Acabei de publicar AI on Azure, uma série de cinco artigos no blog Startups at Microsoft.
Escrevi para desenvolvedores e times de engenharia que estão tentando responder perguntas como: precisamos treinar ou fazer fine-tuning de um modelo? Quais serviços usar para construir a aplicação? Quanto da infraestrutura faz sentido operar por conta própria?
Cada pergunta leva a uma decisão diferente. Consumir um modelo por API, construir um agente e executar um job de treinamento envolvem partes distintas do sistema. Organizei a série por essas camadas para ajudar a comparar as opções e entender o que fica sob responsabilidade do time.
Os cinco artigos originais estão em inglês. Abaixo, explico o que você encontra em cada um e por onde começar.
1. Comece pelos conceitos
AI on Azure 101: training, fine-tuning, inference, and where everything lives
O primeiro artigo explica treinamento e inferência, onde entra o fine-tuning e como prompting e retrieval diferem de alterar os pesos de um modelo. Uma aplicação fictícia de suporte conecta os conceitos: um modelo preditivo classifica a prioridade dos tickets, enquanto um modelo de linguagem ajuda a redigir respostas.
Também mostro onde Microsoft Foundry, Fireworks on Foundry e Azure Machine Learning entram na estrutura de recursos do Azure. É o ponto de partida para quem já ouviu os nomes dos serviços, mas ainda tem dúvidas sobre a função de cada um.
2. Escolha um modelo hospedado
AI on Azure: models as a service
Usar uma API de modelo ainda exige decidir quem hospeda a inferência, onde os requests são processados e quais termos se aplicam. Esta parte cobre as opções de modelos hospedados no Microsoft Foundry e os tipos de deployment que afetam capacidade e cobrança.
Leia se você quer consumir um modelo sem operar a infraestrutura de GPUs que atende as requisições. O artigo também explica o que continua com o time, incluindo avaliação, controle de acesso, planejamento de quotas e custos da aplicação.
3. Construa a aplicação ao redor do modelo
AI on Azure: platforms for apps and agents
O endpoint do modelo é um componente. A aplicação também pode precisar de busca, ferramentas, identidade e avaliação dos resultados.
Aqui explico como os serviços se combinam, incluindo Foundry Agent Service, Microsoft Agent Framework e Azure AI Search. Também discuto quando um fluxo determinístico resolve o problema e quando vale considerar um agente.
4. Treine e sirva modelos com plataformas gerenciadas
Para quem precisa de treinamento customizado ou adaptação de modelos, esta parte compara os papéis de Azure Machine Learning, fine-tuning e managed compute no Foundry, Azure Databricks, Microsoft Fabric Data Science e Anyscale no Azure.
Treinar e servir um modelo são decisões separadas. O artigo mostra quais etapas do ciclo de vida cada plataforma gerencia e quais responsabilidades continuam com o time.
5. Entenda quando operar a própria infraestrutura
AI on Azure: when you own the infrastructure
A última parte trata dos workloads que precisam de controle sobre o hardware de GPU ou a stack de inferência. Cobre VMs com GPU, Kubernetes, Ray e planejamento de capacidade, além do trabalho operacional que acompanha essas escolhas.
É a leitura para quando você precisa escolher runtime, scheduler, rede ou storage por conta própria. Uma família de VMs e um framework de execução distribuída resolvem problemas diferentes; organizei as opções pelo papel de cada uma.
Por onde começar
Se você está começando com IA no Azure, siga a ordem a partir da parte 1. Se já tem um projeto, entre pela camada que precisa decidir: inferência hospedada na parte 2, aplicação na parte 3, ML customizado na parte 4 ou infraestrutura na parte 5.
Os artigos trazem links para a documentação e identificam recursos em preview. Disponibilidade de modelos, regiões e termos de suporte mudam, então confira a documentação atual antes de fechar uma arquitetura de produção.
A série também está na página de Projetos, junto das outras publicações, e no Activity Log.