通过

Databricks 上的 AI 和机器学习

使用马赛克 AI 构建、部署和管理 AI 和机器学习应用程序，这是一个集成平台，可将整个 AI 生命周期从数据准备到生产监视统一。

有关入门的一组教程，请参阅 AI 和机器学习教程。

构建生成 AI 应用程序

开发和部署企业级生成 AI 应用程序。

功能 / 特点 Description
适用于 GenAI 的 MLflow 使用 AI 支持的指标和全面的跟踪可观测性来衡量、改进和监视 GenAI 应用程序生命周期的质量。

训练经典机器学习模型

使用自动化工具和协作开发环境创建机器学习模型。

功能 / 特点 Description
AutoML 使用自动化功能工程和超参数优化，使用最少的代码自动生成高质量的模型。
用于 ML 的 Databricks Runtime 使用 TensorFlow、PyTorch、Keras 和 GPU 支持的预配置群集进行深度学习开发。
MLflow 跟踪 跟踪试验、比较模型性能以及管理完整的模型开发生命周期。
特征工程 使用自动化数据管道和功能发现创建、管理和提供功能。
Databricks 笔记本 协作开发环境，支持 Python、R、Scala 和 SQL for ML 工作流。

训练深度学习模型

使用内置框架开发深度学习模型。

功能 / 特点 Description
分布式训练 使用 Ray、TorchDistributor 和 DeepSpeed 进行分布式深度学习的示例。
关于 Databricks 深度学习的最佳做法 关于 Databricks 的深度学习最佳实践。
PyTorch 使用 PyTorch 的单节点和分布式训练。
TensorFlow 使用 TensorFlow 和 TensorBoard 的单节点和分布式训练。
参考解决方案 深度学习参考解决方案。

部署和提供模型

使用可缩放的终结点、实时推理和企业级监视将模型部署到生产环境。

监视和管理 ML 系统

通过全面的监视和治理工具确保模型质量、数据完整性和合规性。

功能 / 特点 Description
Unity 目录 使用统一的访问控制、世系跟踪和发现来管理数据、功能、模型和函数。
MLflow 用于模型 在整个开发生命周期中跟踪、评估和监视生成 AI 应用程序。

实现机器学习工作流生产化

使用自动化工作流程、CI/CD 集成和生产就绪的管道扩展机器学习操作。

功能 / 特点 Description
Unity 目录中的模型 使用 Unity 目录中的模型注册表进行集中治理，并管理模型生命周期，包括部署。
Lakeflow 作业 生成自动化工作流和生产就绪的 ETL 管道，以便进行 ML 数据处理。
Databricks 上的 Ray 使用分布式计算缩放 ML 工作负荷，以便进行大规模模型训练和推理。
MLOps 工作流 使用自动化训练、测试和部署管道实现端到端机器学习运维（MLOps）。
Git 集成 使用无缝 Git 集成和协作开发对 ML 代码和笔记本进行版本控制。