Pular para o conteúdo principal
Última atualização em

Aprendizado de máquina no Databricks

Crie, implante e gerencie aplicativos de machine learning no Databricks. A plataforma integrada unifica todo o ciclo de vida do ML, desde a preparação de dados até o monitoramento da produção.

Procurando por AI generativa e agentes AI ? Veja Criar agentes AI no Databricks.

Começar​

Experimente um início rápido, prepare os dados ou crie um modelo de baixo código.

Treinar o modelo clássico de aprendizado de máquina​

Crie modelos de aprendizado de máquina com ferramentas automatizadas e ambientes de desenvolvimento colaborativo.

    • Databricks Runtime para ML
    • Clusters pré-configurados com scikit-learn, XGBoost, MLflow e outras bibliotecas de aprendizado de máquina, além de suporte para frameworks de aprendizagem profunda.
    • MLflow acompanhamento
    • Acompanhe experimentos, compare o desempenho do modelo e gerencie o ciclo de vida completo do desenvolvimento do modelo.
    • recurso engenharia
    • Criar, gerenciar e servir recursos com pipeline automatizado de dados e descoberta de recursos.
    • Notebooks do Databricks
    • Ambiente de desenvolvimento colaborativo com suporte para Python, R, Scala, e SQL para ML fluxo de trabalho.

Ensinar modelos de aprendizagem profunda​

Utilize compute gerenciado e estruturas integradas para desenvolver modelos de aprendizagem profunda.

    • RuntimeAI
    • Compute de GPU serverless para cargas de trabalho de treinamento e inferência de aprendizagem profunda personalizadas.
    • Práticas recomendadas de DL
    • Orientação para escolha de framework, carregamento de dados, escalonamento distribuído e gerenciamento do ciclo de vida do modelo de aprendizagem profunda.
    • PyTorch
    • Treinamento distribuído e de nó único usando PyTorch.

implantado e servir modelos​

Implemente modelos na produção com endpoint escalável, inferência de tempo real e monitoramento de nível empresarial.

    • Servindo modelo
    • Implante modelos personalizados e LLMs como ponto de extremidade REST escalonável com dimensionamento automático e suporte a GPU.
    • Gateway de IA
    • Governe e monitore o acesso a modelos servidos no Databricks com acompanhamento de uso, registro de payload e controles de segurança.
    • Modelos externos
    • Integrar modelos de terceiros hospedados fora da Databricks com governança e monitoramento unificados.

Monitorar e controlar os sistemas de ML​

Garanta a qualidade do modelo, a integridade dos dados e compliance com ferramentas abrangentes de monitoramento e governança.

    • Unity Catalog
    • Administre dados, recursos, modelos e funções com controle de acesso unificado, acompanhamento de linhagem e descoberta.
    • perfil de dados
    • Monitore a qualidade dos dados, o desempenho do modelo e o desvio da previsão com alerta automatizado e análise da causa raiz.
    • MLflow para modelos
    • Acompanhar experimentos, gerenciar modelos no Unity Catalog, implantar e avaliar modelos do machine learning ao longo de todo o ciclo de vida de desenvolvimento.

Produção ML fluxo de trabalho​

escala operações de aprendizado de máquina com fluxo de trabalho automatizado, integração CI/CD e pipeline pronto para produção.

    • Modelos no Unity Catalog
    • Utilize o registro de modelo em Unity Catalog para governança centralizada e para gerenciar o ciclo de vida do modelo, incluindo implementações.
    • Jobs do Lakeflow
    • Crie um fluxo de trabalho automatizado e um pipeline ETL pronto para produção para o processamento de dados ML.
    • Ray em Databricks
    • escala ML cargas de trabalho com computação distribuída para treinamento e inferência de modelos de grande escala.
    • MLOps fluxo de trabalho
    • Implemente o site MLOps de ponta a ponta com treinamento automatizado, testes e pipeline de implantação.
Nesta página