Apprendimento automatico in Azure Databricks

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.
  • Last updated on