AI Warga Negara dengan Power Platform

Arsitektur berikut memperluas analitik secara menyeluruh dengan skenario Azure Synapse Analytics . Ini memungkinkan model pembelajaran mesin kustom (ML) dilatih di Azure Pembelajaran Mesin dan diimplementasikan dengan aplikasi kustom yang dibangun dengan menggunakan Microsoft Power Platform.

Sistem

Unduh file Visio arsitektur ini.

Alur kerja

Alur kerja terdiri dari langkah-langkah berikut:

• Menyerap
• Bursa
• Melatih dan menggunakan model
• Konsumsi

Menyerap

Gunakan Azure Synapse Pipelines untuk menarik data batch dari berbagai sumber, baik lokal maupun di cloud. Arsitektur lambda ini memiliki dua aliran penyerapan data: streaming dan batch. Mereka dijelaskan di sini:

• Streaming: Di bagian atas diagram arsitektur sebelumnya adalah aliran data streaming (misalnya, aliran big data dan perangkat IoT).
  • Anda dapat menggunakan Azure Event Hubs atau Azure IoT Hub untuk menyerap aliran data yang dibuat oleh aplikasi klien atau perangkat IoT. Event Hubs atau IoT Hub menyerap dan menyimpan data streaming, mempertahankan urutan peristiwa yang diterima. Konsumen dapat terhubung ke titik akhir hub untuk mengambil pesan untuk diproses.
• Batch: Di bagian bawah diagram arsitektur, data diserap dan diproses dalam batch seperti:

  • Data yang tidak terstruktur (misalnya, video, gambar, audio, dan teks bebas)

  • Data semi terstruktur (misalnya, JSON, XML, CSV, dan log)

  • Data terstruktur (misalnya, database relasional dan Azure Data Services)

    Azure Synapse Link menciptakan integrasi yang ketat antara Azure Cosmos DB dan Azure Synapse Analytics. Alur Azure Synapse dapat dipicu berdasarkan jadwal yang telah ditentukan sebelumnya atau sebagai respons terhadap suatu peristiwa. Alur juga dapat dipanggil dengan memanggil REST API.

Bursa

Data yang diserap dapat mendarat langsung dalam format mentah dan kemudian diubah di Azure Data Lake. Data setelah dikurasi dan diubah menjadi struktur relasional dapat disajikan untuk penggunaan di Azure Synapse Analytics.

Melatih dan menggunakan model

Pembelajaran Mesin menyediakan layanan ML tingkat perusahaan untuk membangun dan menyebarkan model lebih cepat. Ini menyediakan pengguna di semua tingkat keterampilan dengan desainer kode rendah, ML otomatis, dan lingkungan notebook Jupyter yang dihosting. Model dapat disebarkan baik sebagai titik akhir real-time di Azure Kubernetes Service atau sebagai titik akhir terkelola Pembelajaran Mesin. Untuk menyimpulkan batch model ML, Anda dapat menggunakan Alur Pembelajaran Mesin.

Konsumsi

Model batch atau real-time yang diterbitkan di Pembelajaran Mesin dapat menghasilkan titik akhir REST yang dapat digunakan dalam aplikasi kustom yang dibangun dengan menggunakan platform Power Apps kode rendah. Anda juga dapat memanggil titik akhir Pembelajaran Mesin real time dari laporan Power BI untuk menyajikan prediksi dalam laporan bisnis.

Komponen

Anda dapat menggunakan komponen berikut.

Layanan Microsoft Power Platform

• Power Platform: Serangkaian alat untuk menganalisis data, membangun solusi, mengotomatiskan proses, dan membuat agen virtual. Ini termasuk Power Apps, Power Automate, Power BI, dan Power Virtual Agents.
• Power Apps: Serangkaian aplikasi, layanan, konektor, dan platform data. Ini menyediakan lingkungan pengembangan aplikasi yang cepat untuk membuat aplikasi khusus untuk kebutuhan bisnis Anda.
• Power Automate: Layanan yang membantu Anda membuat alur kerja otomatis antara aplikasi dan layanan favorit Anda. Gunakan untuk menyinkronkan file, mendapatkan notifikasi, mengumpulkan data, dan sebagainya.
• Power BI: Kumpulan layanan perangkat lunak, aplikasi, dan konektor yang bekerja sama untuk mengubah sumber data Anda yang tidak terkait menjadi wawasan yang koheren, imersif secara visual, dan interaktif.

Layanan Azure

• Pembelajaran Mesin: Layanan ML tingkat perusahaan untuk membangun dan menyebarkan model dengan cepat. Ini menyediakan pengguna di semua tingkat keterampilan dengan desainer kode rendah, ML otomatis, dan lingkungan notebook Jupyter yang dihosting untuk mendukung IDE pilihan Anda sendiri.
• Pembelajaran Mesin titik akhir terkelola: Titik akhir online yang memungkinkan Anda menyebarkan model tanpa harus membuat dan mengelola infrastruktur yang mendasarinya.
• Azure Kubernetes Service: ML memiliki berbagai dukungan di berbagai target komputasi. Azure Kubernetes Service adalah salah satu target tersebut, yang sangat cocok untuk titik akhir model real time kelas perusahaan.
• Azure Data Lake: Sistem file yang kompatibel dengan Hadoop. Ini memiliki ruang nama hierarkis terintegrasi dan skala besar dan ekonomi Azure Blob Storage.
• Azure Synapse Analytics: Layanan analitik tanpa batas yang menyatukan integrasi data, pergudangan data perusahaan, dan analitik data besar.
• Azure Event Hubs dan IoT Hub: Kedua layanan menyerap aliran data yang dihasilkan oleh aplikasi klien atau perangkat IoT. Kemudian menyerap dan menyimpan data streaming, menjaga urutan peristiwa yang diterima. Konsumen dapat terhubung ke titik akhir hub untuk mengambil pesan untuk diproses.

Layanan platform

Untuk meningkatkan kualitas solusi Azure Anda, ikuti rekomendasi dan pedoman di Azure Well-Architected Framework. Kerangka kerja ini terdiri dari lima pilar keunggulan arsitektur:

• Pengoptimalan biaya
• Keunggulan operasional
• Efisiensi kinerja
• Keandalan
• Keamanan

Untuk membuat desain yang menggunakan rekomendasi ini, pertimbangkan layanan berikut:

• ID Microsoft Entra: Layanan identitas, akses menyeluruh, dan autentikasi multifaktor di seluruh beban kerja Azure.
• Microsoft Cost Management: Tata kelola keuangan atas beban kerja Azure Anda.
• Azure Key Vault: Info masuk aman dan manajemen sertifikat.
• Azure Monitor: Pengumpulan, analisis, dan tampilan telemetri dari sumber daya Azure Anda. Gunakan Monitor untuk mengidentifikasi masalah secara proaktif untuk memaksimalkan performa dan keandalan.
• Microsoft Defender untuk Cloud: Memperkuat dan memantau postur keamanan beban kerja Azure Anda.
• Azure DevOps & GitHub: Terapkan praktik DevOps untuk menerapkan otomatisasi dan kepatuhan alur pengembangan dan penyebaran beban kerja Anda untuk Azure Synapse Analytics dan Pembelajaran Mesin.
• Kebijakan Azure: Menerapkan standar dan tata kelola organisasi untuk konsistensi sumber daya, kepatuhan terhadap peraturan, keamanan, biaya, dan manajemen.

Alternatif

MVP pembelajaran mesin mendapat manfaat dari kecepatan hingga hasil. Dalam beberapa kasus, kebutuhan model kustom dapat dipenuhi oleh Azure Cognitive Services yang telah dilatih sebelumnya atau Azure Applied AI Services. Dalam kasus lain, Power Apps AI Builder mungkin menyediakan kecocokan untuk model tujuan.

Detail skenario

Tren teknologi umum adalah semakin populernya peran citizen AI. Peran tersebut adalah praktisi bisnis yang ingin meningkatkan proses bisnis melalui penerapan teknologi ML dan AI. Kontributor signifikan untuk tren ini adalah meningkatnya kematangan dan ketersediaan alat kode rendah untuk mengembangkan model ML.

Karena tingkat kegagalan tinggi yang terkenal terhadap inisiatif tersebut, kemampuan untuk dengan cepat membuat prototipe dan memvalidasi aplikasi AI dalam pengaturan dunia nyata menjadi pengaktif kunci untuk pendekatan yang gagal cepat. Ada dua alat utama untuk mengembangkan model yang memodernisasi proses dan mendorong hasil transformatif:

• Toolkit ML untuk semua tingkat keterampilan
  • Mendukung tanpa kode untuk pengembangan ML yang dikodekan sepenuhnya
  • Memiliki antarmuka pengguna grafis (GUI) yang fleksibel dan berkode rendah
  • Memungkinkan pengguna dengan cepat membuat sumber dan mempersiapkan data
  • Memungkinkan pengguna dengan cepat membuat dan menyebarkan model
  • Memiliki kemampuan ML yang canggih dan otomatis untuk pengembangan algoritme ML
• Toolkit pengembangan aplikasi dengan kode rendah
  • Memungkinkan pengguna membuat aplikasi kustom dan alur kerja otomatisasi
  • Membuat alur kerja sehingga konsumen dan proses bisnis dapat berinteraksi dengan model ML

Pembelajaran Mesin memenuhi peran GUI kode rendah untuk pengembangan ML. Ini memiliki ML otomatis dan penyebaran ke titik akhir batch atau real-time. Power Platform, yang mencakup Power Apps dan Power Automate, menyediakan toolkit untuk membangun aplikasi dan alur kerja kustom dengan cepat yang mengimplementasikan algoritma ML Anda. Pengguna bisnis sekarang dapat membangun aplikasi ML tingkat produksi untuk mengubah proses bisnis warisan.

Kemungkinan kasus penggunaan

Toolkit ini meminimalkan waktu dan upaya yang diperlukan untuk membuat prototipe keuntungan dari model ML pada proses bisnis. Anda dapat dengan mudah memperluas prototipe ke aplikasi tingkat produksi. Penggunaan untuk teknik ini meliputi:

• Manufacturing Ops dengan aplikasi warisan yang menggunakan prediksi deterministik usang. Situasi seperti itu bisa mendapatkan keuntungan dari peningkatan akurasi model ML. Membuktikan peningkatan akurasi membutuhkan model dan upaya pengembangan untuk berintegrasi dengan sistem warisan lokal.
• Call Center Ops dengan aplikasi warisan yang tidak menyesuaikan saat data melayang. Model yang secara otomatis pelatihan ulang dapat memberikan peningkatan signifikan dalam prediksi churn atau akurasi pembuatan profil risiko. Validasi memerlukan integrasi dengan manajemen hubungan pelanggan dan sistem manajemen tiket yang ada. Integrasi bisa mahal.

Pertimbangan

Saat Anda menggunakan layanan ini untuk membuat bukti konsep atau MVP, Anda belum selesai. Ada lebih banyak pekerjaan untuk membuat solusi produksi. Kerangka kerja seperti Kerangka Kerja Well-Architected menyediakan panduan referensi dan praktik terbaik untuk diterapkan ke arsitektur Anda.

Ketersediaan

Sebagian besar komponen yang digunakan dalam skenario contoh ini adalah layanan terkelola yang menskalakan secara otomatis. Ketersediaan layanan yang digunakan dalam contoh ini bervariasi menurut wilayah.

Aplikasi berdasarkan ML biasanya memerlukan satu set sumber daya untuk pelatihan dan satu lagi untuk pelayanan. Sumber daya yang diperlukan untuk pelatihan umumnya tidak memerlukan ketersediaan tinggi, karena permintaan produksi langsung tidak secara langsung mengenai sumber daya ini. Sumber daya yang diperlukan untuk penyajian permintaan membutuhkan ketersediaan tinggi.

DevOps

Praktik DevOps digunakan untuk mengatur pendekatan menyeluruh yang digunakan dalam contoh ini. Panduan Pembelajaran Mesin DevOps menyajikan praktik dan pembelajaran terbaik tentang mengadopsi operasi ML (MLOps) di perusahaan dengan Pembelajaran Mesin.

Otomatisasi DevOps dapat diterapkan ke solusi Microsoft Power Platform yang disediakan dalam contoh ini. Untuk informasi selengkapnya tentang Microsoft Power Platform DevOps, lihat Alat Build Power Platform untuk Azure DevOps: Power Platform.

Pengoptimalan biaya

Optimalisasi biaya adalah tentang mencari cara untuk mengurangi pengeluaran yang tidak perlu dan meningkatkan efisiensi operasional. Untuk informasi selengkapnya, lihat Gambaran Umum pilar pengoptimalan biaya.

Harga Azure: Infrastruktur sebagai layanan (IaaS) pihak pertama dan layanan platform as a service (PaaS) di Azure menggunakan model harga berbasis konsumsi. Keduanya tidak memerlukan lisensi atau biaya berlangganan. Secara umum, gunakan kalkulator harga Azure untuk memperkirakan biaya. Untuk pertimbangan lain, lihat Pengoptimalan biaya dalam Kerangka Kerja Yang Dirancang Dengan Baik.

Harga Power Platform: Power Apps, Power Automate, dan Power BI adalah aplikasi software as a service (SaaS) dan memiliki model harganya sendiri, termasuk per paket aplikasi dan per pengguna.

Menyebarkan skenario ini

Pertimbangkan skenario bisnis ini. Agen lapangan menggunakan aplikasi yang memperkirakan harga pasar mobil. Anda dapat menggunakan Pembelajaran Mesin untuk membuat prototipe model ML aplikasi ini dengan cepat. Anda menggunakan desainer dengan kode rendah dan fitur ML untuk membuat model, lalu menyebarkannya sebagai titik akhir REST real time.

Model ini mungkin membuktikan konsepnya, tetapi pengguna tidak memiliki cara mudah untuk menggunakan model yang diimplementasikan sebagai REST API. Microsoft Power Platform dapat membantu menutup mil terakhir ini, seperti yang diwakili di sini.

Berikut adalah antarmuka pengguna untuk aplikasi, yang dibuat dalam Power Apps dengan menggunakan antarmuka dengan kode rendah yang disediakan Power Apps.

Anda dapat menggunakan Power Automate untuk membangun alur kerja dengan kode rendah untuk mengurai input pengguna, meneruskannya ke titik akhir Pembelajaran Mesin, dan mengambil prediksi. Anda juga dapat menggunakan Power BI untuk berinteraksi dengan model Pembelajaran Mesin dan membuat laporan dan dasbor bisnis khusus.

Untuk menyebarkan contoh end-to-end ini, ikuti instruksi langkah demi langkah di Car Price Predictor - Azure ML + Power App Solution.

Skenario yang diperluas

Pertimbangkan skenario berikut.

Menyebarkan ke Teams

Aplikasi sampel yang disediakan dalam contoh sebelumnya juga dapat disebarkan ke Microsoft Teams. Teams menyediakan saluran distribusi yang hebat untuk aplikasi Anda dan memberi pengguna Anda pengalaman aplikasi yang kolaboratif. Untuk informasi selengkapnya tentang cara menyebarkan aplikasi ke Teams dengan menggunakan Power Apps, lihat Menerbitkan aplikasi Anda dengan menggunakan Power Apps di Teams: Power Apps.

Menggunakan API dari beberapa aplikasi dan otomatisasi

Dalam contoh ini, kami mengonfigurasi alur cloud Power Automate untuk menggunakan titik akhir REST sebagai tindakan HTTP. Kita dapat menyiapkan konektor khusus untuk titik akhir REST dan menggunakannya langsung dari Power Apps atau dari Power Automate. Pendekatan ini berguna saat kita ingin beberapa aplikasi menggunakan titik akhir yang sama. Ini juga menyediakan tata kelola dengan menggunakan kebijakan pencegahan kehilangan data konektor (DLP) di pusat admin Microsoft Power Platform. Untuk membuat konektor kustom, lihat Menggunakan konektor kustom dari aplikasi Power Apps. Untuk informasi selengkapnya tentang DLP konektor Microsoft Power Platform, lihat Kebijakan pencegahan kehilangan data: Power Platform.

Kontributor

Artikel ini dikelola oleh Microsoft. Awalnya ditulis oleh:

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

Langkah berikutnya

• Cara kerja Pembelajaran Mesin: Arsitektur dan konsep
• Bangun aplikasi cerdas yang diisi dengan AI kelas dunia

Sumber daya terkait

• Analitik end-to-end dengan Azure Synapse Analytics
• Manufaktur menyeluruh menggunakan visi komputer di tepi
• Kecerdasan buatan (AI)
• Membandingkan produk dan teknologi ML dari Microsoft