Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Compilare, distribuire e gestire applicazioni di Machine Learning in Azure Databricks. La piattaforma integrata unifica l'intero ciclo di vita di Machine Learning dalla preparazione dei dati al monitoraggio della produzione.
Cerchi IA generativa e agenti IA? Vedi Crea agenti di intelligenza artificiale in Azure Databricks.
Get started
Provare una guida introduttiva, preparare i dati o creare un modello con poco codice.
| Guida | Description |
|---|---|
| Introduzione: Creare il primo modello di Machine Learning in Databricks | Creare un modello di classificazione semplice con scikit-learn end-to-end. |
| AutoML | Creare automaticamente modelli di alta qualità con codice minimo usando la progettazione automatizzata delle funzionalità e l'ottimizzazione degli iperparametri. |
| Caricare i dati per Machine Learning e Deep Learning | Caricare e preparare i dati per i flussi di lavoro di Machine Learning e Deep Learning. |
| Eseguire il training dei modelli di raccomandazione | Addestra un modello di raccomandazione con un'architettura a due torri o DLRM. |
Eseguire il training di modelli di Machine Learning classici
Creare modelli di Machine Learning con strumenti automatizzati e ambienti di sviluppo collaborativo.
| Feature | Description |
|---|---|
| Databricks Runtime per ML | Cluster preconfigurato con scikit-learn, XGBoost, MLflow e altre librerie ml, oltre al supporto per framework di Deep Learning. |
| Monitoraggio MLflow | Tenere traccia degli esperimenti, confrontare le prestazioni del modello e gestire il ciclo di vita completo dello sviluppo del modello. |
| Progettazione di funzionalità | Creare, gestire e gestire funzionalità con pipeline di dati automatizzate e individuazione delle funzionalità. |
| Notebook di Databricks | Ambiente di sviluppo collaborativo con supporto per python, R, Scala e SQL per i flussi di lavoro di Machine Learning. |
Addestrare modelli di deep learning
Usare framework di calcolo gestiti e predefiniti per sviluppare modelli di Deep Learning.
| Feature | Description |
|---|---|
| Training distribuito | Esempi di Deep Learning distribuito con Ray, TorchDistributor e DeepSpeed. |
| Ambiente di esecuzione dell'intelligenza artificiale | Elaborazione serverless con GPU per carichi di lavoro personalizzati di addestramento e inferenza dell'apprendimento profondo. |
| Procedure consigliate per il deep learning | Linee guida per la scelta del framework, il caricamento dei dati, il ridimensionamento distribuito e la gestione del ciclo di vita del modello di Deep Learning. |
| PyTorch | Training a nodo singolo e distribuito tramite PyTorch. |
Distribuire e gestire modelli
Distribuire modelli in produzione con endpoint scalabili, inferenza in tempo reale e monitoraggio di livello aziendale.
| Feature | Description |
|---|---|
| Gestione dei modelli | Distribuire modelli personalizzati e LLM come endpoint REST scalabili con scalabilità automatica e supporto GPU. |
| Gateway di intelligenza artificiale | Gestire e monitorare l'accesso ai modelli gestiti su Azure Databricks con il rilevamento dell'utilizzo, la registrazione del payload e i controlli di sicurezza. |
| Modelli esterni | Integrare modelli di terze parti ospitati all'esterno di Databricks con governance e monitoraggio unificati. |
| API del modello di base | Accesso ed esecuzione di query su modelli aperti all'avanguardia ospitati da Databricks. |
Monitorare e gestire i sistemi di Machine Learning
Garantire la qualità del modello, l'integrità dei dati e la conformità con strumenti completi di monitoraggio e governance.
| Feature | Description |
|---|---|
| Catalogo Unity | Gestire dati, funzionalità, modelli e funzioni con controllo di accesso unificato, rilevamento della derivazione e individuazione. |
| Profilatura dei dati | Monitorare la qualità dei dati, le prestazioni del modello e la deviazione della stima con avvisi automatizzati e analisi della causa radice. |
| Rilevamento anomalie | Monitorare l'aggiornamento e la completezza dei dati a livello di catalogo. |
| MLflow per i modelli | Tenere traccia degli esperimenti, gestire i modelli in Unity Catalog, distribuire e valutare i modelli di Machine Learning nel ciclo di vita di sviluppo. |
Industrializzare i flussi di lavoro ML
Ridimensionare le operazioni di Machine Learning con flussi di lavoro automatizzati, integrazione CI/CD e pipeline pronte per la produzione.
| Feature | Description |
|---|---|
| Modelli nel catalogo Unity | Usare il Registro di sistema dei modelli in Unity Catalog per la governance centralizzata e per gestire il ciclo di vita del modello, incluse le distribuzioni. |
| Lavori Lakeflow | Creare flussi di lavoro automatizzati e pipeline ETL pronte per la produzione per l'elaborazione dei dati di Machine Learning. |
| Ray on Databricks | Scalare i carichi di lavoro di machine learning con il calcolo distribuito per la formazione e la deduzione di modelli di grandi dimensioni. |
| Flussi di lavoro MLOps | Implementare MLOps end-to-end con pipeline di training, test e distribuzione automatizzate. |