Bagikan melalui


Kasus penggunaan Azure Time Series Insights Gen2

Catatan

Layanan Time Series Insights akan dihentikan pada 7 Juli 2024. Pertimbangkan untuk memigrasikan lingkungan yang ada ke solusi alternatif sesegera mungkin. Untuk informasi selengkapnya tentang penghentian dan migrasi, kunjungi dokumentasi kami.

Artikel ini merangkum beberapa kasus penggunaan umum untuk Azure Time Series Insights Gen2. Rekomendasi dalam artikel ini berfungsi sebagai titik awal untuk mengembangkan aplikasi dan solusi Anda dengan Azure Time Series Insights Gen2.

Khususnya, artikel ini menjawab pertanyaan berikut:

Ringkasan skenario penggunaan ini dijelaskan di bagian berikut.

Pendahuluan

Azure Time Series Insights Gen2 adalah penawaran platform-sebagai-layanan, ujung-ke-ujung. Penawaran ini digunakan untuk mengumpulkan, memproses, menyimpan, menganalisis, dan mengkueri data berskala IoT yang dioptimalkan rangkaian waktu, yang sangat terkontekstualisasi. Hal ini ideal untuk eksplorasi data ad-hoc dan analisis operasional. Azure Time Series Insights Gen2 adalah penawaran layanan yang disesuaikan dan dapat diperluas dengan unik yang memenuhi berbagai kebutuhan penyebaran IoT industri.

Eksplorasi data dan deteksi anomali visual

Jelajahi dan analisis miliaran kejadian dengan cepat untuk menemukan anomali dan menemukan tren tersembunyi di data Anda. Azure Time Series Insights Gen2 memberikan performa mendekati real-time untuk beban kerja analisis IoT dan DevOps Anda.

Penjelajah data

Sebagian besar pelanggan setuju bahwa jumlah minimal waktu yang diperlukan untuk mendapatkan wawasan adalah salah satu dari fitur menonjol dari Azure Time Series Insights Gen2:

  • Azure Time Series Insights Gen2 tidak memerlukan penyiapan data di muka.
  • Layanan ini bekerja cepat untuk menyambungkan Anda ke miliaran kejadian di instans Azure IoT Hub atau Azure Event Hubs Anda dalam hitungan menit.
  • Setelah tersambung, Anda dapat memvisualisasikan dan menganalisis miliaran kejadian untuk menemukan anomali dan menemukan tren tersembunyi dalam data.

Azure Time Series Insights Gen2 bersifat intuitif dan mudah digunakan. Anda dapat berinteraksi dengan data tanpa menulis sebaris kode pun. Tidak terdapat bahasa pemrogram baru yang harus Anda pelajari, meskipun Azure Time Series Insights Gen2 menyediakan bahasa pemrogram kueri berbasis teks terperinci untuk pengguna tingkat lanjut yang terbiasa dengan SQL. Layanan ini juga menyediakan eksplorasi pilih-dan-klik bagi pemula.

Pelanggan dapat memanfaatkan kecepatan diagnosis masalah terkait aset dengan cepat. Pelanggan dapat melakukan analisis Azure DevOps untuk mencapai akar penyebab bug di solusi IoT. Pelanggan juga dapat mengidentifikasi area untuk menandai untuk penyelidikan lebih lanjut sebagai bagian dari inisiatif ilmu data mereka.

Terdapat tiga cara utama untuk berinteraksi dengan data yang disimpan di Azure Time Series Insights Gen2:

  • Cara pertama dan termudah untuk memulai adalah dengan Azure Time Series Insights Gen2 Explorer. Anda dapat menggunakannya untuk dengan cepat memvisualisasikan semua data IoT di satu tempat. Layanan ini menyediakan alat seperti peta panas untuk membantu Anda menemukan anomali dalam data. Layanan ini juga memberikan tampilan perspektif. Gunakan layanan ini untuk membandingkan hingga empat tampilan dari satu atau beberapa lingkungan Azure Time Series Insights Gen2 dalam satu dasbor. Dasbor memberikan kepada Anda tampilan data rangkaian waktu di seluruh lokasi Anda. Pelajari selengkapnya tentang Azure Time Series Insights Gen2 Explorer. Untuk merencanakan lingkungan Anda, baca perencanaan Azure Time Series Insights Gen2.

  • Cara kedua untuk memulai adalah menggunakan JavaScript SDK untuk dengan cepat menyematkan bagan dan grafik yang kuat di aplikasi web Anda. Hanya dengan beberapa baris kode, Anda dapat menulis kueri yang kuat. Gunakan ini untuk mengisi diagram garis, bagan pai, bagan batang, peta panas, kisi data, dan lainnya. Semua elemen ini ada secara unik dengan menggunakan SDK. SDK juga mengabstraksi API kueri Azure Time Series Insights Gen2. Anda dapat menggunakannya untuk menulis predikat seperti SQL untuk mengkueri data yang ingin Anda tampilkan di dasbor. Untuk solusi lapisan presentasi hibrid, Azure Time Series Insights Gen2 menawarkan URL berparameter. URL ini menyediakan titik koneksi yang mulus dengan Azure Time Series Insights Gen2 Explorer untuk mendalami data.

  • Cara ketiga untuk memulai adalah menggunakan API yang ketiga untuk mengkueri data yang disimpan di Azure Time Series Insights Gen2. Azure Time Series Insights Gen2 memiliki operator sementara seperti from, to, first, dan last. Layanan ini memiliki agregasi dan transformasi seperti average, sum, min, max, time-weighted average, time-weighted sum, dll. Layanan ini juga memungkinkan filter, operator aritmatika dan boolean, fungsi skalar, dll. Semua operator ini memungkinkan aplikasi hilir untuk dengan cepat menemukan tren dan pola yang menarik dalam data Anda. Gunakan operator untuk mengisi visualisasi pertumbuhan lokal untuk menemukan anomali.

Analisis operasional dan efisiensi proses penggerak

Gunakan Azure Time Series Insights Gen2 untuk memantau kesehatan, penggunaan, performa peralatan pada skala dan mengukur efisiensi operasional. Azure Time Series Insights Gen2 membantu mengelola beragam beban kerja IoT yang tidak terprediksi tanpa mengorbankan penyerapan atau performa kueri.

Cuplikan layar menunjukkan perangkat I o T / data aplikasi, pemrosesan aliran, efisiensi operasional, kecerdasan / wawasan, dan analitik tingkat lanjut di Azure Time Series Insights Gen2.

Streaming dan pemrosesan data yang berasal dari proses operasional secara terus-menerus dapat berhasil mengubah bisnis apa pun jika dikombinasikan dengan teknologi atau solusi yang tepat. Sering kali solusi ini berupa kombinasi beberapa sistem. Solusi memungkinkan eksplorasi dan analisis data yang berubah secara konstan, khususnya di ranah IoT, dan berbagi pola yang sama.

Pola ini sering kali dimulai dengan platform yang diaktifkan IoT yang menyerap miliaran kejadian dari perangkat dan sensor yang menjangkau berbagai lokal. Sistem ini memproses dan menganalisis data streaming untuk mendapatkan tindakan dan wawasan real time. Data biasanya diarsipkan ke penyimpanan hangat dan dingin untuk analitik batch dan mendekati real-time.

Data yang dikumpulkan melalui serangkaian pemrosesan untuk membersihkan dan mengkontekstualisasikannya untuk kueri hilir dan skenario analitik. Azure menawarkan layanan yang kaya yang dapat diterapkan pada skenario IoT seperti pemeliharaan dan produksi aset. Layanan ini mencakup Azure Time Series Insights Gen2, IoT Hub, Event Hubs, Azure Stream Analytics, Azure Functions, Azure Logic Apps, Azure Databricks, Azure Machine Learning, dan Power BI.

Arsitektur solusi dapat tercapai dengan cara berikut:

  • Serap data melalui Azure IoT Hub atau Azure Event Hubs untuk keamanan, throughput, dan latensi yang terbaik di kelasnya.
  • Lakukan pemrosesan data dan komputasi. Salurkan data yang diserap melalui layanan seperti Azure Stream Analytics, Aplikasi Logika, dan Azure Functions. Layanan yang Anda gunakan bergantung pada kebutuhan pemrosesan data yang spesifik.
  • Sinyal yang dikomputasi dari alur pemrosesan didorong ke Azure Time Series Insights Gen2 untuk penyimpanan dan analitik.

Azure Time Series Insights Gen2 menawarkan eksplorasi data yang mendekati real-time dan wawasan berbasis aset melalui data historis. Bergantung pada kebutuhan bisnis, pekerjaan MapReduce dan Apache Hive dapat berjalan di data yang disimpan di Azure Time Series Insights Gen2 yang menghubungkan Azure Time Series Insights Gen2 dengan Azure HDInsight. Data yang disimpan di Azure Time Series Insights Gen2 tersedia untuk Power BI dan aplikasi pelanggan lain melalui API kueri permukaan publik Azure Time Series Insights Gen2. Data ini dapat digunakan untuk skenario kecerdasan operasional dan bisnis mendalam.

Analitik lanjutan

Integrasikan dengan layanan analitik tingkat lanjut seperti Azure Machine Learning dan Azure Databricks. Azure Time Series Insights Gen2 memberikan data mentah dari jutaan perangkat. Hal ini menambahkan data kontekstual yang dapat dikonsumsi secara mulus dengan rangkaian layanan analitik Azure.

Analitik

Analitik tingkat Lanjut dan pembelajaran mesin mengkonsumsi dan memproses data bervolume besar. Data ini digunakan untuk membuat keputusan yang digerakkan data dan melakukan analisis prediktif. Dalam kasus penggunaan IoT, algoritma analitik tingkat lanjut mempelajari data yang dikumpulkan dari jutaan perangkat. Perangkat ini mentransmisikan data beberapa kali setiap detik. Data yang dikumpulkan dari perangkat IoT bersifat mentah. Data ini tidak memiliki informasi kontekstual seperti lokasi perangkat dan unit pembacaan sensor. Sebagai hasilnya, data mentah sulit untuk dikonsumsi secara langsung untuk analitik tingkat lanjut.

Azure Time Series Insights Gen2 menjembatani celah antara data IoT dan analitik tingkat lanjut dengan dua cara yang sederhana dan hemat biaya:

  • Pertama, Azure Time Series Insights Gen2 mengumpulkan data telemetri mentah dari jutaan perangkat dengan menggunakan IoT Hub. Hal ini memperkaya data dengan informasi kontekstual dan mengubah data menjadi format parquet. Format ini dapat berintegrasi dengan mudah dengan layanan analitik tingkat lanjut lainnya, seperti Azure Machine Learning, Azure Databricks, dan aplikasi pihak ketiga.

    Azure Time Series Insights Gen2 dapat berfungsi sebagai sumber kebenaran untuk semua data di seluruh organisasi. Layanan ini membuat repositori pusat untuk beban kerja analitik hilir untuk dikonsumsi. Karena Azure Time Series Insights Gen2 adalah layanan penyimpanan yang mendekati real-time, model analitik tingkat lanjut dapat belajar secara terus-menerus dari data telemetri IoT yang masuk. Sebagai hasilnya, model dapat membuat prediksi yang lebih akurat.

  • Kedua, output pembelajaran mesin dan model prediksi dapat diumpankan ke dalam Azure Time Series Insights Gen2 untuk memvisualisasikan dan menyimpan hasilnya. Prosedur ini membantu organisasi untuk mengoptimalkan dan mengubah model mereka. Azure Time Series Insights Gen2 menyederhanakan visualisasi data telemetri streaming di bidang yang sama dengan output model terlatih. Dengan cara ini, layanan membantu tim ilmu data menemukan anomali dan mengidentifikasi pola.

Langkah berikutnya