Citizen AI con Power Platform

L'architettura seguente estende l'analisi end-to-end con lo scenario di Azure Synapse Analytics . Consente di eseguire il training di un modello di Machine Learning (ML) personalizzato in Azure Machine Learning e di implementarlo con un'applicazione personalizzata creata usando Microsoft Power Platform.

Architettura

Scaricare un file Visio di questa architettura.

Workflow

Il flusso di lavoro è costituito dai seguenti passaggi:

• Inserimento
• Punto vendita
• Eseguire il training di un modello e distribuirlo
• Utilizzo

Inserimento

Usare Le pipeline di Azure Synapse per eseguire il pull dei dati batch da varie origini, sia in locale che nel cloud. Questa architettura lambda include due flussi di inserimento dati: streaming e batch. Sono descritti qui:

• Streaming: nella metà superiore del diagramma dell'architettura precedente sono i flussi di dati di streaming (ad esempio, flussi di Big Data e dispositivi IoT).
  • Usare Hub eventi di Azure o l'hub IoT di Azure per inserire flussi dei dati generati da applicazioni client o dispositivi IoT. Hub eventi o hub IoT inserire e archiviare i dati di streaming, mantenendo la sequenza di eventi ricevuti. I consumer possono connettersi agli endpoint dell'hub per recuperare i messaggi da elaborare.
• Batch: nella metà inferiore del diagramma dell'architettura i dati vengono inseriti ed elaborati in batch, ad esempio:

  • Dati non strutturati (ad esempio, video, immagini, audio e testo libero)

  • Dati semistrutturati (ad esempio JSON, XML, CSV e log)

  • Dati strutturati (ad esempio, database relazionali e Servizi dati di Azure)

    Azure Collegamento a Synapse crea una stretta integrazione tra Azure Cosmos DB e Azure Synapse Analytics. Le pipeline di Azure Synapse possono essere attivate in base a una pianificazione predefinita o in risposta a un evento. e possono essere richiamate anche tramite le API REST.

Punto vendita

I dati inseriti possono essere inseriti direttamente in formato non elaborato e quindi trasformati in Azure Data Lake. Dopo la cura e la trasformazione in strutture relazionali, possono essere usati in Azure Synapse Analytics.

Eseguire il training di un modello e distribuirlo

Machine Learning offre un servizio ML di livello aziendale per la creazione e la distribuzione di modelli più velocemente. Offre agli utenti a tutti i livelli di competenza una finestra di progettazione con uso limitato di codice, la funzionalità Machine Learning automatizzato e un ambiente Jupyter Notebook ospitato. I modelli possono essere distribuiti come endpoint in tempo reale in servizio Azure Kubernetes o come endpoint gestito di Machine Learning. Per l'inferenza batch di modelli ML, è possibile usare le pipeline di Machine Learning.

Utilizzo

Un modello batch o in tempo reale pubblicato in Machine Learning può generare un endpoint REST che può essere usato in un'applicazione personalizzata creata usando la piattaforma Power Apps a basso codice. È anche possibile chiamare un endpoint di Machine Learning in tempo reale da un report di Power BI per presentare stime nei report aziendali.

Componenti

È possibile usare i componenti seguenti.

Servizi Power Platform

• Power Platform: un set di strumenti per l'analisi dei dati, la creazione di soluzioni, l'automazione dei processi e la creazione di agenti virtuali. Include Power Apps, Power Automate, Power BI e Power Virtual Agents.
• Power Apps: una suite di app, servizi, connettori e piattaforma dati. Offre un ambiente per lo sviluppo rapido di applicazioni che consente di creare app personalizzate in base alle esigenze aziendali.
• Power Automate: servizio che consente di creare flussi di lavoro automatizzati tra le app e i servizi preferiti. Usarlo per sincronizzare i file, ricevere notifiche, raccogliere dati e così via.
• Power BI: raccolta di servizi software, app e connettori che interagiscono per trasformare le origini di dati non correlate in informazioni dettagliate coerenti, visivamente immersive e interattive.

Servizi di Azure

• Machine Learning: un servizio ML di livello aziendale per la creazione e la distribuzione di modelli rapidamente. Offre agli utenti a tutti i livelli di competenza una finestra di progettazione con uso limitato di codice, la funzionalità Machine Learning automatizzato e un ambiente Jupyter Notebook ospitato che supporta l'ambiente di sviluppo integrato preferito.
• Endpoint gestiti di Machine Learning: endpoint online che consentono di distribuire il modello senza la necessità di creare e gestire l'infrastruttura sottostante.
• servizio Azure Kubernetes: ML offre supporto variabile tra destinazioni di calcolo diverse. Il servizio Azure Kubernetes è una destinazione di questo tipo, ideale per gli endpoint del modello in tempo reale di livello aziendale.
• Azure Data Lake: file system compatibile con Hadoop. È caratterizzato da uno spazio dei nomi gerarchico integrato e dalla grande quantità di scalabilità ed economia di Archiviazione BLOB di Azure.
• Azure Synapse Analytics: è un servizio di analisi senza limiti che combina integrazione dei dati, funzionalità aziendali di data warehousing e analisi di Big Data.
• Hub eventi e hub IoT: entrambi i servizi inseriscono flussi di dati generati da applicazioni client o dispositivi IoT. Entrambi i servizi inseriscono e archiviano i dati di streaming mantenendo la sequenza di eventi ricevuti. I consumer possono connettersi agli endpoint degli hub per recuperare i messaggi da elaborare.

Servizi della piattaforma

Per migliorare la qualità delle soluzioni di Azure, seguire i consigli e le linee guida descritti in Well-Architected Framework di Azure. Il framework è costituito da cinque pilastri di eccellenza dell'architettura:

• Ottimizzazione dei costi
• Eccellenza operativa
• Efficienza prestazionale
• Affidabilità
• Sicurezza

Per creare una progettazione che rispetti queste indicazioni, prendere in considerazione i servizi seguenti:

• Microsoft Entra ID: servizi di identità, single sign-on e autenticazione a più fattori tra carichi di lavoro di Azure.
• Gestione dei costi e fatturazione di Azure: governance finanziaria sui carichi di lavoro di Azure.
• Azure Key Vault: gestione sicura di credenziali e certificati.
• Monitoraggio di Azure: raccolta, analisi e visualizzazione dei dati di telemetria dalle risorse di Azure. Usare Monitoraggio per identificare in modo proattivo i problemi per ottimizzare le prestazioni e l'affidabilità.
• Microsoft Defender for Cloud: consente di rafforzare e monitorare il comportamento in termini di sicurezza dei carichi di lavoro di Azure.
• Azure DevOps e GitHub: implementare procedure DevOps per applicare l'automazione e la conformità delle pipeline di sviluppo e distribuzione del carico di lavoro per Azure Synapse Analytics e Machine Learning.
• Criteri di Azure: consente di implementare gli standard aziendali e la governance per la coerenza delle risorse, la conformità alle normative, la sicurezza, i costi e la gestione.

Alternative

Un MVP di Machine Learning trae vantaggio dalla velocità al risultato. In alcuni casi, le esigenze di un modello personalizzato possono essere soddisfatte tramite servizi cognitivi di Azure con training preliminare o servizi di intelligenza artificiale app Azure lied. In altri casi, Power Apps AI Builder potrebbe fornire un modello a scopo.

Dettagli dello scenario

Una tendenza tecnologiche generale è la crescente popolarità dei ruoli di intelligenza artificiale per i citizen developer. Questi ruoli sono professionisti aziendali che cercano di migliorare i processi aziendali attraverso l'applicazione di MACHINE Learning e tecnologie di intelligenza artificiale. Un contributo significativo a questa tendenza è dato dalla continua crescita di maturità e disponibilità di strumenti con uso limitato di codice per sviluppare modelli ML.

A causa di una frequenza di errore elevata nota per tali iniziative, la possibilità di creare rapidamente prototipi e convalidare un'applicazione di intelligenza artificiale in un'impostazione reale diventa un fattore chiave per un approccio rapido a errori. Sono presenti due strumenti chiave per lo sviluppo di modelli che modernizzano i processi e favoriscono risultati trasformativi:

• Toolkit ML per tutti i livelli di competenza
  • Supporta lo sviluppo di MACHINE Learning completamente codificato senza codice
  • Dispone di un'interfaccia utente grafica flessibile e con uso limitato di codice
  • Consente agli utenti di derivare rapidamente i dati da un'origine e di prepararli
  • Consente agli utenti di compilare e distribuire rapidamente modelli
  • Dispone di funzionalità ML avanzate e automatizzate per lo sviluppo di algoritmi ML
• Toolkit per lo sviluppo di applicazioni con uso limitato di codice
  • Consente agli utenti di creare applicazioni e flussi di lavoro di automazione personalizzati
  • Crea flussi di lavoro in modo che utenti e processi aziendali possano interagire con un modello ML

Machine Learning svolge il ruolo di un'interfaccia utente grafica a basso codice per lo sviluppo di Machine Learning. Ha automatizzato ML e distribuzione in endpoint batch o in tempo reale. Power Platform, che include Power Apps e Power Automate, fornisce i toolkit per creare rapidamente un'applicazione personalizzata e un flusso di lavoro che implementa l'algoritmo ml. Gli utenti aziendali possono ora creare applicazioni ML di livello di produzione per trasformare i processi aziendali legacy.

Potenziali casi d'uso

Questi toolkit riducono il tempo necessario e il lavoro richiesto per creare un prototipo dei vantaggi di un modello ML in un processo aziendale. È possibile estendere facilmente un prototipo a un'applicazione di livello di produzione. I possibili casi d'uso per queste tecniche sono i seguenti:

• Operazioni di produzione con applicazioni legacy che usano stime deterministiche obsolete. Tali situazioni possono trarre vantaggio dalla migliore accuratezza di un modello ML. L'acquisizione di una maggiore accuratezza richiede sia un modello che un'attività di sviluppo per integrare i sistemi legacy in locale.
• Call Center Ops con applicazioni legacy che non si adattano quandosi spostano i dati. I modelli di ripetizione automatica del training possono fornire un aumento significativo della stima della varianza o dell'accuratezza della profilatura dei rischi. La convalida richiede l'integrazione con i sistemi esistenti di gestione delle relazioni con i clienti e i sistemi di gestione dei ticket. L'integrazione potrebbe essere costosa.

Considerazioni

Quando si usano questi servizi per creare un modello di verifica o un MVP, non si è terminato. Per creare una soluzione di produzione, sono necessarie altre attività. Framework come Well-Architected Framework forniscono indicazioni di riferimento e procedure consigliate da applicare all'architettura.

Disponibilità

La maggior parte dei componenti usati in questo scenario di esempio sono servizi gestiti che vengono ridimensionati automaticamente. La disponibilità dei servizi usati in questo esempio varia in base all'area.

Le app basate su apprendimento automatico richiedono in genere un set di risorse per il training e un altro per la gestione. Le risorse necessarie per il training in genere non richiedono disponibilità elevata, perché non sono interessate direttamente dalle richieste di produzione in tempo reale. Le risorse necessarie per la gestione delle richieste necessitano invece di disponibilità elevata.

DevOps

Le procedure di DevOps vengono usate per orchestrare l'approccio end-to-end usato in questo esempio. Se l'organizzazione non ha familiarità con DevOps, l'elenco di controllo di DevOps consente di iniziare a usarne le funzioni.

La Guida DevOps per apprendimento automatico descrive le procedure consigliate e le informazioni sull'adozione delle operazioni ML (MLOps) in azienda con Machine Learning.

L'automazione DevOps può essere applicata alla soluzione Power Platform descritta in questo esempio. Per altre informazioni su Power Platform DevOps, vedere Power Platform Build Tools for Azure DevOps: Power Platform.

Ottimizzazione dei costi

L'ottimizzazione dei costi riguarda l'analisi dei modi per ridurre le spese non necessarie e migliorare l'efficienza operativa. Per altre informazioni, vedere Panoramica del pilastro dell'ottimizzazione dei costi.

Prezzi di Azure: i servizi IaaS (First-Party Infrastructure as a Service) e PaaS (Platform as a Service) in Azure usano un modello di determinazione prezzi basato sul consumo. Tali servizi non richiedono né una licenza né una tariffa di sottoscrizione. In linea generale, usare il calcolatore dei prezzi di Azure per stimare i costi. Per altre considerazioni, vedere Ottimizzazione dei costi in Well-Architected Framework.

Prezzi di Power Platform: Power Apps, Power Automate e Power BI sono applicazioni SaaS e hanno modelli di prezzi personalizzati, inclusi per piano app e per utente.

Distribuire lo scenario

Si consideri questo scenario aziendale. Un agente sul campo usa un'app che stima il prezzo di mercato di un'auto. È possibile usare Machine Learning per creare rapidamente un prototipo di un modello ML dell'app. Vengono usate una finestra di progettazione con uso limitato di codice e funzionalità ML per creare il modello e distribuirlo in seguito all'endpoint REST in tempo reale.

Il modello potrebbe dimostrare il concetto, ma un utente non ha un modo semplice per usare un modello implementato come API REST. Power Platform può aiutare a chiudere questo ultimo miglio, come rappresentato qui.

Di seguito viene illustrata un'interfaccia utente per l'app, creata in Power Apps tramite l'interfaccia con uso limitato di codice disponibile in Power Apps.

È possibile usare Power Automate per compilare un flusso di lavoro con uso limitato di codice per analizzare l'input dell'utente, passarlo all'endpoint Machine Learning e recuperare la previsione. È anche possibile usare Power BI per interagire con il modello di Machine Learning e creare report e dashboard aziendali personalizzati.

Per distribuire questo esempio end-to-end, seguire le istruzioni dettagliate in Car Price Predictor - Azure ML + Power App Solution.

Scenari estesi

Esaminare gli scenari seguenti:

Eseguire la distribuzione in Teams

L'app di esempio fornita nell'esempio precedente può anche essere distribuita in Microsoft Teams. Teams rappresenta un canale di distribuzione ottimale per le app e offre agli utenti un'esperienza collaborativa. Per altre informazioni su come distribuire un'app in Teams usando Power Apps, vedere Pubblicare l'app usando Power Apps in Teams: Power Apps.

Usare l'API da più app e automazioni

In questo esempio viene configurato un flusso cloud Power Automate per usare l'endpoint REST come azione HTTP. È invece possibile configurare un connettore personalizzato per l'endpoint REST e usarlo direttamente in Power Apps o Power Automate. Questo approccio è utile quando si vuole che più app usino lo stesso endpoint Fornisce anche la governance usando i criteri di prevenzione della perdita dei dati del connettore nell'interfaccia di amministrazione di Power Platform. Per creare un connettore personalizzato, vedere Usare un connettore personalizzato da un'app Power Apps. Per altre informazioni sulla prevenzione della perdita dei dati del connettore Power Platform, vedere Criteri di prevenzione della perdita dei dati: Power Platform.

Collaboratori

Questo articolo viene gestito da Microsoft. È stato originariamente scritto da:

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

Passaggi successivi

• Funzionamento di Machine Learning: Architettura e concetti
• Build intelligent applications infused with world-class AI

Risorse correlate

• Analisi end-to-end con Azure Synapse Analytics
• Produzione end-to-end tramite visione artificiale in dispositivi perimetrali
• Intelligenza artificiale (IA)
• Confronto tra prodotti e tecnologie ML di Microsoft
• Framework mlops (Machine Learning Operations) per un ciclo di vita di Machine Learning di alto livello con Machine Learning