Citizen AI és Power Platform

Az alábbi architektúra az Azure Synapse Analytics-forgatókönyvvel egészíti ki az elemzést. Lehetővé teszi, hogy egy egyéni gépi tanulási (ML) modell betanulható legyen az Azure Machine Learningben, és a Microsoft Power Platform használatával létrehozott egyéni alkalmazással implementálható legyen.

Architektúra

Töltse le az architektúra Visio-fájlját.

Munkafolyamat

A munkafolyamat a következő lépésekből áll:

• Betöltés
• Tárolás
• Modell betanítása és üzembe helyezése
• Felhasználás

Betöltés

Az Azure Synapse Pipelines használatával kötegelt adatokat kér le különböző forrásokból, a helyszínen és a felhőben egyaránt. Ez a lambda-architektúra két adatbetöltési folyamatból áll: streamelés és köteg. Ezeket itt ismertetjük:

• Streamelés: Az előző architektúradiagram felső felében a streamelési adatfolyamok (például big data streamek és IoT-eszközök) találhatók.
  • Az Azure Event Hubs vagy az Azure IoT Hub használatával betöltheti az ügyfélalkalmazások vagy IoT-eszközök által létrehozott adatfolyamokat. Az Event Hubs vagy az IoT Hub betölti és tárolja a streamelési adatokat, megőrizve a fogadott események sorrendjét. A felhasználók csatlakozhatnak a központi végpontokhoz az üzenetek feldolgozásra való lekéréséhez.
• Köteg: Az architektúradiagram alsó felében az adatok betöltése és feldolgozása kötegekben történik, például:

  • Strukturálatlan adatok (például videó, képek, hang és szabad szöveg)

  • Részben strukturált adatok (például JSON, XML, CSV és naplók)

  • Strukturált adatok (például relációs adatbázisok és Azure Data Services)

    Az Azure Synapse Link szoros, zökkenőmentes integrációt hoz létre az Azure Cosmos DB és az Azure Synapse Analytics között. Az Azure Synapse Pipelines előre meghatározott ütemezés vagy eseményre adott válasz alapján aktiválható. REST API-k meghívásával is meghívhatók.

Tárolás

A betöltött adatok közvetlenül nyers formátumban szállhatnak le, majd átalakíthatók az Azure Data Lake-en. Az azure Synapse Analyticsben felhasználhatók a relációs struktúrákba válogatott és átalakított adatok.

Modell betanítása és üzembe helyezése

A Machine Learning nagyvállalati szintű ml-szolgáltatást biztosít a modellek gyorsabb létrehozásához és üzembe helyezéséhez. Minden készségszinten alacsony kódszámú tervezővel, automatizált gépi tanulással és üzemeltetett Jupyter notebook-környezettel biztosítja a felhasználók számára. A modellek üzembe helyezhetők valós idejű végpontként az Azure Kubernetes Service-ben vagy Machine Learning által felügyelt végpontként. Az ML-modellek kötegkövetkeztetéséhez machine learning-folyamatokat használhat.

Felhasználás

A Machine Learningben közzétett köteg- vagy valós idejű modellek olyan REST-végpontot hozhatnak létre, amely az alacsony kódszámú Power Apps-platform használatával létrehozott egyéni alkalmazásban használható. Valós idejű Machine Learning-végpontot is meghívhat egy Power BI-jelentésből , hogy előrejelzéseket jelenítsen meg az üzleti jelentésekben.

Összetevők

A következő összetevőket használhatja.

Microsoft Power Platform-szolgáltatások

• Power Platform: Az adatok elemzésére, a megoldások létrehozására, a folyamatok automatizálására és a virtuális ügynökök létrehozására szolgáló eszközök készlete. Ide tartoznak a Power Apps, a Power Automate, a Power BI és a Microsoft Copilot Studio (korábbi nevén Power Virtual Agents).
• Power Apps: Alkalmazások, szolgáltatások, összekötők és adatplatformok csomagja. Gyors alkalmazásfejlesztési környezetet biztosít egyéni alkalmazások létrehozásához az üzleti igényeinek megfelelően.
• Power Automate: Olyan szolgáltatás, amely segít automatizált munkafolyamatok létrehozásában kedvenc alkalmazásai és szolgáltatásai között. Segítségével szinkronizálhatja a fájlokat, értesítéseket kérhet le, adatokat gyűjthet stb.
• Power BI: Szoftverszolgáltatások, alkalmazások és összekötők gyűjteménye, amelyek együttműködve koherens, vizuálisan magával ragadó és interaktív megállapításokká alakítják a nem kapcsolódó adatforrásokat.

Azure-szolgáltatások

• Machine Learning: Nagyvállalati szintű ml-szolgáltatás modellek gyors létrehozásához és üzembe helyezéséhez. Minden készségszinten biztosít a felhasználóknak alacsony kódszámú tervezőt, automatizált gépi tanulást és egy üzemeltetett Jupyter notebook környezetet, hogy támogassa a saját előnyben részesített IDE-jét.
• Felügyelt Machine Learning-végpontok: Online végpontok, amelyek lehetővé teszik a modell üzembe helyezését anélkül, hogy létre kellene hoznia és kezelnie kellene a mögöttes infrastruktúrát.
• Azure Kubernetes Service: Az ML különböző támogatást nyújt a különböző számítási célokhoz. Az Azure Kubernetes Service egy ilyen cél, amely kiválóan alkalmas nagyvállalati szintű valós idejű modellvégpontokhoz.
• Azure Data Lake: Hadoop-kompatibilis fájlrendszer. Integrált hierarchikus névtérrel, valamint az Azure Blob Storage nagy léptékű és gazdaságosságával rendelkezik.
• Azure Synapse Analytics: Korlátlan elemzési szolgáltatás, amely egyesíti az adatintegrációt, a nagyvállalati adatraktározást és a big data-elemzést.
• Event Hubs és IoT Hub: Mindkét szolgáltatás betölti az ügyfélalkalmazások vagy IoT-eszközök által létrehozott adatfolyamokat. Ezután betöltik és tárolják a streamelési adatokat, megőrizve a fogadott események sorrendjét. A felhasználók csatlakozhatnak a központi végpontokhoz, hogy feldolgozandó üzeneteket kérjenek le.

Platformszolgáltatások

Az Azure-megoldások minőségének javítása érdekében kövesse az Azure Well-Architected Framework ajánlásait és irányelveit. A keretrendszer az architektúra kiválóságának öt pilléréből áll:

• Költségoptimalizálás
• Működés eredményessége
• Teljesítmény hatékonysága
• Megbízhatóság
• Biztonság

Ha olyan tervet szeretne létrehozni, amely tiszteletben tartja ezeket a javaslatokat, vegye figyelembe a következő szolgáltatásokat:

• Microsoft Entra-azonosító: Identitásszolgáltatások, egyszeri bejelentkezés és többtényezős hitelesítés az Azure-számítási feladatokban.
• Microsoft Cost Management: Az Azure-számítási feladatok pénzügyi szabályozása.
• Azure Key Vault: Biztonságos hitelesítő adatok és tanúsítványkezelés.
• Azure Monitor: Az Azure-erőforrások telemetriájának gyűjtése, elemzése és megjelenítése. A Figyelő használatával proaktívan azonosíthatja a problémákat a teljesítmény és a megbízhatóság maximalizálása érdekében.
• Felhőhöz készült Microsoft Defender: Az Azure-számítási feladatok biztonsági helyzetének megerősítése és monitorozása.
• Azure DevOps > GitHub: DevOps-eljárások implementálása a számítási feladatok fejlesztési és üzembehelyezési folyamatainak automatizálásának és megfelelőségének kikényszerítéséhez az Azure Synapse Analyticshez és a Machine Learninghez.
• Azure Policy: Az erőforrás-konzisztenciára, a jogszabályi megfelelőségre, a biztonságra, a költségekre és a felügyeletre vonatkozó szervezeti szabványok és szabályozás implementálása.

Alternatívák

A gépi tanulási MVP-k a sebesség és az eredmény szempontjából előnyösek. Bizonyos esetekben az egyéni modellek igényeinek kielégíthetők előre betanított Azure Cognitive Services vagy Azure-alkalmazás I-szolgáltatások. Más esetekben a Power Apps AI Builder alkalmas lehet egy célmodellre.

Forgatókönyv részletei

Az általános technológiai trend a polgári AI-szerepkörök növekvő népszerűsége. Az ilyen szerepkörök olyan üzleti szakemberek, akik az ml- és AI-technológiák alkalmazásával szeretnék javítani az üzleti folyamatokat. Ennek a trendnek jelentős mértékben hozzájárul az ml-modellek fejlesztéséhez szükséges alacsony kódszámú eszközök növekvő fejlettsége és rendelkezésre állása.

Az ilyen kezdeményezések jól ismert nagy hibaaránya miatt az AI-alkalmazások gyors prototípusának és ellenőrzésének lehetősége valós környezetben kulcsfontosságú szerepet játszik a feladatgyors megközelítésben. A folyamatok modernizálására és az átalakító eredmények ösztönzésére szolgáló modellek fejlesztéséhez két kulcsfontosságú eszköz áll rendelkezésre:

• Ml-eszközkészlet minden készségszinthez
  • Támogatja a kód nélküli, teljes kódolt ml-fejlesztést
  • Rugalmas, alacsony kódszámú grafikus felhasználói felülettel (GUI) rendelkezik
  • Lehetővé teszi a felhasználók számára az adatok gyors forrását és előkészületét
  • Lehetővé teszi a felhasználók számára a modellek gyors összeállítását és üzembe helyezését
  • Fejlett, automatizált gépi tanulási képességekkel rendelkezik az ML-algoritmusok fejlesztéséhez
• Alacsony kódszámú alkalmazásfejlesztési eszközkészlet
  • Lehetővé teszi a felhasználók számára egyéni alkalmazások és automatizálási munkafolyamatok létrehozását
  • Munkafolyamatokat hoz létre, hogy a felhasználók és az üzleti folyamatok interakcióba léphessenek egy ML-modellel

A Machine Learning betölti az ml-fejlesztéshez szükséges alacsony kódszámú grafikus felhasználói felület szerepét. Automatizált gépi tanulással és üzembe helyezéssel rendelkezik kötegelt vagy valós idejű végpontokon. A Power Platform, amely magában foglalja a Power Appst és a Power Automate-et, eszközkészleteket biztosít az ml-algoritmust implementáló egyéni alkalmazások és munkafolyamatok gyors létrehozásához. Az üzleti felhasználók mostantól éles üzemű gépi tanulási alkalmazásokat hozhatnak létre az örökölt üzleti folyamatok átalakításához.

Lehetséges használati esetek

Ezek az eszközkészletek minimálisra csökkentik az ml-modell üzleti folyamatokban nyújtott előnyeinek prototípusához szükséges időt és erőfeszítést. A prototípusokat egyszerűen kiterjesztheti egy éles üzemű alkalmazásra. Az alábbi technikák felhasználási módjai a következők:

• Elavult determinisztikus előrejelzéseket használó régi alkalmazásokkal rendelkező gyártási opok. Az ilyen helyzetek kihasználhatják az ML-modellek jobb pontosságát. A jobb pontossághoz a modell és a fejlesztési munka is szükséges, hogy integrálható legyen a régi helyszíni rendszerekkel.
• A Call Center olyan régi alkalmazásokkal működik, amelyek nem igazodnak az adateltolódásokhoz. Az automatikus újratanítási modellek jelentős felemelkedést eredményezhetnek az adatváltozás előrejelzésében vagy a kockázatprofilozás pontosságában. Az ellenőrzéshez integrálásra van szükség a meglévő ügyfélkapcsolat-kezelési és jegykezelési rendszerekkel. Az integráció költséges lehet.

Megfontolások

Ezek a szempontok implementálják az Azure Well-Architected Framework alappilléreit, amely a számítási feladatok minőségének javítására használható vezérelvek halmaza. További információ: Microsoft Azure Well-Architected Framework.

Megbízhatóság

A megbízhatóság biztosítja, hogy az alkalmazás megfeleljen az ügyfelek felé vállalt kötelezettségeknek. További információkért tekintse meg a Megbízhatósági terv felülvizsgálati ellenőrzőlistát.

Az ebben a példaforgatókönyvben használt összetevők többsége olyan felügyelt szolgáltatások, amelyek automatikusan skálázódnak. Az ebben a példában használt szolgáltatások elérhetősége régiónként eltérő.

Az ml-alapú alkalmazások általában egy erőforráskészletet igényelnek a betanításhoz, egy másikat pedig a kiszolgáláshoz. A betanításhoz szükséges erőforrások általában nem igényelnek magas rendelkezésre állást, mivel az élő éles kérelmek nem érintik közvetlenül ezeket az erőforrásokat. A kérések kiszolgálásához szükséges erőforrások magas rendelkezésre állást igényelnek.

Költségoptimalizálás

A költségoptimalizálás a szükségtelen kiadások csökkentésének és a működési hatékonyság javításának módjairól szól. További információt a Költségoptimalizálás tervezési felülvizsgálati ellenőrzőlistájában talál.

Azure-díjszabás: A szolgáltatásként nyújtott belső infrastruktúra (IaaS) és a szolgáltatásként nyújtott platform (PaaS) szolgáltatások használatalapú díjszabási modellt használnak az Azure-ban. Nem igényelnek licenc- vagy előfizetési díjat. A legtöbb esetben az Azure-díjkalkulátorral megbecsülheti költségeit. További szempontokat a Költségoptimalizálás a jól tervezett keretrendszerben című témakörben talál.

A Power Platform díjszabása: A Power Apps, a Power Automate és a Power BI szolgáltatásként (SaaS)-alkalmazások, és saját díjszabási modellekkel rendelkeznek, alkalmazáscsomagonként és felhasználónként is.

Működésbeli kiválóság

Az Operational Excellence azokat az üzemeltetési folyamatokat fedi le, amelyek üzembe helyeznek egy alkalmazást, és éles környezetben tartják azt. További információ: Az operatív kiválóság tervezési felülvizsgálati ellenőrzőlistája.

A DevOps-eljárások a példában használt végpontok közötti megközelítés vezénylésére szolgálnak. A Machine Learning DevOps útmutatója bemutatja az ml-műveletek (MLOps) vállalati gépi tanulással való bevezetésének ajánlott eljárásait és tanulásait.

A DevOps automation az ebben a példában megadott Microsoft Power Platform-megoldásra alkalmazható. További információ a Microsoft Power Platform DevOpsról: Power Platform Build Tools for Azure DevOps: Power Platform.

A forgatókönyv üzembe helyezése

Fontolja meg ezt az üzleti forgatókönyvet. A mezőügynökök egy olyan alkalmazást használnak, amely megbecsüli az autó piaci árát. A Machine Learning segítségével gyorsan prototípust készíthet az alkalmazás ml-modelljéről. A modell létrehozásához és valós idejű REST-végpontként való üzembe helyezéséhez használjon alacsony kódú tervezői és ml-funkciókat.

A modell bizonyíthatja a koncepciót, de a felhasználónak nincs könnyű módja arra, hogy REST API-ként implementált modellt használjon. A Microsoft Power Platform segíthet bezárni ezt az utolsó mérföldet, ahogy az itt látható.

Íme egy felhasználói felület az alkalmazáshoz, amelyet a Power Apps által biztosított alacsony kódszámú felülettel hoz létre a Power Apps.

A Power Automate használatával létrehozhat egy alacsony kódszámú munkafolyamatot a felhasználó bemenetének elemzéséhez, a Machine Learning-végpontnak való átadásához és az előrejelzés lekéréséhez. A Power BI használatával is kezelheti a Machine Learning-modellt , és egyéni üzleti jelentéseket és irányítópultokat hozhat létre.

A teljes körű példa üzembe helyezéséhez kövesse lépésről lépésre az Autóárak előrejelzése – Azure Machine Learning + Power App Solution című témakör utasításait.

Kiterjesztett forgatókönyvek

Gondolja át a következő forgatókönyveket:

Üzembe helyezés a Teamsben

Az előző példában megadott mintaalkalmazás a Microsoft Teamsben is üzembe helyezhető. A Teams nagyszerű terjesztési csatornát biztosít az alkalmazások számára, és együttműködési alkalmazásélményt biztosít a felhasználóknak. Ha többet szeretne tudni arról, hogyan helyezhet üzembe alkalmazásokat a Teamsben a Power Apps használatával, olvassa el az alkalmazás közzététele a Power Apps használatával a Teamsben: Power Apps című témakört.

Az API felhasználása több alkalmazásból és automatizálásból

Ebben a példában egy Power Automate-felhőfolyamatot konfigurálunk a REST-végpont HTTP-műveletként való felhasználásához. Ehelyett beállíthatunk egy egyéni összekötőt a REST-végponthoz, és közvetlenül a Power Appsből vagy a Power Automate-ből használhatjuk fel. Ez a módszer akkor hasznos, ha azt szeretnénk, hogy több alkalmazás is ugyanazt a végpontot használja. Az összekötő adatveszteség-megelőzési (DLP) szabályzatának használatával is biztosítja a szabályozást a Microsoft Power Platform felügyeleti központjában. Egyéni összekötő létrehozásához lásd : Egyéni összekötő használata Power Apps-alkalmazásból. A Microsoft Power Platform-összekötő DLP-jével kapcsolatos további információkért lásd : Adatveszteség-megelőzési szabályzatok: Power Platform.

Közreműködők

Ezt a cikket a Microsoft tartja karban. Eredetileg a következő írta:

• Vyas Dev Venugopalan | Sr. Specialist – Azure Data &AI

Következő lépések

• A Machine Learning működése: Architektúra és fogalmak
• Világszínvonalú AI-t használó intelligens alkalmazások létrehozása

Kapcsolódó erőforrások

• Végpontok közötti elemzés az Azure Synapse Analytics használatával
• Végpontok közötti gyártás számítógépes látással a peremhálózaton
• Mesterséges intelligencia (AI)
• A Microsoft ml-termékeinek és technológiáinak összehasonlítása