AI-900知识梳理
2025-05-07 15:00:31 0 举报AI智能生成
AI-900考试旨在评估应试者对Microsoft Azure基础AI服务、工作负载、数据和隐私、安全性方面的理解以及掌握程度。
作者其他创作
大纲/内容
self 什么是AI
机器学习 - 它通常是 AI 系统的基础，也是我们“教”计算机模型进行预测并根据数据得出结论的方式。
计算机视觉 - 通过相机、视频和图像直观地解释世界的 AI 功能。
Seeing AI
应用专门面向盲人和弱视群体
它利用 AI 的力量来打开视觉世界，描述附近的人、文字和物体。
大多数计算机视觉解决方案都基于机器学习模型
这些模型可应用于来自相机、视频或图像的视觉输入
Azure AI 视觉
图像分析：
这些功能用于分析图像和视频，还用于提取说明、标记、对象和文本。
人脸：
这些功能让你能够构建人脸检测和面部识别解决方案。
光学字符识别 (OCR)：
这些功能用于从图像中提取印刷文本或手写文本，使用户能够访问已扫描的文本的数字版本。
自然语言处理NLP - 计算机理解书面或口头语言并作出相应反应的 AI 功能。
分析和解释文档、电子邮件和其他来源中的文本。
解释口头语言，并合成语音响应。
自动将口头或书面短语在各种语言之间进行翻译。
解释命令并确定合适的操作。
Azure AI 语音功能
语音识别和合成、实时翻译、对话听录等。
Azure AI 翻译采用神经机器翻译 (NMT) 模型进行翻译
可分析文本的语义上下文，因此可提供更准确、更完整的翻译。
文档智能 - 与管理、处理和使用表单及文档中的大量数据有关的 AI 功能。
借助文档智能，能够创建可自动处理合同、运行状况文档和财务表单等的软件
文档智能工作室
文档分析
读取
从图像和文档中提取，打印文本和手写文本 以及 条码， 公式 和 字体样式
布局
从表单和文档中提取表、复选框和文本
常规文档
从任何表单或文档中提取键值对和结构
例如表和选择标记
从 文档中提取文本、表、结构、键值对和命名实体
预生成模型
使用预生成模型 从 唯一的文档类型中 提取数据
知识挖掘 - 从大量通常非结构化数据中提取信息以创建可搜索的知识存储的 AI 功能。
描述涉及从大量非结构化数据中提取信息来创建可搜索知识存储的解决方案
Microsoft 知识挖掘解决方案是 Azure AI 搜索
一种专用的企业搜索解决方案
具有用于生成索引的工具
这些索引仅可在内部使用
或在面向公众的 Internet 资产上启用可搜索内容
可以利用 Azure AI 服务的内置 AI 功能（来提取数据
图像处理
文档智能
自然语言处理
可以对以前不可搜索的文档编制索引
快速从大量数据中提取和显示见解
生成式 AI - 以各种格式（包括自然语言、图像、代码等）创建原始内容的 AI 功能。
用于创建原创内容的一类功能
生成式 AI 应用程序接受自然语言输入，并以自然语言、图像、代码和音频等各种格式返回适当的回复。
Azure OpenAI
在 Microsoft Azure 中，可以使用 Azure OpenAI 服务生成生成式 AI 解决方案。 Azure OpenAI 服务是 Microsoft 的云解决方案，用于部署、自定义和托管生成式 AI 模型。 它将 OpenAI 最前沿的模型和 API 与 Azure 云平台的安全性和可伸缩性结合在一起。
Azure OpenAI 支持许多可满足不同需求的基础模型选项。 可在 Azure AI Studio 和其他编程语言中使用和测试这些服务功能。 可以使用 Azure AI Studio 用户界面来管理、开发和自定义生成式 AI 模型。
self 了解负责任AI
AI 软件的开发遵循六项原则
旨在确保 AI 应用程序能为棘手的问题提供出色的解决方案，而不产生任何意外的负面影响。
公平
AI系统应该公平对待所有人
可靠和安全
AI 系统应可靠且安全地运行。
基于 AI 的软件应用程序开发必须经过严格的测试和部署管理，以在发布前确保它们能达到预期。
隐私和安全
AI 系统应该保护并尊重隐私。
数据和根据数据作出的决策都可能受到隐私或安全问题的约束。
包容
AI 系统应该成为人们的有力助手，并与人互动
AI 应不分身体能力、性别、性取向、种族或其他因素
透明度
AI 系统应该是可理解的
应让用户能充分了解系统的用途、工作方式以及局限性
问责
应有相关人员对 AI 系统负责。
设计和开发基于 AI 的解决方案的人员应在管理和组织原则的框架内工作，以确保解决方案符合定义明确的道德和法律标准。
self AI 的挑战和风险
偏差可能会影响结果
贷款审批模型因训练数据中的偏差而产生性别歧视
错误可能会造成伤害
自动驾驶车辆遇到系统故障并引发碰撞
数据可能被暴露
医疗诊断机器人使用敏感患者数据进行训练，这些数据存储不安全
解决方案可能并不适用于所有人
家庭自动化助手不为视觉障碍用户提供音频输出
用户必须信任复杂系统
一个基于 AI 的金融服务工具提供投资建议。这些建议的基础是什么？
谁对 AI 驱动的决策负责？
一个无辜的人因为基于面部识别的证据而被判有罪。 谁该为此负责？
AI 简介
人工智能工作负载和注意事项：描述AI工作负载的特点和实施时的注意事项。
AI工作负载特性：识别AI工作负载的常见特性。
1. 高性能计算能力：
Azure提供高性能的GPU虚拟机（如ND H100 v5 VMs），这些VMs能够处理大规模的AI工作负载，并提供与NVIDIA Quantum2 InfiniBand网络的高速连接。
Azure N系列虚拟机（VMs）提供最新的GPU性能和网络能力，能够无缝地在云中编排模拟。
2. AI工作负载的优化：
Azure Machine Learning为构建、部署和管理高质量模型提供了加速，使用行业领先的机器学习操作、开源互操作性和集成工具，这些都得到了AI基础设施的全面支持和优化。
3. 全球领先的AI基础设施：
微软是AI领域的领导者，提供AI优化的基础设施，帮助构建和训练行业最先进的AI解决方案，包括OpenAI和NVIDIA等。
4. 端到端的机器学习能力：
Azure提供了构建、训练和部署一些最苛刻的AI工作负载所需的性能、可扩展性和内置安全性。
5. AI工作负载的类型：
包括机器学习、计算机视觉、自然语言处理（NLP）和生成性AI等。
Azure提供了相应的工具和服务，如Azure Machine Learning、Azure Computer Vision、Azure Cognitive Services for Language和Azure OpenAI Service。
6. 负责任的AI原则：
确保AI的伦理和安全使用，包括公平性、可靠性和安全性、隐私和安全性、包容性、透明度和责任性。
7. 机器学习的核心概念：
包括特征和标签、训练和验证数据集等。
8. Azure Machine Learning的能力：
提供自动化机器学习（AutoML）、数据和计算服务、模型管理和部署等功能。
9. 计算机视觉工作负载的特点：
包括图像分类、目标检测、光学字符识别（OCR）和面部检测与分析等。
10. 自然语言处理工作负载的特点：
包括关键短语提取、实体识别、情感分析、语言建模、语音识别和合成、翻译等。
负责任的AI指导原则：确定实现负责任AI的指导原则。
1. 公平性：
AI系统应该公平对待每个人，避免基于个人特征的歧视，并确保向所有人提供相同的建议。
2. 可靠性和安全性：
AI系统必须在各种条件下可靠、安全、一致地运行，以帮助建立信任。
3. 隐私和保障：
4. 包容性：
AI系统应尊重隐私，并通过保护私人和机密信息来维护安全，同时抵制破坏或损害系统的攻击和企图。
AI系统应该支持每个人并吸引每个人参与。包容性设计做法可以帮助开发人员了解和解决产品或服务中潜在的排斥障碍。
5. 透明度：
AI系统应该是透明和易于理解的，尤其是在它们可能深刻影响人们生活的决策时。
6. 问责制：
AI系统及其开发人员应当承担责任，确保AI的决策过程和结果是可追溯和可解释的。
机器学习
Azure机器学习原理：描述Azure上机器学习的基本原理。
机器学习技术：识别常见的机器学习技术。
1. 监督学习：
这是最常见的机器学习类型之一，模型从标记的训练数据中学习，并预测输出。包括分类和回归任务。
分类：如逻辑回归、支持向量机（SVM）、决策树、随机森林、梯度提升树等。
分类算法用于预测输入值所属的类别。
二元分类
预测结果是二进制
true
false
多元分类
单个观测值可能有多个有效标签
例如，一部电影可能同时被归类为科幻和喜剧。
评估 分类模型
，精度
召回率
精度
回归：如线性回归、岭回归、LASSO回归等。
回归算法用于预测数值。
回归评估指标
平均绝对误差MAE
均方误差MSE
均方根误差RMSE
决定系数R2
2. 无监督学习：
无监督学习用于发现数据中的模式和结构，而不需要标记的训练数据。
聚类：如Kmeans、层次聚类、DBSCAN等。
聚类分析算法对具有相似特征的数据点进行分组。
降维：如主成分分析（PCA）、tSNE等。
非监督式学习是一种学习算法类别，包括聚类分析，但不包括回归或分类
3. 半监督学习：
结合了监督学习和无监督学习的特点，使用少量标记数据和大量未标记数据进行训练。
4. 强化学习：
通过与环境的交互来学习，目标是最大化累积奖励。
常用于游戏、机器人控制等领域。
5. 深度学习：
一种基于人工神经网络的学习方法，能够学习数据的复杂模式。
卷积神经网络（CNN）：适用于图像识别。
循环神经网络（RNN）：适用于序列数据，如时间序列分析和自然语言处理。
长短期记忆网络（LSTM）：一种特殊的RNN，能够学习长期依赖关系。
6. 迁移学习：
利用在一个任务上训练好的模型来提高另一个相关任务的性能。
7. 集成学习：
结合多个学习器的预测结果，以提高模型的准确性和鲁棒性。
如随机森林、梯度提升机（GBM）、XGBoost等。
8. 自动机器学习（AutoML）：
自动化机器学习流程，包括特征选择、模型选择和超参数优化。
9. 可解释的AI（XAI）：
使机器学习模型的决策过程更加透明和可解释。
10. 联邦学习：
一种分布式机器学习方法，允许多个客户端协同训练共享模型，同时保护数据隐私。
核心机器学习概念：描述机器学习的核心概念。
1. 数据集（Dataset）：
用于训练和评估机器学习模型的数据集合。通常包括训练集、验证集和测试集。
2. 特征（Features）：
数据集中用于模型训练的变量或属性。特征工程是选择、创建和转换这些特征的过程，以提高模型的性能。
3. 标签/目标变量（Labels/Target Variable）：
监督学习中，每个数据点的期望输出。模型的目标是预测这些标签。
4. 模型（Model）：
一个数学函数，它从输入数据中学习并做出预测。模型可以是简单的线性回归，也可以是复杂的深度神经网络。
5. 训练（Training）：
使用训练数据集来调整模型参数的过程，以便模型能够学习到数据中的模式。
6. 损失函数（Loss Function）：
衡量模型预测与实际标签之间差异的函数。训练过程中的目标是最小化损失函数。
7. 优化器（Optimizer）：
用于更新模型参数以最小化损失函数的算法，如梯度下降、随机梯度下降（SGD）等。
8. 超参数（Hyperparameters）：
学习过程中不由模型直接学习得到的参数，而是由用户设定。超参数优化是选择最佳超参数的过程。
9. 过拟合（Overfitting）：
模型在训练数据上表现很好，但在未见过的数据上表现差的现象。这通常是因为模型过于复杂，捕捉到了训练数据中的噪声。
10. 欠拟合（Underfitting）：
模型在训练数据上表现不佳，因为它太简单，没有捕捉到数据的基本结构。
11. 验证集（Validation Set）：
用于模型选择和超参数调整的数据集。它帮助防止模型过拟合。
12. 测试集（Test Set）：
用于最终评估模型性能的数据集。它应该完全独立于训练过程。
13. 交叉验证（CrossValidation）：
一种评估模型泛化能力的技术，通过将数据集分成多个子集，并对每个子集进行训练和验证。
14. 准确度（Accuracy）：
模型预测正确的样本数占总样本数的比例。
15. 召回率（Recall）：
在所有实际为正的样本中，模型正确预测为正的比例。
16. 精确度（Precision）：
在所有预测为正的样本中，实际为正的比例。
17. F1分数（F1 Score）：
精确度和召回率的调和平均值，用于衡量模型的整体性能。
18. 混淆矩阵（Confusion Matrix）：
一个表格，用于可视化模型性能，显示实际类别与预测类别之间的关系。
19. 特征缩放（Feature Scaling）：
调整特征的数值范围，以提高某些算法的性能，如神经网络和基于距离的算法。
20. 正则化（Regularization）：
一种防止过拟合的技术，通过在损失函数中添加惩罚项来限制模型的复杂度。
Azure机器学习功能：描述Azure提供的机器学习功能。
1. Azure Machine Learning Studio：
一个中心化的资源，供数据科学家和开发者构建、训练和部署机器学习模型。
2. 模型目录：
允许用户发现、微调和部署来自Microsoft、OpenAI、Hugging Face、Meta和Cohere等的基础模型。
3. 自动化机器学习（AutoML）：
自动化机器学习模型开发中耗时的迭代任务，支持分类、回归、视觉和自然语言处理等任务。
4. 负责任的AI：
使用可解释性功能构建负责任的AI解决方案，评估模型公平性并减少不公平性。
5. 数据准备和特征存储：
在Azure机器学习中的Apache Spark群集上快速迭代数据准备，提高交付模型的灵活性。
6. AI基础结构：
利用为结合使用最新GPU和InfiniBand网络而专门设计的专用AI基础结构。
7. MLOps：
使用机器学习运营（MLOps）协作并简化模型管理。
8. 多节点分布式训练：
通过多节点分布式训练提高深度学习和传统机器学习训练作业的效率。
9. 实时和批量评分（推理）：
支持实时和批量模型评分，抽象化了部署模型所需的基础设施。
10. 模型部署：
将模型部署到生产环境，支持实时和批处理部署。
11. 安全性和合规性：
集成Azure云平台的安全性，包括Azure虚拟网络、Azure密钥保管库和Azure容器注册表。
12. 企业级集成：
与其他Azure服务集成，支持从端到端的ML项目，包括Azure Synapse Analytics、Azure Arc、存储和数据库选项、Azure App Service和Microsoft Purview。
13. 开放和互操作性：
支持在Azure机器学习中使用常见的Python框架（如PyTorch、TensorFlow、scikitlearn、XGBoost、LightGBM）创建的模型。
14. 自动化特征化和算法选择：
通过AutoML加速数据特征化和算法选择过程。
15. 超参数优化：
自动化超参数优化任务，可视化结果。
16. 项目管理和协作：
通过共享笔记本、计算资源和环境，促进团队协作。
17. 模型生命周期管理：
支持从训练到部署的模型生命周期管理，包括审计和监控。
18. 集成开发工具：
支持与CI/CD工具（如GitHub Actions或Azure DevOps）的集成，以及与Apache Airflow的集成。
计算机视觉
Azure计算机视觉工作负载特性：描述Azure上计算机视觉工作负载的特点。
计算机视觉解决方案类型：确定常见的计算机视觉解决方案类型。
光学字符识别 (OCR)：
* 从图像中提取文本，支持印刷体和手写文本，适用于多种语言和背景。
图像分析：
* 从图像中提取视觉特征，如物体、人脸、成人内容和自动生成的文本描述。
图像分类
涉及训练机器学习模型，使其根据图像内容对图像进行分类。
对象检测
经过训练，可以对图像中的单个对象进行分类，并使用边界框确定其位置。
语义分割
一种高级机器学习技术，其中图像中的各个像素根据其所属的对象进行分类。
人脸：
* 提供AI算法检测、识别和分析图像中的人脸，适用于识别、无接触访问控制和隐私保护等场景。
视频分析：
* 包括空间分析和视频检索功能，空间分析可以分析视频源中人的移动和存在，而视频检索允许使用自然语言搜索视频索引。
Azure AI 自定义视觉：
* 允许用户构建、部署和改进自己的图像识别模型，适用于特定要求的图像分析，如识别异常对象或制造缺陷。
Azure OpenAI：
* 通过预先训练的生成式图像模型从自然语言生成图像，适用于生成自定义艺术或辅助功能说明等。
计算机视觉工具和服务：确定用于计算机视觉任务的Azure工具和服务。
1. Azure AI 视觉服务：
提供高级算法处理图像并返回基于视觉特征的信息。
2. 光学字符识别 (OCR)：
从图像中提取印刷体和手写文本，支持多种语言和背景。
3. 图像分析：
提取图像中的视觉特征，如物体、人脸、成人内容和自动生成的文本描述。
4. 人脸服务：
提供AI算法检测、识别和分析图像中的人脸，适用于识别、无接触访问控制和隐私保护等场景。
5. 视频分析：
包括空间分析和视频检索功能，空间分析可以分析视频源中人的移动和存在，而视频检索允许使用自然语言搜索视频索引。
6. Azure AI 自定义视觉：
允许用户构建、部署和改进自己的图像识别模型，适用于特定要求的图像分析，如识别异常对象或制造缺陷。
7. Vision Studio：
在 Web 浏览器中快速试用 Azure AI 视觉功能。
8. Azure 认知服务计算机视觉 SDK：
为不同的编程语言提供软件开发工具包 (SDK)，以便在应用中使用图像分析功能。
9. 模型自定义：
使用少量图像自定义图像分类和对象检测以满足特定需求。
文档智能
帮助
自动执行应用程序和工作流中的文档处理
增强数据驱动的策略
丰富文档搜索功能
可使用预生成模型为发票、收据、医疗保险卡和税务表单等添加智能文档处理
可使用 Azure AI 文档智能创建具有自己标记的数据集的自定义模型
可在文档智能工作室和其他编程语言中使用和测试这些服务功能。
知识挖掘
用于描述涉及从大量非结构化数据中提取信息来创建可搜索知识存储的解决方案。
自然语言处理NLP
Azure NLP工作负载特性：描述Azure上自然语言处理工作负载的特点。
NLP工作负载方案特征：确定常见NLP工作负载方案的特征。
1. 预训练模型即服务：
Azure 提供了预训练的NLP模型，用户可以直接使用这些模型来处理NLP任务，如情感分析、关键短语提取、命名实体识别和语言检测。
2. REST API：
Azure NLP服务提供了REST API接口，允许开发者在不同的编程环境中方便地调用NLP功能。
3. 编程能力：
Azure支持多种编程语言，如Python和Scala，以便于开发者在不同的应用场景中集成NLP功能。
4. 大数据处理：
某些Azure服务如Azure Databricks、Azure Synapse Analytics和Azure HDInsight支持处理大数据集和大型文档，这对于NLP任务尤为重要。
5. 低级NLP能力：
提供了诸如句子检测器、分词器、词干提取器、词形还原器等低级NLP功能，这些功能是构建更复杂NLP应用的基础。
6. 高级NLP能力：
包括拼写检查、文本摘要、问答、情感检测、情绪检测、标记分类、文本分类、命名实体识别和语言检测等高级功能。
7. 多语言支持：
Azure NLP服务支持多种语言，这使得全球范围内的企业和应用可以利用这些服务。
8. 自定义模型和管道：
Azure支持创建自定义NLP模型和管道，以适应特定的业务需求和场景。
9. 集成和部署：
Azure提供了MLflow等工具，支持NLP模型的集成、部署和管理，使得模型可以轻松地从开发环境转移到生产环境。
10. 性能和可伸缩性：
特别是Spark NLP，它提供了高性能和可伸缩性，适合处理大规模的文本数据。
11. Azure组件集成：
Azure NLP工作负载可以与Azure的其他服务和组件（如Azure Databricks、Azure Synapse Analytics、Azure HDInsight、Event Hubs、Data Factory和Computer Vision API）集成，以构建端到端的解决方案。
12. 挑战：
处理非结构化文本文档需要大量的计算资源，且处理过程耗时。对于没有标准化文档格式的情况，从文档中提取特定事实可能难以获得一致准确的结果。
NLP工具和服务：确定用于NLP工作负载的Azure工具和服务。
1. Azure Cognitive Service for Language：
统一了Text Analytics、LUIS和QnA Maker的能力，提供了一个单一的服务，包括情感分析、关键短语提取、语言检测、实体识别等功能。
2. Azure AI 服务：
提供预训练模型作为服务，通过REST API支持多种编程语言。
3. Azure Databricks：
一个基于Apache Spark的分析服务，用于大数据，支持NLP功能。
4. Azure Synapse Analytics：
一个分析服务，用于数据仓库和大数据系统，提供NLP功能。
5. Azure HDInsight：
一个全谱、开源的云分析服务，支持Hadoop、Apache Spark等框架，用于NLP任务。
6. Azure Event Hubs：
用于接收和存储由客户端应用程序生成的数据流，可以与Azure Data Lake Storage集成。
7. Azure Data Factory：
自动在不同安全级别的存储账户之间移动数据，确保职责分离。
8. Azure Computer Vision API：
使用文本识别API在图像中识别文本并提取信息。
9. Spark NLP：
一个开源NLP库，提供Python、Java和Scala库，提供传统NLP库的功能，如拼写检查、情感分析和文档分类。
10. MLflow：
集成在Azure Databricks中，用于记录实验并提供查询结果，管理模型。
Azure AI 语言
理解和分析文本
训练能够理解语言
基于文本的命令的对话语言模型
构建智能应用程序
语音识别
语音合成
实时翻译
对话听录
会话式AI
Azure生成式AI工作负载特性：描述Azure上生成式AI工作负载的特点。
生成式AI解决方案特性：识别生成式AI解决方案的特性。
这些特性展示了 Azure 在生成式 AI 领域的全面能力和服务，旨在帮助开发者和企业构建、部署和管理生成式 AI 应用。
1. 快速集成生成式 AI：
使用工作室、SDK 和 API 将生成式 AI 快速注入到生产工作负载中。
2. 基础模型支持：
构建由基础模型（包括Microsoft、OpenAI、Meta 和 Cohere 等提供的基础模型）支持的 AI 应用来获得竞争优势。
3. 负责任的 AI 和安全性：
通过内置负责任的 AI、企业级 Azure 安全性和负责任 AI 工具检测和缓解有害使用。
4. 可自定义的 API 和模型：
使用功能强大且经济高效的小型语言模型 (SLM) 进行构建，如 Phi3 开放式模型。
5. Azure OpenAI 服务：
使用先进的语言和视觉模型构建自己的助手和生成式 AI 应用程序。
6. 多模态能力：
提供语言、视觉和语音模型，以支持多种类型的生成式 AI 应用。
7. 高性能基础设施：
使用 GPU 虚拟机和 InfiniBand 网络在专门构建的 Azure AI 基础结构上训练模型。
8. 自动化 AI 工作流：
自动执行 AI 工作流，持续监视和评估语言模型性能并检测有害内容。
9. 基础模型目录：
访问 Hugging Face、Meta 和 Azure OpenAI 服务提供的预先训练的基础模型，并使用自己的数据对其进行微调。
10. LangChain 库和 Semantic Kernel 库：
使用语言模型评估提示变体和访问这些库，以加快开发。
11. 内容筛选 AI：
使用在 Azure 机器学习中原生集成的多模型内容筛选 AI 创建更安全的联机社区。
12. 聊天完成 API：
侧重于文本生成方案，包括聊天功能，创建聊天机器人和虚拟助手。
13. 审查 API：
帮助开发人员识别和筛选出文本中潜在的有害内容。
14. 嵌入 API：
生成文本输入的矢量表示形式，用于语义搜索、聚类分析、内容相似性分析等。
15. 图像生成 API：
允许从文本说明生成原始、高质量的图像和艺术，基于 OpenAI 的 DALL·E 模型。
16. 音频 API：
提供对 OpenAI 音频模型的访问权限，将口语转录为文本，或将文本转录为语音。
Azure OpenAI服务功能：识别Azure OpenAI服务的功能。
这些功能使得Azure OpenAI服务成为一个强大的平台，用于构建和部署基于生成式AI的解决方案。
1. 模型多样性：
提供多种模型，包括o1preview、o1mini、GPT4o、GPT4o mini、GPT4 Turbo（含Vision）、GPT4、GPT3.5Turbo和Embeddings模型系列。
2. 模型微调：
支持对`GPT4omini`、`GPT4`、`GPT3.5Turbo`、`babbage002`和`davinci002`等模型进行微调。
3. REST API访问：
提供REST API访问OpenAI强大的语言模型，以便轻松适应特定任务。
4. Python SDK和Azure AI Studio：
用户可以通过REST APIs、Python SDK或Azure AI Studio访问服务。
5. 虚拟网络支持和私有链接支持：
支持虚拟网络和私有链接，增强安全性。
6. 托管身份：
通过Microsoft Entra ID支持托管身份。
7. UI体验：
Azure门户用于账户和资源管理，Azure AI Studio用于模型探索和微调。
8. 模型区域可用性：
提供模型的区域可用性信息。
9. 内容过滤：
提示和补全会根据内容政策进行评估，自动过滤高严重性内容。
10. 负责任的AI：
微软致力于以人为本的AI发展原则，包括在Azure OpenAI中建立内容过滤器和提供负责任AI的信息和指导。
11. 灵活的定价模型：
提供即用即付（PayAsYouGo）和预配吞吐量单位（PTUs）的定价模型。
12. 与其他Azure AI产品协同工作：
可以与其他Azure AI产品配合使用，构建高级和全面的解决方案。
13. 对话式AI：
通过AI生成的机器人、问答以及联系人中心解决方案来简化和改进客户服务。
14. 内容创建：
提供用于创意构思、设计和内容写作的AI工具，如GPT4和DALL·E。
15. 数据接地：
使用Azure OpenAI服务对数据运行模型以获得更高的准确性和见解。
16. 内置安全性和合规性：
提供内置的安全系统以防范有害的输入和输出，并监视是否存在滥用。
17. 支持私有端点和VPN：
支持私有端点和VPN，增强数据隐私和安全性。
18. Azure OpenAI Studio改进：
提供Azure AD角色支持，控制团队中谁有权创建微调模型和部署。
0 条评论
下一页
