Microsoft líder en el cuadrante de plataformas de Ciencia de Datos
Microsoft es líder en el Cuadrante Mágico 2024 de Gartner® para Plataformas de Ciencia de Datos y Aprendizaje Automático.
Microsoft es Líder en el Cuadrante Mágico de Gartner® de este año para Plataformas de Ciencia de Datos y Aprendizaje Automático. Azure AI ofrece una plataforma integral potente y flexible para acelerar la innovación en ciencia de datos y aprendizaje automático, al tiempo que proporciona la gobernanza empresarial que toda organización necesita en la era de la IA.
En mayo de 2024, Microsoft también fue nombrada Líder por quinto año consecutivo en el Cuadrante Mágico de Gartner® para Servicios de Desarrollo de IA en la Nube, donde se sitúan en la posición más alta por su Visión Completa.
En Microsoft están encantados con estos reconocimientos de Gartner, ya que siguen ayudando a los clientes, desde grandes empresas a startups ágiles, a llevar sus modelos y aplicaciones de IA y aprendizaje automático a la producción de forma segura y a escala.
Azure AI está a la vanguardia de la infraestructura de IA creada específicamente, de las herramientas de IA responsables y de la ayuda a los equipos multifuncionales para que colaboren de forma eficaz utilizando Machine Learning Operations (MLOps) para la IA generativa y los proyectos de aprendizaje automático tradicionales.
Azure Machine Learning proporciona acceso a una amplia selección de modelos básicos en el catálogo de modelos de Azure AI -incluidas las versiones recientes de Phi-3, JAIS y GPT-4- y herramientas para ajustar o crear sus propios modelos de aprendizaje automático. Además, la plataforma admite una amplia biblioteca de marcos, herramientas y algoritmos de código abierto para que los equipos de ciencia de datos y aprendizaje automático puedan innovar a su manera, todo ello sobre una base de confianza.
Acelera la creación de valor con la infraestructura Azure AI
Azure Machine Learning ayuda a las organizaciones a crear, desplegar y gestionar soluciones de IA de alta calidad de forma rápida y eficiente, ya sea creando grandes modelos desde cero, ejecutando inferencia en modelos preentrenados, consumiendo modelos como servicio o ajustando modelos para dominios específicos. Azure Machine Learning se ejecuta en la misma potente infraestructura de IA que impulsa algunos de los servicios de IA más populares del mundo, como ChatGPT, Bing y Azure OpenAI Service. Además, la compatibilidad de Azure Machine Learning con ONNX Runtime y DeepSpeed puede ayudar a los clientes a optimizar aún más el entrenamiento y el tiempo de inferencia para el rendimiento, la escalabilidad y la eficiencia energética.
Ya sea quetu organización esté entrenando un modelo de aprendizaje profundo desde cero utilizando marcos de código abierto o trayendo un modelo existente a la nube, Azure Machine Learning permite a los equipos de ciencia de datos escalar los trabajos de entrenamiento utilizando recursos elásticos de computación en la nube y una transición sin problemas desde el entrenamiento hasta el despliegue. Con los puntos finales en línea gestionados, los clientes pueden desplegar modelos en potentes máquinas de CPU y unidades de procesamiento gráfico (GPU) sin necesidad de gestionar la infraestructura subyacente, lo que ahorra tiempo y esfuerzo. Del mismo modo, los clientes no necesitan aprovisionar ni gestionar la infraestructura cuando despliegan modelos básicos como servicio desde el catálogo de modelos de Azure AI. Esto significa que los clientes pueden desplegar y gestionar fácilmente miles de modelos en entornos de producción, desde los locales hasta los periféricos, para predicciones por lotes y en tiempo real.
Agiliza las operaciones con MLOps y LLMOps flexibles
Las operaciones de aprendizaje automático («Machine learning operations» – MLOps) y las operaciones de grandes modelos lingüísticos («large language model operations» – LLMOps) se sitúan en la intersección de las personas, los procesos y las plataformas. A medida que los proyectos de ciencia de datos escalan y las aplicaciones se vuelven más complejas, la automatización efectiva y las herramientas de colaboración se vuelven esenciales para lograr resultados repetibles y de alta calidad.
Azure Machine Learning es una plataforma MLOps flexible, construida para dar soporte a equipos de ciencia de datos de cualquier tamaño. La plataforma facilita a los equipos compartir y gobernar activos de aprendizaje automático, construir pipelines repetibles utilizando la interoperabilidad integrada con Azure DevOps y GitHub Actions, y monitorizar continuamente el rendimiento del modelo en producción. Los conectores de datos con fuentes de Microsoft como Microsoft Fabric y fuentes externas como Snowflake y Amazon S3, simplifican aún más MLOps. La interoperabilidad con MLflow también permite a los científicos de datos escalar sin problemas las cargas de trabajo existentes desde la ejecución local a la nube y el borde, mientras se almacenan todos los experimentos de MLflow, las métricas de ejecución, los parámetros y los artefactos del modelo en un espacio de trabajo centralizado.
Azure Machine Learning prompt flow ayuda a agilizar todo el ciclo de desarrollo de aplicaciones de IA generativa con sus capacidades LLMOps, orquestando flujos ejecutables compuestos por modelos, prompts, APIs, código Python y herramientas para la búsqueda en bases de datos vectoriales y el filtrado de contenidos. Azure AI prompt flow puede utilizarse junto con marcos de código abierto populares como LangChain y Semantic Kernel, lo que permite a los desarrolladores introducir flujos experimentales en prompt flow para escalar esos experimentos y ejecutar evaluaciones exhaustivas. Los desarrolladores pueden depurar, compartir e iterar sobre aplicaciones de forma colaborativa, integrando herramientas de prueba, rastreo y evaluación incorporadas en su sistema CI/CD para reevaluar continuamente la calidad y seguridad de su aplicación. A continuación, los desarrolladores pueden desplegar las aplicaciones cuando estén listas con un solo clic y supervisar los flujos para obtener métricas clave como la latencia, el uso de tokens y la calidad de generación en producción. El resultado es la observabilidad de extremo a extremo y la mejora continua.
Desarrolla modelos y aplicaciones más fiables
Los principios de la IA, como la equidad, la seguridad y la transparencia, no son autoejecutables. Por eso Azure Machine Learning proporciona a los científicos de datos y desarrolladores herramientas prácticas para hacer operativa la IA responsable en su flujo de trabajo, tanto si necesitan evaluar y depurar un modelo de aprendizaje automático tradicional en busca de sesgos, proteger un modelo de base de ataques de inyección rápida o supervisar la precisión, calidad y seguridad del modelo en producción.
El panel de Responsible AI ayuda a los científicos de datos a evaluar y depurar los modelos de aprendizaje automático tradicionales en cuanto a imparcialidad, precisión y explicabilidad a lo largo del ciclo de vida del aprendizaje automático. Los usuarios también pueden generar un cuadro de mando de Responsible AI para documentar y compartir los detalles de rendimiento del modelo con las partes interesadas del negocio, para una toma de decisiones más informada. Del mismo modo, los desarrolladores en Azure Machine Learning pueden revisar las tarjetas de modelo y los puntos de referencia y realizar sus propias evaluaciones para seleccionar el mejor modelo básico para su caso de uso del catálogo de modelos de Azure AI. A continuación, pueden aplicar un enfoque de defensa en profundidad para mitigar los riesgos de la IA utilizando capacidades integradas de filtrado de contenidos, fundamentación en datos frescos e ingeniería de avisos con mensajes de sistema de seguridad. Las herramientas de evaluación en prompt flow permiten a los desarrolladores medir, mejorar y documentar de forma iterativa el impacto de sus mitigaciones a escala, utilizando métricas integradas y métricas personalizadas. De este modo, los equipos de ciencia de datos pueden desplegar soluciones con confianza y, al mismo tiempo, ofrecer transparencia a las partes interesadas del negocio.
Seguridad, privacidad y conformidad empresarial
En el mundo actual, impulsado por los datos, la seguridad, la gobernanza y la privacidad efectivas de los datos requieren que todas las organizaciones tengan un conocimiento exhaustivo de sus datos y de los sistemas de IA y aprendizaje automático. La gobernanza de la IA también requiere una colaboración eficaz entre las diversas partes interesadas, como los administradores de TI, los ingenieros de IA y aprendizaje automático, los científicos de datos y las funciones de riesgo y cumplimiento. Además de permitir la observabilidad de la empresa a través de MLOps y LLMOps, Azure Machine Learning ayuda a las organizaciones a garantizar que los datos y los modelos estén protegidos y cumplan con los más altos estándares de seguridad y privacidad.
Con Azure Machine Learning, los administradores de TI pueden restringir el acceso a recursos y operaciones por cuenta de usuario o grupos, controlar las comunicaciones de red entrantes y salientes, cifrar datos tanto en tránsito como en reposo, escanear en busca de vulnerabilidades y gestionar y auditar de forma centralizada las políticas de configuración a través de Azure Policy. Los equipos de gobierno de datos también pueden conectar Azure Machine Learning a Microsoft Purview, de modo que los metadatos sobre activos de IA -incluidos modelos, conjuntos de datos y trabajos- se publiquen automáticamente en Microsoft Purview Data Map. Esto permite a los científicos e ingenieros de datos observar cómo se comparten y reutilizan los componentes y examinar el linaje y las transformaciones de los datos de formación para comprender el impacto de cualquier problema en las dependencias. Del mismo modo, los profesionales de riesgos y cumplimiento pueden rastrear qué datos se utilizan para entrenar modelos, cómo se ajustan o amplían los modelos base y dónde se emplean los modelos en diferentes aplicaciones de producción, y utilizar esto como prueba en informes y auditorías de cumplimiento.
Por último, con la extensión Azure Machine Learning Kubernetes habilitada por Azure Arc, las organizaciones pueden ejecutar cargas de trabajo de aprendizaje automático en cualquier clúster Kubernetes, garantizando la residencia de datos, la seguridad y el cumplimiento de la privacidad en nubes públicas híbridas y entornos locales. Esto permite a las organizaciones procesar los datos donde residen, cumpliendo con los estrictos requisitos reglamentarios y manteniendo al mismo tiempo la flexibilidad y el control sobre sus MLOps. Los clientes que utilizan técnicas de aprendizaje federado junto con Azure Machine Learning y la computación confidencial de Azure también pueden entrenar modelos potentes en fuentes de datos dispares, todo ello sin copiar ni mover datos de ubicaciones seguras.
Información basada en el informe de Gartner del anuncio oficial de Microsoft «Microsoft is a Leader in the 2024 Gartner® Magic Quadrant™ for Data Science and Machine Learning Platforms«.
