Azure AI Überblick: Welcher Dienst leistet was?
Die Anzahl verfügbarer AI-Dienste in Azure nimmt von Monat zu Monat zu, sodass gerade Einsteiger schnell den Überblick verlieren können. Hilfreich ist, sich zu gegenwärtigen, dass sich die verfügbaren Dienste historisch einordnen lassen. Dieser Artikel zeigt aus der Vogelperspektive, welche Dienste verfügbar sind und was sie leisten können. In unseren Kursen, wie z. B. Microsoft Azure AI Fundamentals, Develop Generative AI Solutions with Azure OpenAI Service und Designing and Implementing a Microsoft Azure AI Solution erfährst du alles was du darüber wissen musst und wie du sie anwendest.
Grob unterscheiden lassen sich jene AI-Dienste, die zur Familie der „Azure Cognitive-Services“ gehören und seit Kurzem unter neuem Namen firmieren, aber schon lange zum Portfolie gehören, wie Vision, Speech, Language usw.. Davon zu unterschieden sind Dienste für generative AI, die mit der Zusammenarbeit zwischen Microsoft und Open AI Einzug in das Portfolio gefunden haben. Bislang waren diese Dienste im Service „Azure Open AI“ vereint und ließen sich insbesondere im Azure Open AI Studio erkunden. Inzwischen ist der Dienst aber auch im neuen Azure AI Studio verfügbar und lässt sich mit anderen AI-Diensten kombinieren. Von beiden Angeboten zu unterscheiden sind die Maschine Learning Services, die sich nicht nur aber doch primär an Entwickler richten. Trotzdem lassen sich die Dienste im Azure Machine Learning Studio sehr komfortabel erkunden. Sehen wir uns die Dienste im Einzelnen an:
Azure AI Computer Vision
In der deutschen Lokalisation des Azure Portals heißt der Dienst“ Maschinelles Sehen“. Suchst du im Azure-Portal nach „Azure AI Services“ kannst du einfach eine Vision-Ressource erstellen. Traditionell gehört der Dienst aber eigentlich zu Gruppe der Azure-Cognitive-Services, welche in Azure-AI-Services unbenannt wurde, wodurch Microsoft sein Dienstangebot vereinheitlicht. Die jeweilige Azure-Dienst-Ressource (hier „Vision“) ist erforderlich, um den Dienst z. B. im Azure Vision Studio zu erforschen, wie in diesem Artikel beschrieben (Link).
In erster Linie adressieren sich die Azure-AI-Services natürlich an Entwickler, die ihre Anwendungen mit KI-Fähigkeiten ausstatten möchten, indem sie die passenden Azure-Backend-Dienste anbinden. Die notwendigen Technologien und Informationen, welche du zur Integration benötigst, wie z. B. API-Schlüssel und Endpunkte findest du in der jeweiligen Azure-AI-Ressource.
Der Dienst Azure-AI-Version ermöglicht dir das Erstellen von Anwendungen zur Bildanalyse, Gesichtserkennung und optischer Zeichenerkennung (OCR).
Die Vision-Ressource bringt viele vorgefertigte Modelle zur Analyse und Verarbeitung von Bildern mit, und kann damit Aufgaben wie Objekterkennung, Texterkennung (OCR), Gesichtserkennung und Bildbeschreibung durchführen. Du musst daher keine eigenen Modelle trainieren, obwohl du durch das Trainieren eigener Modelle deine Ergebnisse verbessern, bzw. exakter an deinen Einsatzzweck anpassen könntest. Die vorgefertigten Modelle sind sofort einsatzbereit und bieten eine breite Palette an Funktionen für allgemeine Anwendungsfälle. Sie sind daher gut für Nutzer geeignet, die schnell und ohne tiefgehende Kenntnisse in maschinellem Lernen oder Datenwissenschaften Bildanalysefunktionen integrieren möchten. Das zugehörige Azure AI Vision Studio findest du unter https://portal.vision.cognitive.azure.com/.
Azure AI Custom Vision (Custom Vision)
Genau genommen bräuchtest du in den Azure-AI-Services genau diesen Ressource-Typ, wenn du „eigene“ Modelle erstellen und trainieren möchtest, die speziell auf deine individuellen Anforderungen abgestimmt sind. Du kannst dann z. B. Bilder hochladen, diese mit eigenen Labels versehen und dein Modell mit genau diesen Bildern trainieren.
Microsoft bezeichnet den Dienst als Bilderkennungsdienst zum Erstellen, Bereitstellen und Optimieren benutzerdefinierter Bildbezeichnermodellen. Ein Bildbezeichner (auch Label genannt) wendet auf Basis der visuellen Merkmale Bezeichnungen auf Bilder an, wobei jede Bezeichnung eine eigene Klassifizierung oder ein Objekt ist. Wie oben erwähnt kannst du mit Custom Vision deine eigenen Bezeichnungen angeben und benutzerdefinierte Modelle zu deren Erkennung trainieren.
Azure AI Language
In der deutschen Lokalisation des Azure Portals heißt der Dienst “Sprachdienst“. Der Azure AI-Dienst “Azure KI Language” stellt dir zahlreiche interessante Funktionen zur Verarbeitung natürlicher Sprache zur Verfügung, auch Natural Language Processing (NLP) genannt. Zu den wichtigsten Funktionen gehören Folgende:
- Texterkennung und -analyse
- Erkennen so benannter Entitäten (NER): der Dienst identifiziert und kategorisiert wichtige Begriffe und Ausdrücke in vorhandenen Texten, wie z. B. Personen, Orte und Organisationen.
- Stimmungsanalyse (Sentiment): mit der Funktion analysierst du oder dein Programm Texte, um die darin vorherrschende Stimmung (positiv, negativ, neutral) zu bestimmen und Meinungen zu extrahieren. Das ist z. B. hilfreich und Online-Shop-Bewertungen auszuwerten.
- Textzusammenfassung: Mit dieser Funktionalität ist der Dienst in der Lage Zusammenfassungen von Dokumenten und Unterhaltungen zu generieren mit dem Ziel, die wichtigsten darin enthaltenen Informationen schnell erfassen zu können.
- Extrahieren von Schlüsselwörtern: Bei der Schlüsselbegriffsextraktion handelt es sich um eine vorkonfigurierte Funktion, die in der Lage ist, die wichtigsten Konzepte in unstrukturiertem Text auszuwerten. Die Ergebnisse werden als Liste zurückgegeben.
- Spracherkennung (in Azure KI Language):
- Mit dieser Funktion erkennt dein Programm die Sprache eines Dokuments und gibt einen Sprachcode für eine Vielzahl von Sprachen und Dialekten zurück.
- Verarbeitung medizinischer Texte
- Diese Funktion analysiert unstrukturierte medizinische Daten. Dazu gehören Fallnotizen oder klinische Dokumentationen mit dem Ziel, daraus mögliche Diagnosen, Symptome und Behandlungen zu extrahieren
- Erstellung von Konversationsschnittstellen:
- Mit den Features „conversational language understanding (CLU)“ oder „question answering“ (CQA) entwickelst und implementierst du z.B. Chatbots und andere interaktive Sprachschnittstellen
Das zugehörige Azure AI Language Studio findest du unter https://language.cognitive.azure.com/.
Azure AI Speech
Wenden wir uns nun den Spracherkennungsdienst zu. Im englischen Portal heißt der zugehörige Azure-Ressource-Typ Azure KI Speech. Er vereint grob die Funktionen Text-zu-Sprache und Sprache-in-Text. Im Detail findest du hier Modelle und Funktionen für Spracherkennung und Sprachübersetzung.
- Spracherkennung
Mit der Spracherkennung des Speech-Diensts (Sprache-zu-Text) kannst du sowohl Echtzeit- als auch Batch-Transkription von Audiostreams umwandeln. Sofern du das Modell zusätzlich mit Referenztext fütterst, kann das Modell auch in Echtzeit Aussprache bewerten oder Sprechern Feedback zur Richtigkeit und Flüssigkeit des gesprochenen Texts geben. In folgender Abbildung habe ich selbst einen Text mit Hilfe der Microfonfunktion aufgenommen. Azure AI Speech wandelt den gesprochenen Text in „Geschriebenen“ um und erlaubt dir das Herunterladen der generierten Audiodatei. Dabei wurde außerdem die gesprochene Sprache korrekt klassifiziert.
Der Dienst „Sprache-in-Text“ bietet noch weitere Möglichkeiten. Dazu gehören
- Echtzeit-Übersetzung: Sofortige Übersetzung mit Zwischenergebnissen z. B. für Live-Audioeingaben.
- Schnelle Übersetzung: mit der API für schnelle Übersetzung kannst du Audiodateien synchron und schneller als in Echtzeitaudio übersetzen. Das ist hilfreich in Szenarien, in denen die Übersetzung einer Audioaufzeichnung so schnell wie möglich mit vorhersagbarer Latenz erforderlich ist etwa bei Batchtranskription: Letztere erlaubt ein sehr effizientes Verarbeiten großen Mengen, z. B. von aufgenommenen Audiodaten.
- Custom Speech (benutzerdefinierte Spracherkennung): die hier zu findenden Modelle bieten eine erweiterter Genauigkeit für bestimmte Bedingungen.
- Sprachübersetzung
Hier ist zu unterscheiden zwischen der Sprachübersetzung in Echtzeit und der noch in Vorschau befindlichen Videoübersetzung in Echtzeit.
Mit dem Speech SDK oder der Speech-Befehlszeilenschnittstelle kannst du deinen Anwendungen, Geräten oder Tools Zugriff auf Quellübersetzungen und Übersetzungsausgaben für die bereitgestellten Audiodaten gewähren. Dabei werden Zwischenergebnisse von Transkription und Übersetzung während der Erkennung von Sprache zurückgegeben und du kannst die Endergebnisse in eine synthetisierte Sprache konvertieren lassen.
Das relativ neue Feature Videoübersetzung von Azure KI Speech erlaubt es dir, Videos nahtlos automatisch in mehrere Sprachen übersetzen, bzw. Videos in der gewünschten Ziel-Sprache generieren zu lassen. Das funktioniert in der Vorschau bereits gut mir einer neuronalen Stimme, in naher Zukunft kannst du aber auch deine eigene synthetisierte Stimme für das übersetze Video verwenden.
Du kannst also mit dem Feature künftig problemlos Inhalte deiner Videos lokalisieren, was dir wiederrum hilft, ein größeres Publikum auf der ganzen Welt zu erreichen etwa für, Werbung, Film, Vlogs, Bildung, Nachrichten, Unternehmensschulungen oder Ähnliches.
- Absichtserkennung
Unter einer „Absicht“ versteht Microsoft bei diesem Feature etwas, was dein Benutzer tun möchte wie beispielsweise einen Anruf tätigen, das Wetter checken oder ein Hotel buchen. Mit der Absichtserkennung versetzt du deine Anwendungen, Tools oder Geräte in Lage, mithilfe von Optionen zu bestimmen, was der Benutzer deine Anwendung initiieren tun möchte.
Du muss dazu die identifizierbare Benutzerabsicht im Absichtserkenner- oder CLU-Modell (Conversational Language Understanding) definieren. Das Speech SDK bietet darüber hinaus einen eingebetteten Musterabgleicher, der deiner Anwendung hilft, die Absichten noch strickter erkennen zu können, was wiederrum für eine schnelle Offline-Lösung nützlich ist. Letzteres funktioniert natürlich sehr gut, wenn du die Benutzer deiner App dahingehen schulst, dass sie bestimmte Ausdrücke nutzen, um Absichten auszulösen.
- Schlüsselwerterkennung
Das Feature Schlüsselworterkennung ist in der Lage, ein Wort oder einen kurzen Ausdruck innerhalb eines Audiodatenstroms exakt zu identifizieren. Einer der häufigsten Anwendungsfälle der Schlüsselwortsuche kennst du bestimmt von der Sprachaktivierung virtueller Assistenten etwa dem Sprachassistenten im Auto („Hallo BMW“) oder bei „Alexa“ und Cortana“. So ist z. B. „Hey Cortana“ das Schlüsselwort zur Aktivierung des Cortana-Assistenten von Windows.
Bei derartigen Szenarien mit virtuellen Assistenten, besteht die daraus folgende Aktion häufig in der Spracherkennung von Audioinformationen, die sich dem erkannten Schlüsselwort anschließen. Da virtuelle Assistenten wie Alexa oder Cortana (sofern aktiviert) stetig „lauschen“ wird die Schlüsselworterkennung auch als Datenschutzgrenze für den Benutzer genutzt. Die eigentliche Schlüsselwortanforderung kann dann als eine Art Wächter dienen, der zuverlässig verhindert, dass zusammenhangslose Audioinformationen des Nutzers vom lokalen Gerät unbeabsichtigt in die Cloud gelangen. Das zugehörige Azure AI Speech Studio findest du unter https://speech.microsoft.com/.
Azure AI Content Safety
Beim Feature Content Safety (Inhaltsicherheit) handelt es sich um einen KI-Dienst, der in der Lage ist, schädliche benutzergenerierte und KI-generierte Inhalte in Anwendungen und Diensten zu identifizieren. Die zugrunde liegenden Moderations-APIs erkennen potenziell anstößigen, riskanten oder anderweitig unerwünschten Inhalt, um sicherzustellen, dass die Inhalte in der Community sicher sind. Der Dienst beinhaltet Text- und Bild-APIs für die Erkennung von schädlichem Material. Im zugehörigen Content Safety Studio kannst du interaktiv Beispielcode zum Erkennen schädlicher Inhalte klassifizieren lassen, wie z. B. Hassrede, Selbstzerstörung oder Pornographie und im Studio anzeigen, erkunden und ausprobieren. Ein KI-Dienst zur Inhaltsfilterung wie Content Safety kann dich darin unterstützen, dass deine Anwendung beispielsweise gesetzliche Vorschriften einhält.
Das zugehörige Content Safety Studio findest du unter https://contentsafety.cognitive.azure.com
Azure AI Search
Azure AI Search (der frühere Name ist „Azure Cognitive Search“) ist eine KI-gestützte Plattform für die Informationsbeschaffung. Sie erlaubt es dir als Entwickler, leistungsfähige Suchfunktionen und generative KI-Anwendungen durch die Kombination großer Sprachmodelle (LLM) mit Unternehmensdaten, zu erstellen.
Die Plattform bietet eine Vielzahl von Funktionen, darunter:
- Vektorsuche: Ermöglicht die Suche nach ähnlichen Inhalten basierend auf Vektordaten.
- Volltext- und Hybridsuche: Kombiniert traditionelle Textsuche mit modernen KI-Methoden.
- Erweiterte Abfragesyntax: Unterstützt komplexe Suchanfragen, automatische Vervollständigung und geografische Suche.
- Integrierte Sicherheit und Compliance: Bietet Verschlüsselung, sichere Authentifizierung und Netzwerkisolation
Azure AI Search eignet sich gut für eine ganze Reihe interessanter Anwendungsszenarien:
Du kannst den Dienst z. B. für die herkömmliche Volltextsuche und die Vektorähnlichkeitssuche der nächsten Generation nutzen und damit deine generativen KI-Apps mit Funktionen für den Informationsabruf unterstützen, der die Stärken sowohl der Stichwort- als auch der Ähnlichkeitssuche nutzt.
Du (oder deine App) kann z. B. auch beide Modalitäten nutzen, um die jeweils relevantesten Ergebnisse abzurufen. So konsolidierst du heterogene Inhalte in einem benutzerdefinierten und gefüllten Suchindex, der aus Vektoren und Text besteht. Trotzdem behälts du das Eigentum und die Kontrolle darüber, was durchsuchbar ist.
Ferner integriert der Dienst Datenchunking und Vektorisierung für generative KI- und RAG-Apps. Die Abkürzung RAG steht im Zusammenhang mit künstlicher Intelligenz für „Retrieval-Augmented Generation“. Diese Technik kombiniert die Fähigkeit eines Sprachmodells zur Textgenerierung (Generation) mit der Abfrage von Informationen (Retrieval) aus externen Quellen, wie z. B. deinen mittels Azure-AI-Search erstellten Wissensspeicher.
Obendrein lagerst du mit Azure-AI-Search Indizierungs- und Abfrageworkloads problemlos auf einen dedizierten Suchdienst aus oder wendest eine granulare Zugriffskontrolle auf Dokumentebene an.
Du kannst mit dem Dienst suchbezogene Funktionen sehr einfach implementieren, wie z. B. Relevanzoptimierung, Facettennavigation, Filter (einschließlich georäumlicher Suche), Synonymzuordnung und Autovervollständigung.
Du kannst den Dienst auch dazu nutzen, große undifferenzierte Text- oder Bilddateien oder Anwendungsdateien, die in Azure Blob Storage oder Azure Cosmos DB gespeichert sind, in durchsuchbare Chunks zu transformieren. Dies wird direkt im Verlauf der Indizierung durch KI-Fähigkeiten erreicht, welche externe Verarbeitung von Azure AI hinzufügen.
Schließlich kannst du mit dem Dienst deinen Apps linguistische oder benutzerdefinierte Textanalyse hinzufügen. Hast du z. B. nicht-deutschen Inhalt, unterstützt Azure AI Search sowohl Lucene-Analysatoren als auch die natürlichen Sprachprozessoren von Microsoft. Du kannst solche Analysatoren aber auch so konfigurieren, dass eine spezielle Verarbeitung von Rohinhalten erreicht wird, z. B. das Herausfiltern diakritischer Zeichen oder das Erkennen und Beibehalten von Mustern in Zeichenfolgen.
Alle bisher vorgestellten Dienste gehören grob zur Kategorie der Azure Cognitive Services. Die meisten sind schon mehrere Jahre im Azure-Portfolio verfügbar. Zwecks Angleichung der Bezeichnungen firmieren diese Dienste heute unter dem Namen „Azure AI Services“. Dies gilt indes nicht für den Dienst Azure Open AI. Dieser ist speziell aus der Kooperation mit dem Unternehmen Open AI hervor gegangen und beschäftig sich mit generativer AI auf Basis der Large-Language-Models (LLM) von Open AI.
Mit dem Azure OpenAI Service kannst du primär eigene Copilot- und generative KI-Anwendungen mit fortschrittlichen Sprach- und Vision-Modellen erstellen. Der zugehörige Ressource Typ im Menü der Azure-AI-Services ist „Azure Open AI“. Das zugehörige Azure Open AI Studio findest du unter https://oai.azure.com/
Azure OpenAI Service stellt dir im Grunde genommen einen REST-API-basierenden Zugriff auf die bekannten Sprachmodelle von OpenAI zur Verfügung. Dies umfasst die Modellserien GPT-4o,GPT-4o mini, GPT-4 Turbo mit Vision, GPT-4, GPT-3.5-Turbo und Einbettungen, ohne dass du dazu einen Open-AI-Account benötigst, denn die Nutzung der Open-AI-Modelle wird in diesem Fall einfach über dein Azure-Abonnement abgerechnet.
Im Unterschied zu Open AI kannst du diese Modelle jederzeit problemlos an deine eigenen Zwecke anpassen. Die Möglichkeiten umfassen die Erstellung von Inhalten, die Zusammenfassung, die Bildanalyse, die semantische Suche sowie die Übersetzung von natürlicher Sprache in Code. Auch dieser Service adressiert in erster Linie Entwickler, die (bzw. deren Apps) über REST-APIs, das Python SDK und die webbasierte Schnittstelle (Azure OpenAI Studio) auf den Dienst zugreifen können. Letzteres ist besonders komfortabel zum Erforschen des Dienstes.
Hast du eine Azure-Open-AI-Ressource erstellt und im Open-AI-Studio verknüpft, musst du in diesem lediglich das gewünschte Modell im Tarifplan deiner Wahl bereitstellen und kannst dann bequem die verschiedenen Playgrounds im gleichnamigen Menü nutzen.
Du kannst dich etwa im Chat-Playground im Prompt-Engineering austoben ….
…. oder im Image-Playground mit „Dalle3“-Bereitstellung experimentieren und mittels generativer AI eigenes Bildmaterial zu kreieren
Im Vergleich zu Open AI bietet Azure Open AI eine höhere Integration mit anderen Microsoft-Diensten und -Tools, was die Integration in bestehende IT-Infrastrukturen erleichtert. Azure Open AI bietet eine höhere Skalierbarkeit und Flexibilität, da es auf der Cloud-Infrastruktur von Microsoft aufbaut und somit eine nahtlose Skalierung und Anpassung an die Bedürfnisse von Unternehmen ermöglicht. Darüber hinaus bietet Azure Open AI eine größere Auswahl an vorgefertigten Modellen und Tools, die Entwicklern helfen können, Zeit und Ressourcen zu sparen.
Der Dienst wurde erst im Januar 2023 erstmals angekündigt, ist also im Vergleich zu den Azure-Cognitive-Services noch jung. Während du dich in den Anfangswochen noch aktiv (und interaktiv) für die Nutzung des Dienstes bei Microsoft registrieren musstest, kannst du den Dienst mit einem aktiven Azure-Subscription problemlos nutzen. Wie oben beschrieben bauchtest du dazu bis vor einigen Wochen noch zwingend eine Azure-Open-AI-Ressource und das Azure-Open-AI-Studio. Da Microsoft allerdings bemüht ist, die zahlreichen AI-Dienste namentlich und organisatorisch zu vereinheitlichen, kannst du wahlweise auch eine Ressource vom Typ „Azure AI services erstellen“. Achtung: die Namensgebung im Portal der verschiedenen Azure-AI-Services (ja, der Überbegriff heißt quasi genauso) ist auf dem ersten Blick etwas verwirrend. Ich habe den Dienst in folgender Abbildung entsprechend markiert:
Diese Azure AI Services-Ressource (als Einzelressource) ist eine spezielle Ressource, welche dir den Zugriff auf mehrere Azure KI-Dienste mit einem einzigen Satz von Anmeldeinformationen ermöglicht. Sie konsolidiert damit die Abrechnung und Verwaltung der verschiedenen Dienste, welche du damit nutzen möchtest. Folgende Dienste kannst du mit diesem Ressourcentyp verwenden:
- Azure OpenAI: Arbeite mit fortschrittlichen Sprachmodellen.
- Content Safety: Überwache Inhalte auf unangemessene oder schädliche Inhalte.
- Form Recognizer: Verarbeite und analysiere Dokumente.
- Text Analytics: Analysiere Texte, um Stimmungen, Schlüsselphrasen und Entitäten zu extrahieren.
- Speech: Nutze Spracherkennung, Sprachsynthese und Übersetzung.
Passend dazu muss du dann auch das neue https://ai.azure.com/ Azure-AI-Studio verwenden:
Auch hier kannst du z. B. problemlos ein gpt-4-Modell bereitstellen und es im Chat-Playground erkunden.
Azure Machine Learning
Alle bisher vorgestellten Dienste und Verfahren setzen natürlich im Detail auf Maschine Learning, denn Vorhersagemodelle, basierend auf Daten und Statistiken, sind die Grundlage jeglicher KI. Doch während der bisher vorgestellten Dienste im Wesentlichen der komfortablen Nutzung vortrainierte Modelle in eigenen Anwendungen dienen und sich damit primär an Datenwissenschaftler richten, adressieren die Machine-Learning-Dienste in Azure vorrangig Entwickler, die danach streben, eigene Modelle zu programmieren, wozu sie im Azure Machine Learning Studio Unterstützung in manigfacher Form finden. So können sie sowohl eigene ML-Anwendungen auf Basis einer riesigen Anzahl vortrainierte Modelle entwerfen als auch die mitgelieferten Modelle mit eigenen Daten trainieren oder eigene Modelle entwickeln.
Die grundlegende Ressource für die Nutzung des ML-Studios ist ein Machine-Learning-Workspace, welchen du zunächst im Menü Arbeitsbereiche erstellen musst. Danach wechselst du „in“ den Workspace und hast zahlreiche Möglichkeiten. Du kannst z. B. im Menüabschnitt Ressourcen deine Trainingsdaten bereitstellen, indem du so genannten Daten-Assets aus verschiedenen Datenquellen erstellst. Ferner kannst du mit Hilfe von so genannten Einzelvorgängen (Batches) neue Experimente erstellen oder führst mit dem Python-SDK Beispielexperimente mit (Jupyter)Notebooks und Code aus. Du kannst auch mit Hilfe von „Automatisiertem ML“ vorhandene Modelle durch automatisiertes ML trainieren lassen, wodurch das jeweils beste Modell basierend auf deinen Daten bestimmt wird, ohne dass du dazu eine einzige Codezeile schreiben musst. Diese kannst du dann im Menü „Endpunkte“ bereitstellen und nutzen.
Zur Wahl stehen Echtzeit-Endpunkte, Batch-Endpunkte, Azure Open AI oder serverlose Endpunkte. Du zahlst letztendlich nur in der einen oder anderen Weise für die genutzten Compute-Ressourcen. Bei Echtzeit-Endpunkten handelt es sich letztlich um Cluster aus Azure-VMs. Die genutzten Compute-Ressourcen findest du anschließend im Menü-Abschnitt „Verwaltung / Compute“.
Der Clou ist der mitgelieferte „Designer“, mit dem du ML-Modelle entwickeln, bereitstellen, trainieren und anwenden kannst, ohne eine Codezeile etwa in Python schreiben zu müssen.
Kontakt
„*“ zeigt erforderliche Felder an
powered by Borlabs Cookie