Idee per le soluzioni
Questo articolo descrive un'idea di soluzione. L'architetto cloud può usare queste linee guida per visualizzare i componenti principali per un'implementazione tipica di questa architettura. Usare questo articolo come punto di partenza per progettare una soluzione ben progettata in linea con i requisiti specifici del carico di lavoro.
Informazioni su come Azure Machine Learning può aiutare a prevedere picchi di domanda di prodotti e servizi energetici.
Architettura
Scaricare un file di Visio di questa architettura.
Flusso di dati
- I dati delle serie temporali possono essere archiviati in vari formati, a seconda dell'origine originale. I dati possono essere archiviati come file in Azure Data Lake Storage o in formato tabulare in Azure Synapse o database SQL di Azure.
- Lettura: Azure Machine Learning (ML) può connettersi e leggere da tali origini. L'inserimento di dati delle serie temporali in Azure Machine Learning consente a Machine Learning automatizzato (AutoML) di pre-elaborare i dati e di eseguire il training e la registrazione di un modello.
- Il primo passaggio all'interno di AutoML è la configurazione e la pre-elaborazione dei dati delle serie temporali. In questo passaggio i dati forniti vengono preparati per il training. I dati determinano le funzionalità e le configurazioni previste seguenti:
- Valori mancanti imputati
- Progettazione delle funzionalità di Festività e DateTime
- Lag and rolling windows
- Convalida incrociata dell'origine in sequenza
- Durante la fase di training, AutoML usa il set di dati pre-elaborato per eseguire il training, selezionare e spiegare il modello di previsione migliore.
- Training del modello: è possibile usare un'ampia gamma di modelli di Machine Learning, che vanno dalle previsioni classiche, dalle reti neurali profonde e dai modelli di regressione.
- Valutazione del modello: la valutazione dei modelli consente a AutoML di valutare le prestazioni di ogni modello sottoposto a training e consente di selezionare il modello con prestazioni migliori per la distribuzione.
- Spiegazione: AutoML fornisce spiegazioni per il modello selezionato, che consente di comprendere meglio quali funzionalità stanno guidando i risultati del modello.
- Il modello con prestazioni ottimali viene registrato in Azure Machine Learning usando AutoML, che lo rende disponibile per la distribuzione.
- Distribuzione: il modello registrato in Azure Machine Learning può essere distribuito, che fornisce un endpoint attivo che può essere esposto per l'inferenza.
- La distribuzione può essere eseguita tramite servizio Azure Kubernetes (servizio Azure Kubernetes), mentre si esegue un cluster gestito da Kubernetes in cui i contenitori vengono distribuiti da immagini archiviate in Registro Azure Container. In alternativa, è possibile usare Istanze di Azure Container anziché il servizio Azure Kubernetes.
- Inferenza: dopo la distribuzione del modello, l'inferenza dei nuovi dati può essere eseguita tramite l'endpoint disponibile. È possibile supportare stime batch e quasi in tempo reale. I risultati dell'inferenza possono essere archiviati come documenti in Azure Data Lake Storage o in formato tabulare in Azure Synapse o database SQL di Azure.
- Visualizza: i risultati del modello archiviati possono essere utilizzati tramite interfacce utente, ad esempio dashboard di Power BI o applicazioni Web personalizzate. I risultati vengono scritti in un'opzione di archiviazione in un formato file o tabulare, quindi vengono indicizzati correttamente da Ricerca cognitiva di Azure. Il modello viene eseguito come inferenza batch e archivia i risultati nel rispettivo archivio dati.
Componenti
- Azure Data Factory: gestire la manipolazione e la preparazione dei dati.
- Machine Learning automatizzato di Azure: usare Azure ML per prevedere la domanda di energia di una determinata area.
- MLOps: progettare, distribuire e gestire flussi di lavoro del modello di produzione.
- Integrazione di Azure ML di Power BI: usare i risultati della stima del modello in Power BI.
Dettagli dello scenario
Il consumo energetico e la domanda di energia cambiano nel tempo. Il monitoraggio di questa modifica nel tempo comporta una serie temporale che può essere usata per comprendere i modelli e prevedere comportamenti futuri. Azure Machine Learning consente di prevedere picchi di domanda di prodotti e servizi energetici.
Questa soluzione è basata sui servizi gestiti di Azure:
- Analisi di flusso di Azure
- Hub eventi
- Azure Machine Learning
- Database SQL di Azure
- Data Factory
- Power BI
Questi servizi vengono eseguiti in un ambiente a disponibilità elevata, con patch e supporto, consentendo di concentrarsi sulla soluzione anziché sull'ambiente in cui vengono eseguiti.
Potenziali casi d'uso
Questa soluzione è ideale per l'industria energetica.
Collaboratori
Questo articolo viene gestito da Microsoft. Originariamente è stato scritto dai seguenti contributori.
Autore principale:
- Dr. Carlos Santos | Senior Cloud Solution Architect - Intelligenza artificiale e data science
Passaggi successivi
Vedere la documentazione del prodotto seguente:
- Benvenuto in Stream Analitica
- Che cos'è Hub eventi?
- Documentazione di Azure SQL
- Altre informazioni su Data Factory
- Cos'è Azure Machine Learning?
- Previsione di Machine Learning e serie temporali
- Power BI
Altre informazioni:
- Configurare AutoML per eseguire il training di un modello di previsione di serie temporali con Python
- Provare il notebook di Machine Learning per la previsione usando il set di dati della domanda di energia.
- Provare il modulo Microsoft Learn, Usare Machine Learning automatizzato in Azure Machine Learning.