第二部分 - 操作Azure AI：语言、视觉、语音、决策和Azure开放AI服务的综合指南

继续我们的博客系列，我们在之前的博客中探索了Azure AI中所有的计算机视觉，文本和语音服务。在今天的博客中，我们将涵盖Azure中的所有决策服务，以及广受欢迎的Azure OpenAI服务，其中包括ChatGPT，GPT-4，DALL·E 2等等。

如果您还没有阅读我们之前的博客，您可以在此找到它。https://medium.com/@hitesh.hinduja/navigating-azure-ai-an-extensive-guide-to-language-vision-speech-decision-and-azure-open-ai-3da656668591

介绍

决策服务

Azure决策服务是提供的一系列服务，使开发人员能够构建和部署决策能力，而无需先前的知识。

以下是一些有趣的服务，可以使用：

1. 异常检测器

异常检测能力有助于识别和标记异常或可疑事件，使组织能够采取适当的措施，减轻潜在的风险或问题。这在各个领域如欺诈检测、网络安全、系统监控和质量控制中非常重要。

Azure为手头的业务问题提供了两种独立的服务。

单变量异常检测：单变量异常检测API自动化检测时间序列数据中的异常情况，在不需要机器学习专业知识的情况下适应不同的场景和数据量。

以下是Univariate异常检测服务的一些特点：

多元异常检测：多元异常检测 API 使开发人员能够集成先进的人工智能，以检测一组信号中的异常。例如，在汽车引擎中，能够识别系统级问题。通过考虑这些信号的相互作用和偏差，该功能充当检测异常的专家。底层的 AI 模型是使用您的数据训练和定制的，确保它们符合您的业务需求。通过 Anomaly Detector APIs，开发人员可以将多元时间序列异常检测无缝集成到预测性维护解决方案、AIOps 监控或业务智能工具中。

2. 指标顾问

指标顾问是 Azure 应用 AI 服务的一部分，利用人工智能在时间序列数据中自动化数据监控和异常检测。它提供数据摄取、异常检测和诊断的 API 和基于网络的工作空间，消除了对机器学习专业知识的需求。该服务可以分析来自各种来源的多维数据，识别和关联异常，定制异常检测模型，并促进异常的诊断和根本原因分析。

3. Azure 顾问

Azure Advisor是一个强大的服务，它分析你的Azure Data Explorer集群的配置和使用遥测。它提供个性化和可行性建议，帮助你优化ADX集群的性能、可靠性和成本效益。

这些建议以用户友好的仪表板形式在Azure门户中呈现，在其中可以查看每个建议的详细信息，包括潜在影响、实施步骤和支持文档。

a) 成本建议：成本建议适用于可以在不影响性能的情况下进行更改以降低成本的集群。成本建议包括：

未使用的运行中的 Azure 数据浏览器群集
未使用的停止的Azure数据浏览器集群
将数据浏览器集群更改为性价比更高、性能更好的 SKU。
减少 Azure 数据资源管理器表的缓存
运行清理命令来删除未使用的存储构件。
启用优化自动缩放功能

b) 性能建议：性能建议有助于提高Azure数据资源管理器集群的性能。性能建议包括以下内容：

将Data Explorer群集更改为成本更低且性能更好的SKU。
更新 Azure 数据浏览器表的缓存策略

4. 视频索引器：

Azure视频索引器是Azure应用人工智能服务中的云应用程序，利用Azure媒体服务和Azure认知服务从视频中提取见解。它使用超过30个人工智能模型分析视频和音频内容，生成有价值的信息。

Azure视频索引器的洞见可以应用于许多情境。

深度搜索：通过索引口语和面部信息，增强视频库搜索功能，使用户可以找到特定的时刻或个人。
内容创造：使用从视频提取的关键帧、场景标记和时间戳创建预告片、精选片段和社交媒体内容。
无障碍性：提供多种语言的转录和翻译服务，以使内容适用于不同的观众。
货币化：通过提取洞察信息，提供定向广告，增加视频价值。
内容管理：使用文本和视觉内容管理模型来确保内容安全，并与组织价值观保持一致。
建议：通过突出相关的视频片段并根据其他元数据提供个性化的推荐，来提高用户参与度。

Azure视频索引器提供了一系列用于视频分析的AI模型。其中包括：

人脸检测：检测和分组视频中出现的人脸。
名人识别：根据其出现在内容中的外观，识别超过100万名名人。
帐户基础的面部识别：训练特定于帐户的模型以在视频中识别面部。
人脸缩略图提取：从每组人脸中提取最好捕获的脸部。
光学字符识别（OCR）：从视频中提取图像中的文本。
视觉内容审核：检测内容中的成人或色情图像。
标签识别：识别视频中显示的视觉对象和动作。
场景分割：基于视觉线索判断视频中何时发生场景变化。
射击检测：根据视觉提示确定视频中的射击变化。
黑帧检测：识别视频中出现的黑帧。
关键帧提取：检测视频中稳定的关键帧。
滚动字幕：标识电视节目和电影中滚动字幕的开始和结束。
编辑镜头类型检测：基于镜头类型（如广角镜头、特写等），给镜头打标签。
观察人物跟踪（预览）：检测和跟踪视频中的人物，并提供他们的位置和外观时间戳。
人们的检测服装（预览）：检测出视频中出现的人的服装类型。
精选服装（预览）：捕捉视频中出现的精选服装图像。
匹配的人员（预览）：将观察到的人员与相应检测到的面部匹配。
石板检测（预览）：识别电影后期制作的见解，如响板检测和无字幕石板检测。
文字标志检测（预览）：通过OCR匹配预定义的文本以检测文字标志。

Azure视频索引的音频模型提供各种分析音频内容的能力，包括：

音频转录：支持50多种语言的语音转文字。
自动语言检测：确定音频中的主要语言。
多语言语音识别和转录：在音频片段中检测并转录不同的口语语言。
闭路传送字幕：生成多种格式的闭路传送字幕。
双通道处理：自动检测并将分开的文字记录合并成单个时间轴。
降噪：清除带有电话或背景噪音的音频记录。
转录定制化：为行业特定的转录训练定制语音转文本模型。
演讲者枚举：识别并映射音频文件中的演讲者。
演讲者统计信息：提供演讲者的讲话比率统计。
文本内容审核：检测音频转录中的露骨文本。
情绪检测：根据语音和声调识别情绪。
将音频转录稿翻译为不同的语言。
音频效果检测（预览）：检测非语音片段中的各种音频效果，例如警报、人群反应、笑声等。

在使用多个频道索引音频和视频内容时，Azure视频索引器提供了额外的模型和功能。这些包括：

关键词提取：从内容中提取语音和视觉文本中的关键词。
命名实体抽取：利用自然语言处理（NLP）技术，识别在语音和视觉文本中提到的品牌、地点和人物。
主题推断：基于从内容中提取的各种关键词，利用IPTC、维基百科和视频索引器分层主题本体论等本体论来确定主题。本分析包括转录、OCR内容和利用面部识别识别出的名人。
文物：为每个模型生成详细的丰富文物集，提供更深入的内容洞察力。
情感分析：分析语音和文字的情感表达，将其分类为积极、消极或中性。

5. 沉浸式阅读器

沉浸式阅读器是Azure Applied AI Services中的一种包容性工具，可提高新读者、语言学习者以及像失读症这样的学习差异个体的阅读理解。通过利用沉浸式阅读器客户端库，开发人员可以将Microsoft Word和Microsoft OneNote中发现的相同技术集成到他们的Web应用程序中，从而改善其用户的阅读体验和可访问性。

浸入式阅读器提供了几个功能来增强阅读可访问性。这些功能包括：

内容隔离：沉浸式阅读器隔离内容以提高可读性，使用户能够专注于单独的文本部分。
图片词典：对于常用词语，沉浸式阅读器会在单词旁边显示图片，帮助读者通过视觉提示来理解。
突出词性：沉浸式阅读器可以突出动词、名词和代词等不同的词性，有助于语法和语言学习。
文字转语音：沉浸式阅读器包括语音合成功能，允许用户选择文本并朗读，这有利于那些阅读困难或视力障碍者。
实时翻译：沉浸式阅读器可以在实时将文本翻译成多种语言，帮助正在学习新语言或语言能力有限的读者。
音节分割：沉浸式阅读器可以将单词分成音节，提高可读性并帮助读者理解不熟悉的单词。

知识挖掘服务

1. 认知搜索和实体识别

Azure认知服务对于语言来说包括命名实体识别（NER）功能，该功能旨在识别和分类非结构化文本中的实体。这些实体可能包括人物、地点、组织和数量。通过利用NER，开发人员可以从文本中提取有价值的信息，并构建涉及书面语言的智能应用程序。

Azure认知服务语言提供广泛的类别，用于识别非结构化文本中的实体：

人：识别个人名称。

人物类型: 将人物分类，例如名人或虚构角色。

位置：识别地点的名称，包括城市、国家和地标。

组织：检测公司名字、机构或组织名字。

事件：标识事件或发生的名称。

产品：可以识别产品的名称，例如小玩意或消费品。

技能：识别特定的技能或专业知识。

地址：在文本中检测指定的地址或位置。

电话号码：识别文本中提到的电话号码。

电子邮件：识别电子邮件地址。

URL：检测网址或URL。

IP：识别IP地址。

日期时间：标识文本中提到的日期和时间。

数量：检测数字数量或测量。

2. 关键短语提取

关键词提取是Azure认知服务的一个特性，它提供了一系列云中的机器学习和人工智能算法，用于开发与书面语言相关的智能应用程序。关键词提取可以快速识别给定文本中的主要概念或主题。例如，如果您有“食物很美味，工作人员非常好”的文本，关键词提取功能将抽取“食物”和“工作人员非常好”的主要主题。这种能力使您能够有效地理解文本中涉及的核心主题和主题。

3. 语言检测

语言检测功能可以帮助你识别文档所写的语言。它提供了代表不同变体、方言和一些地方性、文化性语言的语言代码。利用语言检测功能，你可以自动确定文档的语言，从而实现对多语言内容的有效处理和分析。

4. 健康文本分析

健康文本分析是Azure语言认知服务的一个引人注目的预构件功能，它赋予您从医疗领域的非结构化文本中提取和分类重要的医疗信息的能力。

通过使用用于医疗保健的文本分析，您可以有效地分析和提取这些文件中的相关信息。该服务使用先进的自然语言处理技术自动识别和标记重要的医疗实体，使您能够揭示文本中隐藏的有价值的知识和趋势。保持HTML结构。

Text Analytics for health通过单个API调用执行四个关键功能，分别是命名实体识别、关系抽取、实体链接和断言检测。

Health的文本分析支持英语中的非结构化文本作为其一般可用的服务，预览中还包括德语、法语、意大利语、西班牙语、葡萄牙语和希伯来语等其他语言的支持。

健康文本分析可以用于多种应用，包括提取见解和统计信息、开发预测模型、注释和策划医疗信息、审查和报告医疗信息以及协助决策支持。

5. 自定义技能

Azure自定义技能是Azure认知搜索提供的一项功能，它允许您通过整合自己的自定义代码和机器学习模型来扩展您的搜索解决方案的能力。通过自定义技能，您可以在索引期间处理和丰富您的内容，以提取额外的信息，生成见解，或应用特定于您领域或业务要求的自定义逻辑。这些技能可以使用各种编程语言和框架进行开发，它们使您可以根据自己的特定需要定制和增强搜索体验。

自定义技能是一种你可以在 AI 系统中创建和部署的模块化组件。可用的两种自定义技能类型是自定义 Web API 和 AML。

自定义 Web API——使用 WebApiSkill，您可以通过向自定义 Web API 发出 HTTP 调用来扩展 AI 系统。这使您能够执行其他操作，并丰富系统处理的数据。
Azure 机器学习 (AML) - AmlSkill，另一方面，使您能够将 Azure 机器学习模型整合到 AI 系统中。这可以让您利用预训练模型或构建自己的模型来增强系统的功能。

动力技能是可以添加到 Azure 认知搜索的即用型功能。它们作为自定义技能的模板或起点，并且您也可以直接使用它们。您可以通过提交拉取请求来贡献自己的技能。共享指向 GitHub 存储库的链接。

自定义实体查找 - 自定义实体查找技能用于识别您定义的特定实体。它在文本文档中搜索这些实体并标记任何匹配项。该技能支持模糊匹配，允许它找到类似但不完全匹配的内容。
为提供自定义实体清单，您可以使用 .CSV 或 .JSON 文件，或将它们直接包含在技能定义中。.CSV 格式简单明了，每行代表唯一的实体。对于每个实体，可以添加别名，并且别名匹配将被分组为主实体。

例如，在上面的 .CSV 格式示例中，如果实体“比尔 · 盖茨”被定义为别名“BillG”和“William H. Gates”，则任何别名的匹配都将被标记为输出中的“比尔 · 盖茨”实体。

Azure开放AI服务

Azure OpenAI服务是微软与OpenAI合作的成果，将Azure强大的企业特性与OpenAI强大的生成式AI模型能力相融合。

针对Azure用户专门设计的Azure OpenAI包括四个关键组成部分：

1. 预训练生成型AI模型

2. 自定义能力，允许使用者数据进行人工智能模型的微调。

3. 内置工具用于识别和缓解可能的有害用例，确保负责任的人工智能实现。

4. 企业级安全功能，包括基于角色的访问控制（RBAC）和私有网络。

通过利用Azure OpenAI，用户可以在Azure服务和OpenAI之间无缝切换，同时受益于Azure的私有网络、地区可用性和负责任的AI内容过滤。

图表显示了OpenAI与其他Azure服务的关系：

Azure OpenAI服务为各种AI工作负载提供广泛支持，包括常见和创新的工作负载。它支持的一些常见AI工作负载包括机器学习、计算机视觉、自然语言处理、对话AI、异常检测和知识挖掘。

除了这些常见的工作量，Azure OpenAI 还处理新兴的 AI 任务。以下是一些按它们支持的任务分类的例子:

文本完成：生成并修改文本。

嵌入式：搜索、分类和比较文本。

生成代码：生成、修改和解释代码。

生成图片：创建并修改图片。

凭借其多样化的功能，Azure OpenAI 使用户能够处理各种各样的AI任务，赋予他们探索新可能性和推动创新的能力。

ChatGPT

在Azure OpenAI Studio中，用户具有创建和部署AI模型的能力，这些模型可以用于公共消费的软件应用程序。 Azure OpenAI的功能由特定的生成式AI模型驱动。这些模型经过设计和优化，适用于不同的任务，使它们在特定的领域中表现出色。有些模型在摘要和生成一般的非结构化回复方面特别有效，而另一些模型专门为生成代码或基于文本输入创建独特图像的任务而构建。通过利用这些专门的模型，用户可以在其AI应用程序中解锁各种可能性。

在 Azure OpenAI 的聊天游乐场中，用户可以利用助手设置向模型提供关于其行为的指示。通过设置助手并在系统消息中定义语气、规则和格式，该模型将尝试相应地模仿回复。这使得用户可以更好地控制对话，并引导模型的行为以符合其特定要求。助手设置使用户能够塑造与 AI 模型的交互并定制回复以满足其期望的标准。

在 Azure OpenAI 的完成场中，用户可以方便地输入提示、调整参数并立即查看响应，而不需要编码。这个用户友好的界面允许轻松地实验和探索 Azure OpenAI 的能力。只需输入提示并自定义各种设置，用户就可以快速生成响应并评估输出。这个简化的过程消除了对广泛编码的要求，使用户可以更直观和易于访问地与 AI 模型交互。

GPT-4

OpenAI通过开发GPT-4在深度学习领域取得了突破性进展。这个强大的多模型系统可以接受图像和文本的输入，并产生文本输出，在几个关键方面胜过它的前身GPT-3.5。虽然GPT-4在现实场景中还不能与人类水平的能力匹敌，但在各种职业和学术基准测试中都取得了显著进展，实现了与人类水平的表现。值得注意的是，GPT-4在模拟的律师考试等任务上超过了GPT-3.5，并比GPT-3.5的最末尾10%的测试考生得分高出前10%。

除了在专业和学术基准上的表现之外，GPT-4还在传统基准上进行了评估，这些基准通常用于评估机器学习模型。结果显示，GPT-4明显优于现有的大型语言模型，包括许多采用基准特定技术或额外训练协议的最先进模型。这表明，GPT-4在自然语言处理领域代表了一个重大飞跃，并展示了与其前任和其他先进模型相比的卓越能力。

视觉输入

通过提供包含文字和图像的提示，GPT-4可以生成各种形式的文本输出，例如自然语言或代码。这种多模态能力使GPT-4能够处理混合文字和图像的输入，包括文本和附带的照片、图表或屏幕截图的文档。GPT-4在这些混合输入上展示了与仅文本输入相似的能力。

可操控性

导向性让ChatGPT的开发者和用户对人工智能的行为有更多的掌控力。和之前的版本不同，之前版本的人工智能是有固定的个性、语言冗长度、语调和风格，如今有了GPT-4，开发者和用户能够通过提供具体的指令，定义人工智能的风格和任务。这种定制化的特性使得用户能够在一定的限度内获得更为量身定制和个性化的体验。

总之，GPT-4代表OpenAI在深度学习扩展方面取得了重要里程碑。凭借其改进的文本和图像输入处理能力，以及方向可控性和风险缓解方面的进展，GPT-4有潜力成为各种应用中有价值的工具。

Azure中GPT-4的更多链接：

GPT-3（DaVinci、Curie、Babbage）

OpenAI 提供的 GPT-3 模型能够理解并生成自然语言。这些模型设计有不同的功率和速度级别，使其适用于各种不同的任务。

四个GPT-3模型，按功能从强到弱排序为：

text-davinci-003：DaVinci是GPT-3模型中最有能力的模型，它旨在提供最好的自然语言理解和生成。

文本-curie-001：Curie是第二个功能最强的型号。它提供了性能和速度之间的平衡。

文本-babbage-001：巴贝奇不如达芬奇和居里那么高能，但更快捷和更具成本效益。

text-ada-001：在 GPT-3 模型中，Ada 是最快的，但在理解和生成自然语言方面能力最弱。

DALL-E2：

DALL·E是由OpenAI开发的强大语言模型，专门用于根据文本描述生成图像。它具有120亿个参数，展示了各种能力，如创建动物和物体的拟人化版本，组合无关的概念，渲染文本，以及应用于现有图像的变换。以下是Azure AI Studio中DALL-E2的预览。

DALL·E 展示了其能够针对广泛的句子生成真实可信的图片的能力，让人们可以探究语言的构成结构。在接下来的章节中，我们会展示互动可视化效果，以展示这种能力。

融合无关概念：

剪辑

CLIP（对比语言-图像预训练）是OpenAI研究的一部分，它是一种将自然语言处理和计算机视觉结合起来，从文本描述中学习视觉表征的模型。它在零样本传递学习和多模态学习的先前研究基础上构建。CLIP背后的关键思想是使用自然语言作为灵活的预测空间，使模型能够推广并将其知识转移到未见过的对象类别。

CLIP是探索从自然语言监督中学习视觉表达的更广泛研究趋势的一部分，使用像Transformers这样的现代架构。它已经应用于各个领域，包括医学成像。总体来说，CLIP代表了一种强大的方法，用于理解和连接视觉和文本信息。

CLIP的设计专门针对传统深度学习方法在计算机视觉中遇到的一些重大挑战：

昂贵的数据集：

传统方法：训练用于图像识别的深度学习模型需要一个手动标记的包含数千张注释图像的数据集，这是一项费时且昂贵的任务。

CLIP方法：使用CLIP，我们可以利用互联网上现有的文本-图像对，消除手工注释的繁琐过程，并大大降低数据集创建的成本。

2. 有限的概括:

传统方法：使用ImageNet模型训练特定物体类别的预测能力，若想要完成新任务，则需要增加训练样本及进行微调。

CLIP方法：相比之下，CLIP可以在不重新训练的情况下适应新的视觉分类任务。通过提供视觉概念的名称，CLIP的文本编码器可以为这些概念生成准确的分类器，从而使其能够执行各种分类任务而无需进行大量修改。

CLIP相较传统方法提供多项优势：

算法选择，如采用对比目标将文本与图像相连接和采用视觉Transformer，会大大提高计算效率。
因为它们直接从自然语言中学习广泛的视觉概念，所以CLIP模型比现有的ImageNet模型更加灵活和通用。

以上图像展示了CLIP的能力，可以在更少的计算和图像处理的情况下实现相同的准确性。

Azure AI 在 2023 年 Build 大会中最新的公告

宣布在Azure Machine Learning中推出基础模型。

在过去的十年里，人工智能（AI）已经给许多行业带来了深刻的变革，包括制造、零售、金融和医疗等。AI的最近进步可以归因于大规模基础模型的出现。这些模型由海量数据驱动，非常灵活，并可以进行微调以执行各种任务，如自然语言处理、计算机视觉和通过生成式AI生成内容。基础模型使得机器能够执行以前被认为只有人类才能完成的复杂任务，例如语言翻译、创意内容创作和操作虚拟聊天助手。

在Azure 机器学习 (AzureML) 中，我们持续不断地创新，并为客户提供轻松开发、训练和实施 ML 模型的方法。我们很高兴地宣布 Azure 机器学习基础模型的公共预览。此功能允许用户通过我们的模型目录探索、定制和扩展大型基础模型。此目录作为通往一系列基础模型的门户，包括 AzureML 精心挑选的各种开源模型、我们的 Hugging Face hub 社区合作伙伴的收集以及 Azure OpenAI Service 模型的选择 (AzureML Insiders 的私有预览版)。这个新功能使我们的客户可以轻松地利用最新的基础模型，加速他们对独特工作负载的微调、评估、部署和操作。

以前，处理和使用大型模型是具有挑战性的，客户需要监督这些模型的基础设施和环境依赖。AzureML新引入了支持基础模型的本机支持，简化了这个过程，处理了所有基础设施依赖并为模型微调和评估提供了即用支持。传统上，训练和微调大型模型是一项资源和时间消耗的活动。AzureML的基础模型包括优化，如Deepspeed和ORT（ONNX运行时），其中快速完成微调，以及LoRA（大语言模型的低秩自适应），这显着减少了微调的内存和计算需求。

当客户将基础模型整合进其机器学习工作负载时，有关键要点需要特别注意。主要的是，他们需要有效的方法来发现模型并评估其是否适用于特定的任务。为此，我们推出了一个模型目录，用作在 AzureML 中查找基础模型的中央位置。我们的开源模型集合是 AzureML 为立即使用而选择和打包的最广泛使用的开源基础模型的汇编。目前，其中包括领先的开源大语言模型，并预计将支持更多任务。我们还提供了从 Hugging Face 导入其他模型的选项。此功能使您能够无缝地导入 Hugging Face 中支持任务的众多模型，确保您始终能够在 AzureML 中带来最新的模型，并在几分钟内将其部署。

微软的Swati写了一篇有趣的博客，在博客中她展示了完整的目录。您可以在下面找到这篇博客：

博客的重点亮点：

以下是目录用户界面的外观。

以下是Build 2023已宣布的所有开发项目链接清单：

另外，您可以通过下面的链接深入了解每一个。

AI插件：微软正在扩大AI插件生态系统，并将采用OpenAI为ChatGPT引入的开放式插件标准。这将实现ChatGPT和微软Copilot产品之间的互操作性。开发人员现在可以使用一个平台来构建能够跨越消费者和商务领域工作的插件，包括ChatGPT、Bing、Dynamics 365 Copilot（在预览中）和Microsoft 365 Copilot（在预览中）。
Azure AI 服务更新：改进 Azure OpenAI 服务，现在处于预览状态，包括 Azure AI Studio、一个预置吞吐量模型和插件，简化整合外部数据源以及简化建立和使用 API 过程。
Azure AI 内容安全性：新的 Azure AI 服务 Azure AI 内容安全性，将赋予企业创造更安全的在线环境和社区的能力。该模型旨在跨语言的图像和文本中，检测仇恨、暴力、性和自残内容。
Azure Cognitive Search：预览版即将推出的Azure Cognitive Search的矢量搜索，是新的大型语言模型（LLM）应用程序的检索系统。矢量搜索允许开发人员使用组织数据，包括文本、图像、音频、视频和图表，轻松存储、索引和按概念而非关键字进行搜索。
Azure 语言认知服务：新的功能现已在 Azure 语言认知服务的预览版中提供，其中包括开发人员可以定制摘要的功能，除了已经宣布的实体识别、文本分类和对话语言理解 (CLU) 功能之外，所有这些功能均由 Azure OpenAI 服务提供支持。
使用Azure机器学习来使生成式人工智能实现运营化：Azure机器学习能够在模型生命周期的所有阶段进行评估，从而显著提高机器学习专业人士运用可靠的生成式AI解决方案的能力。Azure机器学习的更新功能包括Prompt flow、对基础模型的支持、文本和图像数据的负责任AI仪表板支持以及模型监控。
微软 Fabric：微软 Fabric 现在正在预览阶段，为企业级数据基础上的所有分析工作负载和用户提供一种集成和简化的体验。它将 Power BI、数据工厂和新一代的 Synapse 统一在一个软件即服务（SaaS）产品中。
托管特征存储是 Azure Machine Learning 的新功能，目前处于预览阶段。该功能旨在简化特征开发并优化机器学习生命周期。它有助于用户更快地进行模型实验和部署，提高模型的可靠性，降低运营成本。