Sistem jaminan kualitas memungkinkan bisnis untuk mencegah cacat selama proses pengiriman barang atau layanan kepada pelanggan. Membangun sistem seperti itu yang mengumpulkan data dan mengidentifikasi potensi masalah di sepanjang alur dapat memberikan keuntungan besar. Misalnya, dalam manufaktur digital, jaminan kualitas di seluruh jalur perakitan sangat penting. Mengidentifikasi perlambatan dan potensi kegagalan sebelum terjadi daripada setelah terdeteksi dapat membantu perusahaan mengurangi biaya untuk memo dan pengerjaan ulang sembari meningkatkan produktivitas.
Sistem
Unduh file Visio arsitektur ini.
Aliran data
- Generator peristiwa sistem sumber mengalirkan data ke Azure Event Hubs.
- Azure Event Hubs menggunakan Capture untuk mengirim peristiwa mentah ke Data Lake.
- Pekerjaan Azure Stream Analytics membaca data real-time dari Azure Event Hubs.
- Pekerjaan Azure Stream Analytics memanggil model ML di Azure Pembelajaran Mesin untuk memprediksi kegagalan/cacat.
- Pekerjaan Azure Stream Analytics mengirimkan agregasi aliran ke dasbor real time Power BI untuk operasi.
- Pekerjaan Azure Stream Analytics mendorong data real-time yang diproses ke Kumpulan SQL Azure Synapse.
- Azure Logic Apps mengirimkan peringatan dari data streaming ke ponsel.
- Terakhir, Power BI digunakan untuk visualisasi hasil.
Komponen
- Azure Event Hubs menyerap peristiwa jalur perakitan dan meneruskannya ke Azure Stream Analytics dan Azure ML Web Service.
- Azure Stream Analytics: Azure Stream Analytics menerima aliran input dari Azure Event Hubs, memanggil Azure ML Web Service untuk melakukan prediksi, dan mengirim streaming ke Azure Synapse dan Power BI dan Azure Logic Apps untuk peringatan.
- Azure Machine Learning: Pembelajaran Mesin membantu Anda merancang, menguji, mengoperasionalkan, dan mengelola solusi analitik prediktif di cloud dan menerapkan layanan web yang dapat dipanggil oleh Azure Stream Analytics.
- Akun Penyimpanan: Azure Storage menyimpan data aliran peristiwa mentah dari Azure Event Hubs dan berfungsi untuk persistensi data jangka panjang.
- Logic Apps: Mengirim pemberitahuan yang dihasilkan dari data streaming ke perangkat operator.
- Synapse Analytics: Menyimpan data relasional untuk pemrosesan analitik ad-hoc dan terencana dan kueri analitik pengguna.
- Power BI: memvisualisasikan dasbor operasional real-time dan juga server untuk laporan analitis.
Alternatif
- Bergantung pada skenarionya, arsitektur dasar dapat disederhanakan dengan menghapus lapisan batch - menghapus Storage untuk peristiwa mentah dan Azure Synapse untuk data relasional
- Azure SQL Database adalah database hubungan sebagai layanan yang dikelola. Bergantung pada volume data dan pola akses Anda, Anda dapat memilih Azure SQL Database.
- Azure Functions memberikan pendekatan tanpa server yang efektif jika arsitektur beban kerja dipusatkan di sekitar komponen terdistribusi berbutir halus, yang membutuhkan dependensi minimal, di mana masing-masing komponen hanya diperlukan untuk berjalan sesuai permintaan (tidak terus-menerus) dan orkestrasi komponen tidak diperlukan.
- IoT Hub berfungsi sebagai hub pesan pusat untuk komunikasi dua arah yang aman dengan identitas per perangkat antara platform cloud dan peralatan konstruksi serta elemen situs lainnya. IoT Hub dapat dengan cepat mengumpulkan data untuk setiap perangkat untuk dimasukkan ke dalam alur analisis data.
Detail skenario
Kemungkinan kasus penggunaan
Solusi ini menunjukkan cara memprediksi kegagalan menggunakan contoh alur manufaktur (jalur perakitan). Ini dilakukan dengan menggunakan sistem pengujian yang sudah ada dan data kegagalan, khususnya melihat pengembalian dan kegagalan fungsional di akhir garis perakitan. Dengan menggabungkan ini dengan pengetahuan domain dan analisis akar penyebab dalam desain modular yang merangkum langkah-langkah pemrosesan utama, kami menyediakan solusi analitik canggih generik yang menggunakan pembelajaran mesin untuk memprediksi kegagalan sebelum terjadi. Prediksi awal kegagalan di masa depan memungkinkan perbaikan yang lebih murah atau bahkan membuang, yang biasanya lebih hemat biaya daripada melalui biaya penarikan dan garansi.
Pertimbangan
Pertimbangan ini mengimplementasikan pilar Azure Well-Architected Framework, yang merupakan serangkaian tenet panduan yang dapat digunakan untuk meningkatkan kualitas beban kerja. Untuk informasi selengkapnya, lihat Microsoft Azure Well-Architected Framework.
Skalabilitas
Sebagian besar komponen yang digunakan dalam skenario contoh ini adalah layanan terkelola yang menskalakan berdasarkan kebutuhan skenario Anda saat ini.
Untuk panduan umum tentang merancang solusi yang dapat diskalakan, lihat daftar periksa efisiensi performa di Azure Architecture Center.
Keamanan
Keamanan memberikan jaminan terhadap serangan yang disukai dan penyalahgunaan data dan sistem berharga Anda. Untuk informasi selengkapnya, lihat Gambaran Umum pilar keamanan.
Identitas terkelola untuk sumber daya Azure digunakan untuk menyediakan akses ke sumber daya lain yang internal ke akun Anda. Hanya memungkinkan akses ke sumber daya yang diperlukan dalam identitas tersebut untuk memastikan bahwa tidak ada tambahan yang terkena fungsi Anda (dan berpotensi untuk pelanggan Anda).
Untuk panduan umum tentang mendesain solusi aman, lihat Dokumentasi Keamanan Azure.
Ketahanan
Semua komponen dalam skenario ini dikelola, jadi di tingkat regional semuanya tangguh secara otomatis.
Untuk panduan umum tentang merancang solusi tangguh, lihat Prinsip desain keandalan.
Langkah berikutnya
- Membangun aplikasi web tanpa server di Azure
- Pelajari cara Membuat model Prediktif di Azure
- Pelajari cara mengimplementasikan Solusi Aliran Data dengan Azure Streaming Analytics
- Dokumentasi Azure Event Hubs
- Dokumentasi Azure Stream Analytics
- Dokumentasi Azure Machine Learning
- Dokumentasi Microsoft Azure Storage
- Dokumentasi Azure Logic Apps
- Dokumentasi Azure Synapse Analytics
- Membuat laporan dan dasbor di Power BI - dokumentasi