0
Når du indfasning avancerede analyser, maskinindlæring og kunstig intelligens i din infrastruktur, traditionelle konfigurationer er ikke nødvendigvis op til den opgave. Programmer, der er relateret til AI kan samle en stor mængde data, der er baseret på de i/O-krav. Du bliver nødt til at sikre, at disse egenskaber er en del af dit setup:
Høj hastighed læse accessHigh-skrive hastighed accessReasonable omkostninger
Microsoft Cloud-Tjenester, for eksempel, bruge commodity hardware og skalere næsten uendeligt til at håndtere AI arbejdsmængder. Ved hjælp commodity hardware, Microsoft er i stand til at tilbyde opmagasinering i forhold til standard protokoller, som iSCSI, NFS, SMB, CIFS, osv. og mere avancerede funktioner.
Commodity hardware er en stigende tendens, når designe et system til at håndtere store mængder af data. Big data-infrastruktur, normalt udnytte commodity hardware til at distribuere terabyte data gennem netværket. Microsoft Azure-lagring giver en billig løsning for AI ved at støtte strukturerede og ustrukturerede data i en yderst skalerbar platform. Du har også mulighed for at gennemføre storage-relaterede automatisering af rutiner ved hjælp af RESTful Api ‘ er.
AI-applikationer og de belastninger, som de kan sætte på et system ressourcer vil variere i omfang og kompleksitet. Til støtte for dyb læring, problemløsning, argumentation og læring, at disse programmer skal have evnen til at analysere store mængder af data i forskellige formater, og derefter indsamle data og skabe resultater i en optimal mængde af tid.
Her er to eksempler på, hvordan Microsoft er at designe applikationer til at opbygge infrastrukturen for AI:
Azure Machine Learning er en metode, der er udviklet af Microsoft til at optage predictive analytics i programmer. Den Machine Learning Studio gør det muligt for udviklere at bruge kendt teknologi teknikker til at designe modeller for AI.
Microsoft Azure Kognitive Service er et andet tilbud, der kombinerer brugerens erfaringer med maskine-baseret intelligens. Kognitiv Service giver brugeren ved at hjælpe med at installere applikationer på tværs af platforme nemt.
Kognitiv Service Udvikling dækker følgende områder:
VisionSpeechLanguageKnowledgeSearch
Microsoft har for nylig annonceret Azure Parti AI Uddannelse, så godt. Det er et rum opdelt i Azure Cloud, som udviklere kan bruge til at arbejde med AI-applikationer, uden bekymring for, at gå på kompromis infrastruktur ressourcer. Ved at gøre denne form for modellering, udviklere vil være i stand til at afgøre, hvad der er nødvendigt for deres infrastruktur, før ansøgningen er indsat.
Hvert af disse værktøjer kan udnytte Azure Cloud for implementering, samt, så du kan høste fordelene i form af test/dev og produktion i Azure.
AI infrastruktur afhængigheder variere, og smart design er afgørende. Microsoft Azure, sammen med Microsoft ‘ s udvikling og uddannelse værktøjer, sætte en brugerdefineret løsning inden for rækkevidde.
0