选择适用于 AI 的 Azure PaaS 解决方案

本文介绍如何为 Azure AI 平台即服务（PaaS）解决方案选择适当的资源。 下表概述了主要的 Azure AI PaaS 解决方案和重要的决策标准。

为生成式 AI 工作负荷选择资源

生成 AI 结合了各种资源来处理输入数据并生成有意义的输出。 选择适当的资源，确保应用程序（例如使用 检索增强生成（RAG）的应用程序，通过有效地建立 AI 模型来提供准确的结果。

生成 AI 工作流

以下工作流与上图相对应：

1. AI 应用从用户接收查询。

2. 业务流程协调程序（例如 Azure AI Foundry 代理服务或 Microsoft代理框架）管理数据流。

3. 搜索和检索机制标识适当的地面数据。

4. 该机制将地面数据发送到生成式 AI 平台。

5. 生成 AI 平台基于用户查询和地面数据生成响应。

生成 AI 资源选择

使用以下建议来构建生成式 RAG 工作负载：

1. 选择生成式 AI 平台。 使用 Azure AI Foundry 或 Azure OpenAI 部署和管理生成 AI 模型。 Azure AI Foundry 提供了一个代码优先平台，其中包含用于开发、部署和协调应用程序的内置工具。 如果只需要访问 OpenAI 模型，请使用 Azure OpenAI。

2. 选择适当的 AI 计算类型。 Azure AI Foundry 需要特定功能的 计算实例 。 选择满足性能和预算需求的计算类型。

3. 选择编排器。 使用常用的业务流程协调程序（例如 Azure AI Foundry 代理服务 或 Microsoft Agent Framework）来管理数据流和交互。 对于具有多个协作代理的工作负荷，业务流程协调程序必须支持使用的 AI 代理业务流程模式 。

4. 挑选一个搜索和知识检索机制。 为建立生成式 AI 模型，应创建一个索引或矢量数据库，以便进行相关数据检索。 使用 Azure AI 搜索从各种数据源中生成传统索引和矢量索引，应用数据分块，并使用多种查询类型。 对于结构化数据库，请考虑 使用 Azure Cosmos DB、 Azure Database for PostgreSQL 或 Azure Redis 缓存。

5. 为基础数据选择一个数据源。 在 Azure Blob 存储中存储用于图像、音频、视频或大型数据集的基础数据。 或者，使用 AI 搜索 或 矢量数据库支持的数据库 。

6. 挑选一个计算平台。 使用 Azure 计算决策树 为工作负荷选择适当的平台。

为非生成式 AI 工作负荷选择资源

非生成 AI 工作负载使用平台、计算资源、数据源和数据处理工具来支持机器学习任务。 选择适当的资源，确保能够有效地使用预生成或自定义解决方案生成 AI 工作负载。

非生成 AI 工作流

以下工作流与上图相对应：

1. AI 应用引入传入数据。

2. 可选的数据处理机制提取或作数据。

3. AI 模型终结点分析数据。

4. 数据可用于训练或微调 AI 模型。

非生成 AI 资源选择

使用以下建议生成非生成 AI 工作负载：

1. 选择非生成 AI 平台。 根据要求使用 AI 服务或机器学习。 AI 服务提供预生成的 AI 模型，可简化部署并减少对深度数据科学专业知识的需求。 机器学习提供了一个平台，用于使用数据开发自定义机器学习模型。 它还将这些模型集成到工作负荷中。

2. 选择适当的 AI 计算类型。 机器学习需要 计算资源 才能运行作业或主机终结点。 选择满足性能和预算需求的计算类型。 AI 服务不需要计算资源。

3. 挑选一个数据源。 使用支持的 数据源 托管机器学习的训练数据。 许多 AI 服务不需要微调数据。 某些 AI 服务（如 Azure AI 自定义视觉）允许将本地文件上传到托管数据存储解决方案。

4. 挑选一个计算平台。 使用 Azure 计算决策树 为工作负荷选择适当的平台。

5. 挑选一个数据处理服务（可选）。 使用 Azure Functions 处理无服务器数据或 Azure 事件网格以触发数据处理管道。

下一步