten zijn direct beschikbaar en bieden milliseconden latentie.

  • Bewaking zorgt voor de prestaties en nauwkeurigheid van gegevens en modellen.

Je kunt ook Mozaïek AI Vector Search gebruiken om embeddings op te slaan en terug te vinden. Insluitingen zijn van cruciaal belang voor toepassingen waarvoor overeenkomsten moeten worden gezocht, zoals RAG, aanbevelingssystemen en afbeeldingsherkenning.

Zie Gegevens leveren voor machine learning en AI voor meer informatie.

Gegevenskoppelingen voor AI

Azure Data Factory- en Azure Synapse Analytics-pijplijnen ondersteunen veel gegevensarchieven en -indelingen via kopiëren, gegevensstromen, opzoeken, metagegevens ophalen en activiteiten verwijderen. Zie het overzicht van de Azure Data Factory- en Azure Synapse Analytics-connector voor een overzicht van de beschikbare connectors voor gegevensarchieven, ondersteunde mogelijkheden en bijbehorende configuraties en algemene opties voor Open Database Connectivity.

Aangepaste kunstmatige intelligentie

Met aangepaste AI-oplossingen kunt u specifieke zakelijke behoeften en uitdagingen aanpakken. De volgende secties bieden een overzicht van verschillende hulpprogramma's en services die u kunt gebruiken om aangepaste AI-modellen te bouwen en te beheren.

Azure Machine Learning

Azure Machine Learning is een cloudservice voor het versnellen en beheren van de levenscyclus van het machine learning-project. Machine learning-professionals, gegevenswetenschappers en technici kunnen deze service in hun werkstromen gebruiken om modellen te trainen en te implementeren en machine learning-taken te beheren.

Machine Learning biedt de volgende mogelijkheden:

  • Algoritmeselectie: Sommige algoritmen maken specifieke veronderstellingen over gegevensstructuur of gewenste resultaten. Kies een algoritme dat aan uw behoeften voldoet, zodat u nuttigere resultaten, nauwkeurigere voorspellingen en snellere trainingstijden kunt krijgen. Zie Algoritmen kiezen voor Machine Learning voor meer informatie.

  • Hyperparameter-afstemming of optimalisatie: U kunt dit handmatige proces gebruiken om hyperparameterconfiguraties te vinden die resulteren in de beste prestaties. Deze optimalisatie kost aanzienlijke rekenkosten. Hyperparameters zijn aanpasbare parameters die controle bieden in het modeltrainingsproces. U kunt bijvoorbeeld het aantal verborgen lagen en het aantal knooppunten in elke laag van neurale netwerken kiezen. Modelprestaties zijn sterk afhankelijk van hyperparameters.

    U kunt Machine Learning gebruiken om hyperparameterafstemming te automatiseren en experimenten parallel uit te voeren om hyperparameters efficiënt te optimaliseren.

    Zie de volgende bronnen voor meer informatie:

  • Modeltraining: U kunt iteratief een algoritme gebruiken om modellen te maken of te leren. Nadat u de modellen hebt getraind, kunt u ze gebruiken om gegevens te analyseren en voorspellingen te doen.

    De volgende stappen worden uitgevoerd tijdens de trainingsfase:

    1. Een kwaliteitsset met bekende gegevens wordt gelabeld zodat afzonderlijke velden identificeerbaar zijn.

    2. Een algoritme dat is geconfigureerd om een bepaalde voorspelling te doen, ontvangt de getagde gegevens.

    3. Het algoritme voert een model uit waarmee de patronen worden vastgelegd die in de gegevens zijn geïdentificeerd. Het model gebruikt een set parameters om deze patronen weer te geven.

    De volgende stappen worden uitgevoerd tijdens de validatie:

    1. Nieuwe gegevens worden gelabeld en gebruikt om het model te testen.

    2. Het algoritme wordt naar behoefte aangepast en doet mogelijk meer training.

    3. De testfase maakt gebruik van echte gegevens zonder tags of vooraf gekozen doelen. Als de resultaten van het model nauwkeurig zijn, is het klaar voor gebruik en kan het worden geïmplementeerd.

    Zie de volgende bronnen voor meer informatie:

  • AutoML: Dit proces automatiseert de tijdrovende iteratieve taken van machine learning-modelontwikkeling. Dit kan de tijd die nodig is voor het produceren van machine learning-modellen die gereed zijn voor productie aanzienlijk verminderen. AutoML kan helpen bij het selecteren van modellen, het afstemmen van hyperparameters, het trainen van modellen en andere taken, zonder dat hiervoor uitgebreide programmeer- of domeinkennis nodig is.

    U kunt AutoML gebruiken als u wilt dat Machine Learning een specifieke doelmetriek gebruikt om een model te trainen en af te stemmen. U hebt geen kennis van data science nodig om problemen te vinden in een end-to-end machine learning-pijplijn.

    Machine learning-professionals en -ontwikkelaars in verschillende branches kunnen AutoML gebruiken om de volgende taken uit te voeren:

    • Implementeer machine learning-oplossingen zonder uitgebreide programmeer- of machine learning-kennis.
    • Bespaar tijd en resources.
    • Best practices voor data science toepassen.
    • Bied flexibele probleemoplossing.

    Zie het AutoML-overzicht voor meer informatie.

  • Scoren: Dit proces, ook wel voorspellinggenoemd, gebruikt een getraind machine learning-model om waarden te genereren op basis van nieuwe invoergegevens. De waarden, of scores, kunnen voorspellingen van toekomstige waarden voorstellen, maar ze kunnen ook een waarschijnlijke categorie of uitkomst vertegenwoordigen.

    Zie de volgende bronnen voor meer informatie:

  • Functie-engineering en -featurisatie: Trainingsgegevens bestaan uit rijen en kolommen. Elke rij is een observatie of record en de kolommen van elke rij zijn de functies die elke record beschrijven. Doorgaans kiest u de functies die de patronen in de gegevens het beste karakteriseren om voorspellende modellen te maken.

Hoewel u veel van de onbewerkte gegevensvelden kunt gebruiken om een model te trainen, moet u mogelijk andere ontworpen functies maken die informatie bieden om patronen in de gegevens gemakkelijker te onderscheiden. Dit proces wordt functie-engineering genoemd, waarbij u domeinkennis van de gegevens gebruikt om functies te maken die machine learning-algoritmen helpen beter te leren.

In Machine Learning worden technieken voor het schalen en normaliseren van gegevens toegepast om functie-engineering eenvoudiger te maken. Deze technieken en functie-engineering worden gezamenlijk featurization genoemd in AutoML-experimenten. Voor meer informatie, zie Gegevensfeaturisatie in AutoML.

Microsoft Foundry

In Foundry kunt u een proces gebruiken dat fine-tuning wordt genoemd om modellen aan te passen aan uw persoonlijke gegevenssets. Deze aanpassingsstap optimaliseert de service door de volgende voordelen te bieden:

  • Hogere kwaliteit resultaten vergeleken met alleen prompt engineering
  • De mogelijkheid om te trainen op meer voorbeelden dan de maximale aanvraagcontextlimiet van een model, is doorgaans mogelijk
  • Tokenbesparingen vanwege kortere prompts
  • Aanvragen met een lagere latentie, met name wanneer u kleinere modellen gebruikt

Zie de volgende bronnen voor meer informatie:

Foundry Tools voor aangepaste AI

Foundry Tools biedt functies voor het bouwen van aangepaste AI-modellen en -toepassingen. De volgende secties bieden een overzicht van deze belangrijke functies.

Gepersonaliseerde spraak

Aangepaste spraak is een functie van Azure Speech. U kunt aangepaste spraak gebruiken om de nauwkeurigheid van spraakherkenning voor uw toepassingen en producten te evalueren en te verbeteren. Gebruik een aangepast spraakmodel voor realtime spraak naar tekst, spraakomzetting en batchtranscriptie.

Spraakherkenning maakt standaard gebruik van een universeel taalmodel als basismodel. Dit model wordt getraind met gegevens die eigendom zijn van Microsoft en weerspiegelt veelgebruikte gesproken taal. Het basismodel is vooraf getraind met dialecten en fonetiek die algemene domeinen vertegenwoordigen. Wanneer u een aanvraag voor spraakherkenning maakt, wordt het meest recente basismodel voor uw ondersteunde taal standaard gebruikt. Het basismodel werkt goed in de meeste scenario's voor spraakherkenning.

U kunt een aangepast model gebruiken om het basismodel te verbeteren. U kunt bijvoorbeeld de herkenning van domeinspecifieke vocabulaire die specifiek is voor een toepassing verbeteren door tekstgegevens op te geven om het model te trainen. U kunt ook de herkenning verbeteren voor specifieke audiovoorwaarden van een toepassing door audiogegevens op te geven, inclusief referentietranscripties.

Als de gegevens een patroon volgen, kunt u gestructureerde tekst gebruiken om een model te trainen. U kunt aangepaste uitspraken opgeven en weergavetekstopmaak aanpassen met behulp van aangepaste inverse tekstnormalisatie, aangepast herschrijven en aangepast filteren op grof taalgebruik.

Aangepaste vertaler

Custom Translator is een functie van Azure Translator. Ondernemingen, app-ontwikkelaars en taalserviceproviders kunnen aangepaste vertalers gebruiken om aangepaste NMT-systemen (Neural Machine Translation) te bouwen. De aangepaste vertaalsystemen kunnen worden geïntegreerd in bestaande toepassingen, werkstromen en websites.

U kunt deze functie gebruiken om aangepaste vertaalsystemen te bouwen en te publiceren van en naar het Engels. Custom Translator ondersteunt meer dan drie dozijn talen die rechtstreeks overeenkomen met de talen voor NMT. Zie Translator-taalondersteuningvoor een volledige lijst met talen.

Aangepaste vertaler biedt de volgende functies.

Functie Beschrijving
NMT-technologie toepassen Pas NMT toe vanuit de aangepaste vertaler om uw vertaling te verbeteren.
Systemen bouwen die uw zakelijke terminologie kennen U kunt vertaalsystemen aanpassen en bouwen met behulp van parallelle documenten die gebruikmaken van de terminologie in uw bedrijf en branche.
Een woordenlijst gebruiken om uw modellen te bouwen Train een model met behulp van alleen woordenlijstgegevens als u geen trainingsgegevensset hebt.
Werk samen met anderen Werk samen met uw team door uw werk te delen met andere personen.
Uw aangepaste vertaalmodel gebruiken Gebruik uw aangepaste vertaalmodel op elk gewenst moment met uw bestaande toepassingen of programma's via Microsoft Translator Text API V3.

Aangepaste modellen

Azure Document Intelligence maakt gebruik van geavanceerde machine learning-technologie voor het identificeren van documenten, het detecteren en extraheren van informatie uit formulieren en documenten en het retourneren van de geëxtraheerde gegevens in een gestructureerde JSON-uitvoer. Gebruik Document Intelligence om te profiteren van vooraf gedefinieerde of vooraf getrainde documentanalysemodellen of getrainde zelfstandige aangepaste modellen.

aangepaste modellen van Document Intelligence aangepaste classificatiemodellen bevatten voor scenario's waarin u het documenttype moet identificeren voordat u het extractiemodel aanroept. U kunt een classificatiemodel koppelen aan een aangepast extractiemodel om velden te analyseren en te extraheren uit formulieren en documenten die specifiek zijn voor uw bedrijf. Combineer zelfstandig werkende aangepaste extractiemodellen om samengestelde modellen te maken .

Aangepaste analyser

Azure Content Understanding maakt gebruik van generatieve AI om veel soorten inhoud te verwerken of op te nemen, waaronder documenten, afbeeldingen, video's en audio, in een door de gebruiker gedefinieerde uitvoerindeling. Inhoudsanalyse biedt vooraf ingebouwde analysemogelijkheden voor algemene inhoudstypen en scenario's.

Custom Analyzer is een functie van Content Understanding waarmee aangepaste analysefuncties worden gemaakt die zijn afgestemd op uw specifieke behoeften voor inhoudsverwerking. U kunt aangepaste extractieregels en entiteitsherkenningspatronen definiëren om te voldoen aan uw bedrijfsvereisten.

Aangepaste AI-hulpprogramma's

Vooraf samengestelde AI-modellen zijn nuttig en steeds flexibeler, maar de beste manier om AI te optimaliseren, is door een model aan te passen aan uw specifieke behoeften. Twee primaire hulpprogramma's voor het maken van aangepaste AI-modellen zijn generatieve AI en traditionele machine learning.

Azure Machine Learning Studio

Azure Machine Learning Studio is een cloudservice voor het versnellen en beheren van de levenscyclus van het Machine Learning-project. Machine learning-professionals, gegevenswetenschappers en technici kunnen deze gebruiken in hun werkstromen om modellen te trainen en te implementeren en machine learning-taken te beheren.

  • Machine Learning-modellen bouwen en trainen met behulp van elk type rekenproces, waaronder Spark en GPU's voor grootschalige, grote AI-workloads in de cloud.

  • Voer AutoML uit en gebruik de gebruikersinterface voor selecteren en verplaatsen voor Machine Learning met weinig code.

  • End-to-end Machine Learning-taken en herhaalbare pijplijnen implementeren.

  • Gebruik het verantwoordelijke AI-dashboard voor detectie van vooroordelen en foutanalyse.

  • Prompt engineering- en taalmodelstromen organiseren en beheren.

  • Implementeer modellen via REST API-eindpunten, real-time inference en batch-inference.

  • Gebruik hubwerkruimten om rekenkracht, quota, beveiliging en connectiviteit met ondernemingsresources te delen, terwijl u governance voor IT centraliseert. Stel één keer een hub in en maak vervolgens rechtstreeks vanuit de studio beveiligde werkruimten voor elk project. Gebruik hubs om het werk van uw team in de studio en de Foundry-portal te beheren.

Gieterij

Foundry helpt u bij het efficiënt bouwen en implementeren van aangepaste generatieve AI-toepassingen met behulp van Azure AI-mogelijkheden.

  • Bouw samen als één team. Uw Foundry-account biedt beveiliging op bedrijfsniveau en een samenwerkingsomgeving met gedeelde resources en verbindingen met vooraf getrainde modellen, gegevens en berekeningen.

  • Organiseer uw werk. Met uw Foundry-project kunt u de status opslaan, zodat u van het eerste idee naar het eerste prototype en de eerste productie-implementatie kunt herhalen. Nodig anderen eenvoudig uit om met u samen te werken.

  • Gebruik uw favoriete ontwikkelplatform en frameworks, waaronder GitHub, Visual Studio Code, Agent Framework, Semantic Kernel en AutoGen.

  • Ontdek en benchmark modellen uit een brede catalogus.

  • Stel modellen als een dienst (MaaS) in via serverloze API's en gehoste afstemming.

  • Neem meerdere modellen, gegevensbronnen en modaliteiten op.

  • Bouw RAG met behulp van uw beveiligde bedrijfsgegevens, zonder dat u ze hoeft af te stemmen.

  • Ontwerp en beheer prompt engineering en grote taalmodelstromen.

  • Apps en API's ontwerpen en beveiligen via configureerbare filters en besturingselementen.

  • Modelantwoorden evalueren met behulp van ingebouwde en aangepaste evaluatiestromen.

  • Implementeer AI-innovaties in de door Azure beheerde infrastructuur om continue bewaking en governance in omgevingen te bieden.

  • Continu geïmplementeerde apps bewaken voor veiligheid, kwaliteit en tokenverbruik in productie.

Foundry Agent Service in de Foundry-portaal

Foundry Agent Service is een hulpprogramma dat u kunt gebruiken om AI-agents te maken met behulp van een niet-code en niet-deterministische benadering. De agents worden weergegeven als microservices in het Foundry-account.

Elke agent maakt verbinding met een basismodel uit de catalogus Foundry Models. Agents kunnen eventueel verbinding maken met uw aangepaste persoonlijke kennisarchieven of openbare gegevens. Agents kunnen ook hulpprogramma's aanroepen om aangepaste code aan te roepen en taken uit te voeren.

Aangepaste AI-programmeertalen

Het kernconcept van AI is het gebruik van algoritmen voor het analyseren van gegevens en het genereren van modellen om het op nuttige manieren te beschrijven of te beoordelen. Ontwikkelaars en gegevenswetenschappers, en soms andere algoritmen, gebruiken programmeercode om algoritmen te schrijven. Twee van de populairste programmeertalen voor AI-ontwikkeling zijn Python en R.

Python is een programmeertaal voor algemeen gebruik op hoog niveau. Het heeft een eenvoudige syntaxis die de leesbaarheid benadrukt. U hoeft geen compilatiestap uit te voeren. Python heeft een grote standaardbibliotheek en biedt ondersteuning voor de mogelijkheid om modules en pakketten toe te voegen. Deze functie moedigt modulariteit aan en stelt u in staat om de mogelijkheden zo nodig uit te breiden. Er bestaat een groot en groeiend ecosysteem van AI- en machine learning-bibliotheken voor Python, waaronder veel in Azure.

Zie de volgende bronnen voor meer informatie:

R- is een taal en omgeving voor statistische computing en graphics. U kunt het voor alles gebruiken, van het online toewijzen van brede sociale en marketingtrends tot het ontwikkelen van financiële en klimaatmodellen.

Microsoft omarmt de R-programmeertaal volledig en biedt veel opties voor R-ontwikkelaars om hun code in Azure uit te voeren.

Zie R interactief gebruiken op Machine Learningvoor meer informatie.

Zie de volgende resources voor algemene informatie over aangepaste AI in Azure:

Klantverhalen

Veel branches passen AI op innovatieve en inspirerende manieren toe. Bekijk de volgende casestudy's en succesverhalen van klanten:

Door meer AI-klantverhalen bladeren

Algemene informatie over Microsoft AI

Meer informatie over Microsoft AI en op de hoogte blijven van gerelateerd nieuws:

Volgende stap

  • AI-werklasten op Azure
  • Last updated on