Power Platform を使用したシチズン AI

Azure Machine Learning

Microsoft Power Platform

Power Apps

Power Automate

Power BI

次のアーキテクチャは、 Azure Synapse Analytics によるエンドツーエンドの分析シナリオで拡張したものです。これにより、カスタム機械学習 (ML) モデルを Azure Machine Learning で学習し、Microsoft Power Platform を使用して構築されたカスタムアプリケーションで実装できます。

アーキテクチャ

このアーキテクチャの Visio ファイルをダウンロードします。

ワークフロー

このワークフローは次のステップで構成されます。

取り込み
ストア
モデルのトレーニングとデプロイ
使用

取り込み

Azure Synapse パイプラインを使用して、オンプレミスとクラウドの両方で、さまざまなソースからバッチデータをプルします。このラムダアーキテクチャには、ストリーミングとバッチの 2 つのデータインジェストフローがあります。以下ではそれについて説明します。

ストリーミング: 前のアーキテクチャ図の上半分には、ストリーミングデータフロー (ビッグデータストリームや IoT デバイスなど) があります。
- Azure Event Hubs または Azure IoT Hub を使用して、クライアントアプリケーションまたは IoT デバイスによって生成されるデータストリームを取り込み可能です。その後、Event Hubs または IoT Hub によって、受信した一連のイベントを保持するストリーミングデータが取り込まれ、保存されます。コンシューマーはハブエンドポイントに接続して、処理するメッセージを取得できます。
Batch: アーキテクチャ図の下半分では、次のようなバッチでデータが取り込まれ、処理されます:
- 非構造化データ (ビデオ、画像、オーディオ、フリーテキストなど)
- 半構造化データ (JSON、XML、CSV、ログなど)
- 構造化データ (リレーショナルデータベース、Azure Data Services など)
  
  Azure Synapse Link によって、Azure Cosmos DB と Azure Synapse Analytics の間に緊密でシームレスな統合が作成されます。 Azure Synapse Pipelines は、定義済みのスケジュールに基づいて、またはイベントに対する応答としてトリガーできます。また、REST API を介して明示的に呼び出すこともできます。

ストア

取り込まれたデータは、未加工の形式で直接受け取られ、 Azure Data Lakeで変換できます。データをキュレーションし、リレーショナル構造に変換した後、 Azure Synapse Analytics で使用できるようになります。

モデルのトレーニングとデプロイ

Machine Learning は、モデルをより迅速に構築し、デプロイするためのエンタープライズレベルの ML サービスです。ローコードデザイナー、自動 ML、ホストされている Jupyter notebook 環境など、あらゆるスキルレベルのユーザーに提供されます。モデルは、 Azure Kubernetes Service 上のリアルタイムエンドポイントとして、または Machine Learning マネージドエンドポイントとしてデプロイできます。 ML モデルのバッチ推論の場合、 Machine Learning パイプラインを使用できます。

使用

Machine Learning で公開されているバッチまたはリアルタイムモデルでは、ローコード Power Apps プラットフォームを使用して構築されたカスタムアプリケーションで使用できる REST エンドポイントを生成できます。また、 Power BI レポートからリアルタイムの Machine Learning エンドポイントを呼び出して、ビジネスレポートに予測を表示することもできます。

注意

Machine Learning と Microsoft Power Platform の両スタックには、データを直接取り込むためのさまざまなコネクタが用意されています。これらのコネクタは、1 回限りの実用最小限の製品 (MVP) に役立つ場合があります。ただし、アーキテクチャの "取り込み" および "保存" セクションは、異なるソースからのデータを大規模に調達して保存するための標準化されたデータパイプラインの役割についてアドバイスしています。これらのパターンは、通常、エンタープライズデータプラットフォームチームによって実装および管理されます。

コンポーネント

次のコンポーネントを使用できます。

Power Platform サービス

Power Platform: データの分析、ソリューションの作成、プロセスの自動化、仮想エージェントの作成を行うための一連のツールです。これには、Power Apps、Power Automate、Power BI、Power Virtual Agents が含まれます。
Power Apps: アプリ、サービス、コネクタ、データプラッフォームが揃っています。迅速なアプリケーション開発環境を提供し、顧客のビジネスニーズに合ったカスタムアプリケーションを構築します。
Power Automate: お気に入りのアプリやサービス間で自動化されたワークフローの作成を支援するサービスです。これを使用して、ファイルの同期、通知の取得、データの収集などを行うことができます。
Power BI: ソフトウェアサービス、アプリ、コネクタのコレクションであり、これらが連携して、関連のないデータソースを、一貫性があり視覚的に没入型で対話形式の分析情報に変換します。

Azure サービス

Machine Learning: モデルをより迅速に構築しデプロイするためのエンタープライズレベルの ML サービスです。ローコードデザイナー、自動化された ML、そしてホストされた Jupyter notebook 環境を提供し、あらゆるスキルレベルのユーザーが好む IDE をサポートします。
Machine Learning managed endpoints: 基盤となるインフラストラクチャを作成し管理することなくモデルをデプロイするオンラインエンドポイントです。
Azure Kubernetes Service: ML は、コンピュートターゲットによってサポートが異なります。 Azure Kubernetes Service はこのようなターゲットの 1 つであり、エンタープライズレベルのリアルタイムモデルエンドポイントに最適です。
Azure Data Lake: Hadoop と互換性のあるファイルシステム。これには、階層型名前空間が統合されており、Azure Blob Storage の大規模なスケールと経済性を備えています。
Azure Synapse Analytics: データ統合、エンタープライズデータウェアハウス、ビッグデータ分析を 1 つにまとめた無制限の分析サービスです。
Event Hubs と IOT Hub: どちらのサービスも、クライアントアプリケーションや IoT デバイスから生成されるデータストリームを取り込みます。そして、受信したイベントのシーケンスを保持したまま、ストリーミングデータを取り込み、保存します。コンシューマーはハブエンドポイントに接続して、処理するメッセージを取得できます。

プラットフォームサービス

Azure ソリューションの品質を向上させるには、 Azure Well-Architected Frameworkのレコメンデーションとガイドラインに従ってください。このフレームワークは、優れたアーキテクチャの 5 つの柱で構成されています。

コスト最適化
オペレーショナルエクセレンス
パフォーマンス効率
[信頼性]
セキュリティ

これらのレコメンデーションを尊重する設計を作成するには、次のサービスを検討してください。

Microsoft Entra ID: Azure ワークロード全体に対する ID サービス、シングルサインオン、多要素認証を提供します。
Microsoft Cost Management: Azure ワークロードに対する財務ガバナンス。
Azure Key Vault: セキュリティで保護された資格情報と証明書の管理。
Azure Monitor: Azure リソースからのテレメトリの収集、分析、表示。 Monitor を使用して、パフォーマンスと信頼性を最大化するために問題を事前に特定します。
Microsoft Defender for Cloud: Azure ワークロードのセキュリティ体制を強化、監視します。
Azure DevOps & GitHub: DevOps プラクティスを実装して、Azure Synapse Analytics と Machine Learning のワークロード開発およびデプロイパイプラインの自動化とコンプライアンスを実現します。
Azure Policy: リソースの整合性、規制コンプライアンス、セキュリティ、コスト、管理のための組織の標準とガバナンスを実装します。

代替

機械学習 MVP は、速度から結果までメリットがあります。場合によっては、事前学習済みの Azure Cognitive Services や Azure Applied AI Services でカスタムモデルのニーズを満たすことができます。それ以外の場合、 Power Apps AI Builder で目的のモデルに適合させることができます。

シナリオの詳細

一般的なテクノロジのトレンドとして、シチズン AI ロールの人気が高まっています。このようなロールは、ML と AI テクノロジの適用によってビジネスプロセスを改善することを検討しているビジネス上の専門家です。このトレンドの重要な一因は、ML モデルを開発するためのローコードツールの成熟度と可用性向上です。

このような取り組みの失敗率の高さはよく知られていますが、実世界の環境で AI アプリケーションを迅速にプロトタイプ化し検証する能力は、フェイルファストアプローチを実現する重要な要素となります。プロセスを現代化し、変革的な成果をもたらすモデルを開発するためには、2 つの重要なツールがあります。

すべてのスキルレベル用の Azure Machine Learning ツールキット
- ノーコードからフルコードまでの Azure Machine Learning 開発に対応
- 柔軟でローコードのグラフィカルユーザーインターフェイス (GUI) があります
- ユーザーがデータを迅速にソース化して準備可能
- ユーザーがモデルを迅速に構築および配置可能
- ML アルゴリズム開発用の高度で自動化された ML 機能を保有
ローコードアプリケーション開発ツールキット
- ユーザーがカスタムアプリケーションとオートメーションワークフローを作成可能
- コンシューマーとビジネスプロセスが ML モデルと対話できるようにワークフローを作成

Machine Learning は、ML 開発のためのローコード GUI の役割を果たします。これは、自動化された ML と、バッチまたはリアルタイムエンドポイントへのデプロイがあります。 Power Platform には、 Power Apps と Power Automate が含まれており、ML アルゴリズムを実装したカスタムアプリケーションやワークフローを迅速に構築するためのツールキットを提供します。ビジネスユーザーは、実稼働レベルの ML アプリケーションを構築して、従来のビジネスプロセスを変換できるようになりました。

考えられるユースケース

これらのツールキットを利用すると、ビジネスプロセスで ML モデルの利点をプロトタイプ化するために必要な時間と労力を最小限に抑えることができます。プロトタイプは、実稼働レベルのアプリケーションに簡単に拡張できます。これらの技術の用途は次のとおりです。

時代遅れの決定論的予測を使用するレガシアプリケーションを採用している製造部門。 このような状況では、ML モデルの精度が向上する可能性があります。精度の向上を証明するには、モデル化と開発の両方の作業をオンプレミスのレガシシステムと統合する必要があります。
データずれのタイミングを調整しないレガシアプリケーションを使用したコールセンター Ops。自動的に再学習するモデルは、チャーン予測やリスクプロファイリングの精度を大幅に向上させることができます。検証には、既存のカスタマーリレーションシップマネジメントシステムとチケット管理システムとの統合が必要です。統合にはコストがかかる可能性があります。

考慮事項

これらのサービスを利用して概念実証や MVP を作成しても、それで終わりではありません。運用ソリューションを作成するには、より多くの作業が必要です。 Well-Architected Framework などのフレームワークには、アーキテクチャに適用するリファレンスガイダンスとベストプラクティスが記載されています。

可用性

このシナリオの例で使用されるコンポーネントの多くが、自動スケーリングされるマネージドサービスです。この例で使用されるサービスの可用性は、リージョンによって異なります。

ML に基づくアプリでは、通常、トレーニングと処理のためにそれぞれ 1 つのリソースセットが必要です。トレーニングに必要なリソースは、実際の運用環境の要求によって直接操作されることはないので、一般に高可用性は必要ありません。要求の処理を求められるリソースには、高可用性が必要です。

DevOps

DevOps プラクティスでは、この例で使用されるエンドツーエンドのアプローチを調整するために使用されます。組織が DevOps を初めて使用する場合は、「DevOps チェックリスト」を使用すると、立ち上げに役立ちます。

Machine Learning DevOps Guide では、Machine Learning を用いて企業で ML 運用 (MLOps) を採用する際のベストプラクティスや学習内容を紹介しています。

この例で提供されている Power Platform ソリューションには、DevOps オートメーションを適用できます。 Power Platform DevOps の詳細については、「Power Platform Build Tools for Azure DevOps - Power Platform」を参照してください。

コストの最適化

コストの最適化とは、不要な費用を削減し、運用効率を向上させる方法を検討することです。詳しくは、コスト最適化の柱の概要に関する記事をご覧ください。

Azure Pricing: Azure 上のファーストパーティのサービスとしてのインフラストラクチャ (IaaS) とサービスとしてのプラットフォーム(PaaS) サービスは、消費ベースの価格モデルを採用しています。ライセンスまたはサブスクリプションの料金は必要ありません。一般的に、コストを見積もるには、 Azure 料金計算ツールを使用します。その他の考慮事項については、Well-Architected Framework のコストの最適化に関するページをご覧ください。

Power Platform の価格:Power Apps、Power Automate と Power BI は、サービスとしてのソフトウェア (SaaS) アプリケーションであり、アプリプランごと、ユーザーごとなど、独自の価格モデルを備えています。

このシナリオのデプロイ

このビジネスシナリオを考えてみましょう。ある現場代理人が車の市場価格を推定するアプリを使用します。 Machine Learning を使用すると、このアプリの ML モデルのプロトタイプをすばやく作成できます。ローコードデザイナーと ML 機能を使用してモデルを作成し、リアルタイムの REST エンドポイントとしてデプロイします。

このモデルは概念を証明してくれるかもしれませんが、REST API として実装されたモデルをユーザーが簡単に消費する方法はありません。 Power Platform は、このようにこの最後の 1 マイルを埋めることができます。

次に、Power Apps が提供するローコードのインターフェイスを使用して Power Apps で作成したアプリのユーザーインターフェイスを示します。

Power Automate を使用して、ユーザーの入力を解析し、それを Machine Learning エンドポイントに渡し、予測を取得するためのローコードワークフローを構築できます。また、 Machine Learning モデルと対話する Power BI を使って、カスタムビジネスレポートやダッシュボードを作成することもできます。

このエンドツーエンドの例をデプロイするには、「Car Price Predictor - Azure ML + Power App Solution」の手順に従います。

拡張シナリオ

次のシナリオで考えてみましょう。

Teams へのデプロイ

前の例で提供されているサンプルアプリを Microsoft Teams にデプロイすることもできます。 Teams は、アプリに優れた配布チャネルを提供し、ユーザーにコラボレーティブなアプリのエクスペリエンスを提供します。 Power Apps を使用してアプリを Teams にデプロイする方法の詳細は、「Teams で Power Apps を使用してアプリを発行する: Power Apps」を参照してください。

複数のアプリとオートメーションから API を使用する

この例では、HTTP アクションとして REST エンドポイントを使用するように Power Automate クラウドフローを構成します。代わりに、REST エンドポイント用のカスタムコネクタを設定し、Power Apps または Power Automate から直接使用できます。この方法は、複数のアプリで同じエンドポイントを使用する場合に便利です。また、Power Platform 管理者センターのコネクタデータ損失保護 (DLP) ポリシーを使用して、ガバナンスも提供します。カスタムコネクタを作成するには、「Power Apps アプリからカスタムコネクタを使用する」を参照してください。 Power Platform コネクタ DLP の詳細については、データの消失防止ポリシーに関する Power Platform の記事を参照してください。

共同作成者

この記事は、Microsoft によって保守されています。これは、もともと以下に執筆されたものです。

Vyas Dev Venugopalan | シニアスペシャリスト - Azure データ & AI

次の方法で共有

Power Platform を使用したシチズン AI