Ide solusi
Artikel ini menjelaskan ide solusi. Arsitek cloud Anda dapat menggunakan panduan ini untuk membantu memvisualisasikan komponen utama untuk implementasi umum arsitektur ini. Gunakan artikel ini sebagai titik awal untuk merancang solusi yang dirancang dengan baik yang selaras dengan persyaratan spesifik beban kerja Anda.
Pelajari bagaimana Azure Pembelajaran Mesin dapat membantu memperkirakan lonjakan permintaan produk dan layanan energi.
Sistem
Unduh file Visio arsitektur ini.
Aliran data
- Data rangkaian waktu dapat disimpan dalam berbagai format, tergantung pada sumber aslinya. Data dapat disimpan sebagai file dalam Azure Data Lake Storage atau dalam bentuk tabular di Azure Synapse atau Azure SQL Database.
- Baca: Azure Pembelajaran Mesin (ML) dapat terhubung dan membaca dari sumber tersebut. Penyerapan data rangkaian waktu ke Azure Pembelajaran Mesin, memungkinkan pembelajaran mesin otomatis (AutoML) untuk memproses data terlebih dahulu dan untuk melatih dan mendaftarkan model.
- Langkah pertama dalam AutoML adalah konfigurasi dan pra-pemrosesan data rangkaian waktu. Dalam langkah ini, data yang disediakan disiapkan untuk pelatihan. Data mendorong fitur berikut dan konfigurasi yang diperkirakan:
- Nilai hilang yang diimputasi
- Rekayasa fitur Hari Libur dan TanggalWaktu
- Jeda dan jendela bergulir
- Validasi silang asal bergulir
- Selama tahap pelatihan, AutoML menggunakan himpunan data yang telah diolah sebelumnya untuk melatih, memilih, dan menjelaskan model prakiraan terbaik.
- Pelatihan model: Berbagai model pembelajaran mesin dapat digunakan, mulai dari prakiraan klasik, jaringan neural mendalam, dan model regresi.
- Evaluasi model: Evaluasi model memungkinkan AutoML menilai performa setiap model terlatih, dan memungkinkan Anda memilih model berkinerja terbaik untuk penyebaran.
- Penjelasan: AutoML memberikan penjelasan untuk model yang dipilih, yang memungkinkan Anda untuk lebih memahami fitur apa yang mendorong hasil model.
- Model dengan performa terbaik terdaftar di Azure Pembelajaran Mesin menggunakan AutoML, yang membuatnya tersedia untuk penyebaran.
- Sebarkan: Model yang terdaftar di Azure Pembelajaran Mesin dapat disebarkan, yang menyediakan titik akhir langsung yang dapat diekspos untuk inferensi.
- Penyebaran dapat dilakukan melalui Azure Kubernetes Service (AKS), sementara Anda menjalankan kluster yang dikelola Kubernetes tempat kontainer disebarkan dari gambar yang disimpan di Azure Container Registry. Atau, Azure Container Instances dapat digunakan alih-alih AKS.
- Inferensi: Setelah model disebarkan, inferensi data baru dapat dilakukan melalui titik akhir yang tersedia. Prediksi batch dan mendekati real-time dapat didukung. Hasil inferensi dapat disimpan sebagai dokumen dalam Azure Data Lake Storage atau dalam bentuk tabular di Azure Synapse atau Azure SQL Database.
- Visualisasikan: Hasil model yang disimpan dapat digunakan melalui antarmuka pengguna, seperti dasbor Power BI, atau melalui aplikasi web yang dibuat khusus. Hasilnya ditulis ke opsi penyimpanan dalam format file atau tabular, lalu diindeks dengan benar oleh Azure Cognitive Search. Model berjalan sebagai inferensi batch dan menyimpan hasilnya di datastore masing-masing.
Komponen
- Azure Data Factory: Menangani manipulasi dan persiapan data.
- Pembelajaran Mesin Otomatis Azure Gunakan Azure ML untuk memperkirakan permintaan energi di wilayah tertentu.
- MLOps: Merancang, menerapkan, dan mengelola alur kerja model produksi.
- Integrasi Power BI Azure ML: Menggunakan hasil prediksi model di Power BI.
Detail skenario
Konsumsi energi dan permintaan energi berubah dari waktu ke waktu. Pemantauan perubahan ini dari waktu ke waktu, menghasilkan rangkaian waktu yang dapat digunakan untuk memahami pola, dan untuk memperkirakan perilaku di masa mendatang. Azure Pembelajaran Mesin dapat membantu memperkirakan lonjakan permintaan produk dan layanan energi.
Solusi ini dibangun di atas layanan terkelola Azure:
Layanan ini dijalankan dalam lingkungan ketersediaan tinggi, di-patch dan didukung, yang memungkinkan Anda berfokus pada solusi, bukan lingkungan tempat layanan dijalankan.
Kemungkinan kasus penggunaan
Solusi ini sangat ideal untuk industri energi.
Kontributor
Artikel ini dikelola oleh Microsoft. Ini awalnya ditulis oleh kontributor berikut.
Penulis utama:
- Dr. Carlos Santos | Arsitek Solusi Cloud Senior - AI &Ilmu Data
Langkah berikutnya
Lihat dokumentasi produk berikut:
- Selamat Datang di Azure Stream Analytics
- Apa itu Azure Event Hubs?
- Dokumentasi Azure SQL
- Pelajari selengkapnya tentang Azure Data Factory
- Apa itu Azure Pembelajaran Mesin?
- Pembelajaran Mesin dan perkiraan deret waktu
- Power BI
Selengkapnya:
- Menyiapkan AutoML untuk melatih model prakiraan rangkaian waktu dengan Python
- Coba Buku Catatan Pembelajaran Mesin untuk Prakiraan menggunakan Himpunan Data Permintaan Energi.
- Cobalah modul Microsoft Learn, Gunakan pembelajaran mesin otomatis pada Azure Machine Learning.