AI e aprendizado de máquina em Databricks
Crie, implante e gerencie aplicativos de aprendizado de máquina e AI com o Mosaic AI, uma plataforma integrada que unifica todo o ciclo de vida do AI, desde a preparação dos dados até o monitoramento da produção.
Para obter um conjunto de tutoriais para que o senhor comece, consulte AI e o tutorial de aprendizado de máquina.
Crie aplicativos generativos em AI
AI Desenvolva e implante aplicativos generativos de nível empresarial, como LLMs ajustados, agentes AI e geração aumentada por recuperação.
Recurso | Descrição |
---|---|
Prototipar e testar modelos generativos do AI com engenharia imediata sem código e ajuste de parâmetros. | |
Abordagem simples e sem código para criar e otimizar sistemas de agentes AI de alta qualidade e específicos do domínio para casos de uso comuns do AI. | |
Atenda a LLMs de última geração, incluindo Meta Llama, Anthropic Claude e OpenAI GPT, por meio de APIs seguras e dimensionáveis. | |
Crie e implante agentes com qualidade de produção, incluindo aplicativos RAG e sistemas multiagentes com Python. | |
Meça, melhore e monitore a qualidade em todo o ciclo de vida do aplicativo GenAI usando as métricas do AIe a observabilidade de rastreamento abrangente. | |
Armazene e consulte vetores de incorporação com sincronização automática com sua base de conhecimento para aplicativos RAG. | |
Personalize os modelos de fundação com seus próprios dados para otimizar o desempenho de aplicativos específicos. |
Treinar o modelo clássico de aprendizado de máquina
Crie modelos de aprendizado de máquina com ferramentas automatizadas e ambientes de desenvolvimento colaborativo.
Recurso | Descrição |
---|---|
Crie automaticamente modelos de alta qualidade com o mínimo de código usando engenharia de recurso automatizada e ajuste de hiperparâmetros. | |
Clustering pré-configurado com TensorFlow, PyTorch, Keras, e suporte a GPU para desenvolvimento de aprendizagem profunda. | |
Acompanhe experimentos, compare o desempenho do modelo e gerencie o ciclo de vida completo do desenvolvimento do modelo. | |
Criar, gerenciar e servir recursos com pipeline automatizado de dados e descoberta de recursos. | |
Ambiente de desenvolvimento colaborativo com suporte para Python, R, Scala, e SQL para ML fluxo de trabalho. |
Treinar modelos de aprendizagem profunda
Usar estruturas integradas para desenvolver modelos de aprendizagem profunda.
Recurso | Descrição |
---|---|
Exemplos de aprendizagem profunda distribuída usando Ray, TorchDistributor e DeepSpeed. | |
Práticas recomendadas para aprendizagem profunda no Databricks | Práticas recomendadas para aprendizagem profunda em Databricks. |
Treinamento distribuído e de nó único usando PyTorch. | |
Treinamento distribuído e de nó único usando TensorFlow e TensorBoard. | |
Soluções de referência para aprendizagem profunda. |
implantado e servir modelos
Implemente modelos na produção com endpoint escalável, inferência de tempo real e monitoramento de nível empresarial.
Recurso | Descrição |
---|---|
Implante modelos personalizados e LLMs como ponto de extremidade REST escalonável com dimensionamento automático e suporte a GPU. | |
Administre e monitore o acesso a modelos generativos AI com acompanhamento de uso, registro de carga útil e controles de segurança. | |
Integrar modelos de terceiros hospedados fora da Databricks com governança e monitoramento unificados. | |
Acesse e consulte modelos abertos de última geração hospedados pela Databricks. |
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.
Recurso | Descrição |
---|---|
Administre dados, recursos, modelos e funções com controle de acesso unificado, acompanhamento de linhagem e descoberta. | |
Monitore a qualidade dos dados, o desempenho do modelo e o desvio da previsão com alerta automatizado e análise da causa raiz. | |
Acompanhe, avalie e monitore os aplicativos generativos AI durante todo o ciclo de vida do 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.
Tarefa | Descrição |
---|---|
Gerenciar versões, aprovações e implementações de modelos com o gerenciamento centralizado do ciclo de vida do modelo. | |
Crie um fluxo de trabalho automatizado e um pipeline ETL pronto para produção para o processamento de dados ML. | |
escala ML cargas de trabalho com computação distribuída para treinamento e inferência de modelos de grande escala. | |
Implemente o site MLOps de ponta a ponta com treinamento automatizado, testes e pipeline de implantação. | |
Controle de versão ML code e Notebook com integração perfeita do Git e desenvolvimento colaborativo. |