Azure AI und Azure KI – wo ist der Unterschied?

Durchblick im Studio-Dschungel

Ich habe dir hier bereits in mehreren Artikeln einzelne Dienste aus dem Portfolio der Azure KI-Dienste vorgestellt. Häufig fällt dabei auch der Begriff Azure AI Services. Die Azure-KI-Services mit ihren vielseitigen Disziplinen wie z. B.  maschinellem Sehen, Gesichtserkennung oder der optischen Zeichenerkennung unterscheiden sich von denen, die Microsoft im Rahmen der Kooperation mit OpenAI unter dem Label „Azure OpenAI offeriert. Verwirrt? Nicht zu Unrecht. Daher möchte ich mit diesem Beitrag etwas im Begrifflichkeiten-Dschungel aufräumen. Hier gelangst du zu unseren Azure Schulungen.

Das Thema KI und ML umfasst mehrere Aspekte: Der eine ist ein mathematisch-wissenschaftlicher. Datenwissenschaftler und Analysten befassen sich mit dem Entwerfen von Modellen, welche geeignet sind, Aspekte unserer Welt mithilfe von künstlicher Intelligenz und/oder maschinellem Lernen zu verstehen, um schließlich mit Training und Vorhersage Lösungen zu generieren. Azure bietet ein großes Portfolio vortrainierter Modelle, die sich Datenanalysen zunutze machen, um Erkenntnisse aus Daten zu gewinnen. Azure bietet aber auch Plattformen und Tools, mit denen Analysten eigene Modelle entwickeln zu können. Darüber hinaus bieten die einschlägigen Programmiersprachen – allen voran Python – Bibliotheken, mit denen du KI- und ML-Algorithmen in den eigenen Programmcode integrieren kannst. Hierzu gibt es übrigens eine tiefe Integration, z. B. in VS Code, aber auch in das Machine Learning Studio in Azure.

In der Praxis wird es häufig so sein, dass Entwicklung und Data Science zusammenarbeiten. In diesem Artikel konzentrieren wir uns primär auf das Verwenden der verfügbaren ML/KI-Plattformen in Azure, um uns mit den prall gefüllten Werkzeugkästen an KI-Lösungen in der Azure-Cloud vertraut zu machen. Es geht weniger um das Verstehen oder Entwickeln eigener Modelle. Natürlich stellt Microsoft auch die benötigten Client-Bibliotheken, z. B. für Python oder C# zur Verfügung, damit Entwickler ML/KI-Techniken in ihren Programm-Code integrieren können.

Was ist Azure KI, bzw. Azure AI?

Bislang ist/war KI aus unterschiedlichen Gründen nur für große Technologieunternehmen nutzbar, u. a. weil für das Modelltraining großen Datenmengen erforderlich sind, was wiederrum enorme Rechenleistung voraussetzt, die bei den meisten Unternehmensgrößen das Budget sprengt. Außerdem müssen häufig spezialisierte Programmierer und/oder Datenwissenschaftler eingestellt und/oder ausgebildet werden. Mit den „Azure KI Services“ (je nach Lokalisierung des Portals, bzw.  Version und Kontext der Dokumentation auch „Azure AI Services“ genannt) macht Microsoft KI für Unternehmen aller Größen zugänglich, welche nun vorgefertigte Machine Learning-Modelle verwenden können, um KI als Dienst bereitzustellen. Die Azure KI Services stützen sich auf die hohe Rechenleistung von Azure, um erweiterte KI-Modelle als Ressourcen bereitzustellen.

Sinn und Zweck der Azure KI ist die Bereitstellung Cloud-basierter KI-Funktionen, die sich unkompliziert in Web- oder mobile Anwendungen integrieren lassen. Zu diesen KI-Diensten gehören Bilderkennung, Spracherkennung, linguistische Datenverarbeitung, KI-gestützte Suche und einiges mehr. In Summe sind es derzeit bereits 20 Services, die einzeln oder zusammen genutzt werden können („multi-service-account“, siehe unten), damit du z. B. deine Anwendungen mit KI anreichern kannst.

So kannst du beispielsweise den Dienst „Azure KI Inhaltssicherheit“ (Content Safety) verwenden, um in Text oder Bildern unerwünschte Inhalte zu erkennen, wie z. B. Gewalt, Sex, Hassrede usw., bzw. nach deren Schweregrad klassifizieren. Der Dienst „Azure KI Speech“ hingegen stellt dir Funktionen für Spracherkennung und Sprachsynthese zur Verfügung, um Sprache präzise in Text oder Text in natürliches Sprachaudio übersetzen zu können. Du kannst auch den Dienst „Azure KI Language“ verwenden, um in deinen Anwendungen einen Service zu integrieren, der Texte zusammenzufasst, Informationen klassifiziert oder Schlüsselbegriffe erkennt. Laut Microsoft liegen den Azure KI Services drei Prinzipien zugrunde, die dir letztlich helfen können, z. B, die Time-to-Market zu verbessern:

1. Alle Azure KI-Services sind vorgefertigt und einsatzbereit
2. Alle Azure KI-Services können über APIs zugegriffen werden
3. Alle Azure KI-Services sind direkt in Azure verfügbar

Du kannst die Azure KI Services unverändert nutzen, hast aber bei einigen KI-Diensten auch die Möglichkeit der Anpassung, um spezielle Anforderungen besser erfüllen zu können. Diese Anpassungsmöglichkeiten z. B. in Azure KI Vision, Azure KI Speech und Azure OpenAI erlauben es dir, vorhandenen Modellen Daten hinzuzufügen.

Zugriff über APIs

Die Azure KI Services lassen sich mit minimalem Programmieraufwand auch in verschiedenen Entwicklungsumgebungen nutzen, denn als Entwickler kannst du auch über REST-APIs, Client-Bibliotheken oder mit Tools wie Azure Logic Apps oder Power Automate auf die KI-Dienste zugreifen.

Alle Azure KI-Dienste sind cloudbasiert und daher als Azure-Ressource zugänglich, d. h. du kannst sie auf die gleiche Weise wie andere Azure-Dienste verwalten, also als Platform-as-a-Service (PaaS), Infrastructure-as-a-Service (IaaS) oder als einen verwalteten Datenbankdienst. Da alle Azure KI Services cloudbasiert sind, musst du demnach wie bei allen Azure-Diensten vorab eine Ressource erstellen, um den Dienst nutzen zu können.

Studio-Schnittstellen

Möglicherweise fragst du dich anhand meiner bisherigen Beiträge, worin genau der Unterschied besteht zwischen Azure-Ressourcen, wie z. B. „Azure AI services“, „Azure Machine Learning“ sowie den jeweiligen untergeordneten Ressourcen wie und „Azure Open AI“, „Maschinelles Sehen“ oder „Custom Vision“ auf der einen Seite und den diversen „KI-/AI-Studios“.

Folgender Screenshot zeigt z. B. den Azure-Dienst „Azure AI services“ als übergeordnete Ressource, in der du wahlweise kombinierte „Azure AI services“ oder spezialisierte AI-Services wie „AI Search“, „Maschinelles Sehen“ usw. erstellen kannst. Dabei fällt auf, dass die Ressource „Azure AI services“ zwei Mal mit unterschiedlichen Logos auftaucht, einmal als übergeordneter Dienst und einmal als spezialisierte Ressource. 

Hier taucht z. B. auch die schon behandelte „Azure Open AI“-Sub-Ressource (Link zu OpenAI-Artikel) auf, mit deren Hilfe du Services erstellen und betreiben kannst, die auf der Zusammenarbeit von Microsoft mit Open AI resultieren.

Im Unterschied dazu zeigt unten stehendes Bild einen Ausschnitt aus meinen Edge-Lesezeichen mit einer kleinen Auswahl der diversen KI-Studios:

Architektonisch ist es so, dass die erstgenannten Dienste Azure-Services sind, die du „im“ Azure-Portal erstellen kannst, sofern du mit einem ausrechend berechtigten Benutzer im Azure -Portal angemeldet bist. Allerdings musst du einige dieser Dienste vorher „amtlich“ bei Microsoft registrieren.

Die diversen Studios hingegen verfügen über eine jeweils eigenen öffentlichen DNS-Namen wie z. B. https://portal.vision.cognitive.azure.com/, welche du direkt aufrufen kannst. Um das jeweilige Studio produktiv zu nutzen, musst du dich jeweils rechts oben bei „SignIn“ mit einem Unternehmenskonto anmelden und anschließend die Studio-Ressource mit einer ggf. vorab erstellen Azure-KI-Services-Ressource verknüpfen, indem du auf das Zahnrad-Symbol klickst und dann im Dialog „Select a resource to work with“ die jeweilige vorab erstellte Azure-KI-Ressource verknüpfst oder an dieser Stelle mit „+ Create a new resouce“ neu erstellst.

Erstellst du die jeweilige Azure-KI-Ressource vorab im Azure-Portal, wie z. B. eine „Maschinelles Sehen“ (Computervison), „Custom Vision“ oder „Gesichtserkennungs-API“ (du siehst hier schon, dass sich die einzelnen Dienste nicht nur in ihrem Einsatzzweck überschneiden, sondern auch kombinierbar sind), stellt Microsoft von hier aus einen Link oder Button zum jeweiligen Studio zur Verfügung, in der Regel auf der „Übersichtsseite“.

Während du in der jeweiligen Azure-KI-Ressource vorrangig Dinge tust, wie die zugehörigen Schlüssel und Endpunkte abrufen, den Tarif einstellen, die Netzwerkintegration einrichten oder die Kosten analysierst …

… dienen die über die Studio-API angebundenen Studios dem interaktiven Experimentieren mit Modellen:

Diese Studio-APIs bieten jeweils eine benutzerfreundliche Benutzeroberfläche zum Erkunden von Azure KI Services.  Du kannst Azure KI Services mit den bereitgestellten Beispielen testen oder mit deinen eigenen Inhalten experimentieren. Das „Studio“-basierten Konzept erlaubt es dir, Azure KI Services unabhängig von deiner Erfahrung mit KI oder Programmierung testen und bewerten zu können.

Nicht eben zur Übersichtlichkeit der Zusammenhänge trägt bei, dass es nicht nur für nahezu jeden Azure-KI-Service ein passendes Studio, sondern dass es mit dem neuen Azure AI Studio auch eine Art übergeordneten Studio gibt, mit dem Entwickler laut Microsoft künftig alle ihre KI-Lösungen an einem zentralen Ort erstellen, auswerten und bereitstellen können. Auch hier ist sich Microsoft offensichtlich nicht einig über die Namensgebung. Der Hinweis im Screenshot verweist unverkennbar auf das neue „Azure AI Studio“. Dem Screenshot davor ist zu entnehmen, dass dessen URL auch https://ai.azure.com lautet. Im Studio selbst ist dann auf der Startseite von „Azure AI Studio“ die Rede, links oben steht aber „Azure KI Studio“.

Umgang mit Studios und Diensten

Treten wir nun aber noch einen Schritt zurück und werfen einen grundlegenden Blick auf die KI-Dienste der Azure-Plattform. Wie du im Portal „Azure AI services“ unschwer erkennen kannst, gibt es eine ganze Reihe von KI-Diensten (ja Microsoft jongliert/variiert je nach Lokalisation in den Bezeichnungen zwischen „KI“ und „AI“ sowohl im Azure Portal als auch in den jeweilige Studios). Eindeutig von KI abzugrenzen ist jedoch Maschine Learning (ML), ein Dienst, für den es eigene Portale und Studios gibt. Hast du im Azure-Portal z. B. eine Ressource vom Typ „Maschinelles Sehen“ erstellt, erkennst du im Portal „Azure AI services“ im Abschnitt „All Azure AI services“, dass du nun über eine Ressource vom Typ „ComputerVision“ verfügst, allerdings über keine Ressource vom Typ „Azure AI services“.

Auf diese Doppelbedeutung der Ressource „Azure AI services“ einmal als übergeordnete und einmal als spezialisierte Ressource hatte ich bereits hingewiesen. Da alle KI/AI-Dienste in einem Entwicklungs-Projekt kombinierbar sind unterscheidet Microsoft zwischen eine „Ressource für mehrere Dienste“ und eine „Ressource für einen einzelnen Dienst“. Wir haben z. B. oben eine spezialisierte Ressource vom Typ „ComputerVision“ erzeugt.

Wir hätten aber auch eine Ressource erzeugen können, innerhalb derer sich mehrere Azure-KI-Dienste im Rahmen eines Projektes hätten kombinieren lassen. Diese würdest du dann im Portal „Azure AI services“ im Abschnitt „Azure AI services“ im Menü „Azure AI Services“ sehen.  Erstellen kannst du diese mit dem Menüpunkt „Azure AI services multi-service account“. Sie verfügt über ihre eigenen Endpunkte und Schlüssel, die du alternativ zu dem Schlüsseln der spezialisierten Ressourcen ebenfalls verwenden kannst.

Erstellst du eine solche, benötigst du wie üblich eine Subscription, eine Ressourcengruppe, eine Region, einen Namen und einen Tarif.

Dieser taucht anschließend nicht nur im Abschnitt „All Azure AI services“ des Portals „Azure AI services“ auf …

… sondern kann nun auch im jeweiligen Studio verknüpft werden, z. B. im Vision Studio.

Ist dein Ziel also Gesichtserkennung, kannst du je nach Bedarf eine Ressource vom Typ „Maschinelles Sehen“ (ComputerVision), „Gesichtserkennungs-API“, „Custom Vision“ oder „Azure AI services multi-service-account“ erstellen und z. B. mit dem Vision-Studio verknüpfen. Dessen Startseite begrüßt dich dann wie folgt: Die Funktionen zur Gesichtserkennung findest du dann im Tab „Face“.