Burger-AI met Power Platform

De volgende architectuur breidt het end-to-end van analyse uit met het Azure Synapse Analytics-scenario . Hiermee kan een aangepast ML-model (Machine Learning) worden getraind in Azure Machine Learning en worden geïmplementeerd met een aangepaste toepassing die is gebouwd met behulp van Microsoft Power Platform.

Architectuur

Download een Visio-bestand van deze architectuur.

Werkstroom

De werkstroom bestaat uit de volgende stappen:

• Opnemen
• Opslaan
• Een model trainen en implementeren
• Verbruiken

Opnemen

Gebruik Azure Synapse Pipelines om batchgegevens op te halen uit verschillende bronnen, zowel on-premises als in de cloud. Deze lambda-architectuur heeft twee gegevensopnamestromen: streaming en batch. Ze worden hier beschreven:

• Streaming: In de bovenste helft van het voorgaande architectuurdiagram bevinden zich de streaminggegevensstromen (bijvoorbeeld big data-streams en IoT-apparaten).
  • U kunt Azure Event Hubs of Azure IoT Hub gebruiken om gegevensstromen op te nemen die zijn gegenereerd door clienttoepassingen of IoT-apparaten. Event Hubs of IoT Hub opnemen en streaminggegevens opslaan, waarbij de volgorde van ontvangen gebeurtenissen behouden blijft. Consumenten kunnen verbinding maken met hub-eindpunten om berichten op te halen voor verwerking.
• Batch: In de onderste helft van het architectuurdiagram worden gegevens opgenomen en verwerkt in batches zoals:

  • Ongestructureerde gegevens (bijvoorbeeld video, afbeeldingen, audio en vrije tekst)

  • Semi-gestructureerde gegevens (bijvoorbeeld JSON, XML, CSV en logboeken)

  • Gestructureerde gegevens (bijvoorbeeld relationele databases en Azure Data Services)

    Azure Synapse Link maakt een nauwe naadloze integratie tussen Azure Cosmos DB en Azure Synapse Analytics. Azure Synapse Pipelines kan worden geactiveerd op basis van een vooraf gedefinieerd schema of als reactie op een gebeurtenis. Ze kunnen ook worden aangeroepen door REST API's aan te roepen.

Opslaan

Opgenomen gegevens kunnen rechtstreeks in onbewerkte indeling terechtkomen en vervolgens worden getransformeerd in Azure Data Lake. Gegevens die eenmaal zijn gecureerd en getransformeerd naar relationele structuren, kunnen worden gepresenteerd voor gebruik in Azure Synapse Analytics.

Een model trainen en implementeren

Machine Learning biedt een ml-service op bedrijfsniveau voor het sneller bouwen en implementeren van modellen. Het biedt gebruikers op alle vaardigheidsniveaus een ontwerpfunctie met weinig code, geautomatiseerde ML en een gehoste Jupyter-notebookomgeving. Modellen kunnen worden geïmplementeerd als realtime-eindpunten in Azure Kubernetes Service of als een door Machine Learning beheerd eindpunt. Voor batchdeductie van ML-modellen kunt u Machine Learning-pijplijnen gebruiken.

Verbruiken

Een batch- of realtimemodel dat is gepubliceerd in Machine Learning, kan een REST-eindpunt genereren dat kan worden gebruikt in een aangepaste toepassing die is gebouwd met behulp van het Power Apps-platform met weinig code. U kunt ook een realtime Machine Learning-eindpunt aanroepen vanuit een Power BI-rapport om voorspellingen in bedrijfsrapporten weer te geven.

Onderdelen

U kunt de volgende onderdelen gebruiken.

Power Platform-services

• Power Platform: een set hulpprogramma's voor het analyseren van gegevens, het bouwen van oplossingen, het automatiseren van processen en het maken van virtuele agents. Het bevat Power Apps, Power Automate, Power BI en Power Virtual Agents.
• Power Apps: Een suite met apps, services, connectors en gegevensplatform. Het biedt een snelle ontwikkelomgeving voor toepassingen om aangepaste apps te bouwen voor uw bedrijfsbehoeften.
• Power Automate: een service waarmee u geautomatiseerde werkstromen kunt maken tussen uw favoriete apps en services. Gebruik het om bestanden te synchroniseren, meldingen te ontvangen, gegevens te verzamelen, enzovoort.
• Power BI: Een verzameling softwareservices, apps en connectors die samenwerken om uw niet-gerelateerde gegevensbronnen om te zetten in coherente, visueel meeslepende en interactieve inzichten.

Azure-services

• Machine Learning: Een ML-service op bedrijfsniveau voor het snel bouwen en implementeren van modellen. Het biedt gebruikers op alle vaardigheidsniveaus een ontwerpfunctie met weinig code, geautomatiseerde ML en een gehoste Jupyter-notebookomgeving ter ondersteuning van uw eigen favoriete IDE van uw keuze.
• Door Machine Learning beheerde eindpunten: online-eindpunten waarmee u uw model kunt implementeren zonder dat u de onderliggende infrastructuur hoeft te maken en beheren.
• Azure Kubernetes Service: ML biedt verschillende ondersteuning voor verschillende rekendoelen. Azure Kubernetes Service is een dergelijk doel. Dit is een uitstekende oplossing voor realtime modeleindpunten op bedrijfsniveau.
• Azure Data Lake: een hadoop-compatibel bestandssysteem. Het heeft een geïntegreerde hiërarchische naamruimte en de enorme schaal en economie van Azure Blob Storage.
• Azure Synapse Analytics: een onbeperkte analyseservice die gegevensintegratie, zakelijke datawarehousing en big data-analyses combineert.
• Event Hubs en IoT Hub: beide services nemen gegevensstromen op die worden gegenereerd door clienttoepassingen of IoT-apparaten. Vervolgens worden streaminggegevens opgenomen en opgeslagen, waarbij de volgorde van ontvangen gebeurtenissen behouden blijft. Consumenten kunnen verbinding maken met de hub-eindpunten om berichten op te halen voor verwerking.

Platformservices

Als u de kwaliteit van uw Azure-oplossingen wilt verbeteren, volgt u de aanbevelingen en richtlijnen in het Azure Well-Architected Framework. Het framework bestaat uit vijf pijlers van architectonische uitmuntendheid:

• Kostenoptimalisatie
• Operationele uitmuntendheid
• Prestatie-efficiëntie
• Betrouwbaarheid
• Beveiliging

Als u een ontwerp wilt maken dat deze aanbevelingen respecteert, moet u rekening houden met de volgende services:

• Microsoft Entra ID: Identiteitsservices, eenmalige aanmelding en meervoudige verificatie in Azure-workloads.
• Azure Cost Management en facturering: Financieel beheer over uw Azure-workloads.
• Azure Key Vault: veilig referentie- en certificaatbeheer.
• Azure Monitor: Verzameling, analyse en weergave van telemetrie van uw Azure-resources. Gebruik Monitor om proactief problemen te identificeren om de prestaties en betrouwbaarheid te maximaliseren.
• Microsoft Defender voor Cloud: de beveiligingspostuur van uw Azure-workloads versterken en bewaken.
• Azure DevOps & GitHub: DevOps-procedures implementeren om automatisering en naleving van uw workloadontwikkelings- en implementatiepijplijnen af te dwingen voor Azure Synapse Analytics en Machine Learning.
• Azure Policy: implementeer organisatiestandaarden en -governance voor resourceconsistentie, naleving van regelgeving, beveiliging, kosten en beheer.

Alternatieven

Een machine learning MVP profiteert van snelheid tot resultaat. In sommige gevallen kan aan de behoeften van een aangepast model worden voldaan door vooraf getrainde Azure Cognitive Services of Azure-app lied AI Services. In andere gevallen kan Power Apps AI Builder geschikt zijn voor een doelmodel.

Scenariodetails

Een algemene technologietrend is de groeiende populariteit van burger-AI-rollen. Dergelijke rollen zijn zakelijke beoefenaars die bedrijfsprocessen willen verbeteren door middel van de toepassing van ML- en AI-technologieën. Een belangrijke bijdrager aan deze trend is de groeiende volwassenheid en beschikbaarheid van hulpprogramma's met weinig code voor het ontwikkelen van ML-modellen.

Vanwege een bekend hoog storingspercentage voor dergelijke initiatieven, wordt de mogelijkheid om snel een prototype te maken en een AI-toepassing in een echte instelling te valideren een belangrijke enabler voor een fail-fast aanpak. Er zijn twee belangrijke hulpprogramma's voor het ontwikkelen van modellen die processen moderniseren en transformatieve resultaten stimuleren:

• Een ML-toolkit voor alle vaardigheidsniveaus
  • Biedt ondersteuning voor no-code voor volledig gecodeerde ML-ontwikkeling
  • Heeft een flexibele GUI met weinig code
  • Hiermee kunnen gebruikers snel gegevens ophalen en voorbereiden
  • Hiermee kunnen gebruikers snel modellen bouwen en implementeren
  • Heeft geavanceerde, geautomatiseerde ML-mogelijkheden voor het ontwikkelen van ML-algoritmen
• Een toolkit voor het ontwikkelen van toepassingen met weinig code
  • Hiermee kunnen gebruikers aangepaste toepassingen en automatiseringswerkstromen bouwen
  • Hiermee maakt u werkstromen zodat consumenten en bedrijfsprocessen kunnen communiceren met een ML-model

Machine Learning voldoet aan de rol van een GUI met weinig code voor ML-ontwikkeling. Het heeft geautomatiseerde ML en implementatie voor batch- of realtime-eindpunten. Power Platform, dat Power Apps en Power Automate bevat, biedt de toolkits om snel een aangepaste toepassing en werkstroom te bouwen waarmee uw ML-algoritme wordt geïmplementeerd. Zakelijke gebruikers kunnen nu ML-toepassingen op productieniveau bouwen om verouderde bedrijfsprocessen te transformeren.

Potentiële gebruikscases

Deze toolkits minimaliseren de tijd en moeite die nodig zijn om de voordelen van een ML-model in een bedrijfsproces te prototypen. U kunt eenvoudig een prototype uitbreiden naar een toepassing op productieniveau. De toepassingen voor deze technieken zijn onder andere:

• Productie-ops met verouderde toepassingen die gebruikmaken van verouderde deterministische voorspellingen. Dergelijke situaties kunnen profiteren van de verbeterde nauwkeurigheid van een ML-model. Het bewijzen van verbeterde nauwkeurigheid vereist zowel een model- als ontwikkelingsinspanning om te integreren met verouderde systemen on-premises.
• Call Center Ops met verouderde toepassingen die niet worden aangepast wanneergegevens worden gewijzigd. Modellen die automatisch opnieuw worden getraind, kunnen een aanzienlijke toename bieden in de nauwkeurigheid van de verloopvoorspelling of risicoprofilering. Validatie vereist integratie met bestaande systemen voor klantrelatiebeheer en ticketbeheer. Integratie kan duur zijn.

Overwegingen

Wanneer u deze services gebruikt om een proof of concept of MVP te maken, bent u niet klaar. Er is meer werk om een productieoplossing te maken. Frameworks zoals het Well-Architected Framework bieden referentierichtlijnen en best practices die u op uw architectuur kunt toepassen.

Beschikbaarheid

De meeste onderdelen die in dit voorbeeldscenario worden gebruikt, zijn beheerde services die automatisch worden geschaald. De beschikbaarheid van de services die in dit voorbeeld worden gebruikt, verschilt per regio.

Voor apps op basis van ML is doorgaans één set resources nodig voor training en een andere voor de server. Resources die nodig zijn voor training hebben over het algemeen geen hoge beschikbaarheid nodig, omdat live productieaanvragen deze resources niet rechtstreeks raken. Resources die nodig zijn voor het verwerken van aanvragen, hebben hoge beschikbaarheid nodig.

DevOps

DevOps-procedures worden gebruikt om de end-to-end benadering te organiseren die in dit voorbeeld wordt gebruikt. Als uw organisatie niet bekend is met DevOps, kan de DevOps-controlelijst u helpen aan de slag te gaan.

In de DevOps-handleiding voor Machine Learning worden aanbevolen procedures en leermateriaal gepresenteerd over het aannemen van ML-bewerkingen (MLOps) in de onderneming met Machine Learning.

DevOps-automatisering kan worden toegepast op de Power Platform-oplossing in dit voorbeeld. Zie Power Platform Build Tools voor Azure DevOps voor meer informatie over Power Platform DevOps : Power Platform.

Kostenoptimalisatie

Kostenoptimalisatie gaat over manieren om onnodige uitgaven te verminderen en operationele efficiëntie te verbeteren. Zie Overzicht van de pijler kostenoptimalisatie voor meer informatie.

Azure-prijzen: IaaS-services (Infrastructure as a Service) van derden en PaaS-services (Platform as a Service) in Azure gebruiken een prijsmodel op basis van verbruik. Ze hebben geen licentie of abonnementskosten nodig. Gebruik in ieder geval de prijscalculator om een schatting van de kosten te maken. Zie Kostenoptimalisatie in het Well-Architected Framework voor andere overwegingen.

Prijzen voor Power Platform: Power Apps, Power Automate en Power BI zijn SaaS-toepassingen en hebben hun eigen prijsmodellen, waaronder per app-abonnement en per gebruiker.

Dit scenario implementeren

Houd rekening met dit bedrijfsscenario. Een veldagent maakt gebruik van een app waarmee de marktprijs van een auto wordt geschat. U kunt Machine Learning gebruiken om snel een prototype te maken van een ML-model van deze app. U gebruikt een ontwerpfunctie met weinig code en ML-functies om het model te maken en vervolgens te implementeren als een realtime REST-eindpunt.

Het model kan het concept bewijzen, maar een gebruiker heeft geen eenvoudige manier om een model te gebruiken dat is geïmplementeerd als een REST API. Power Platform kan helpen deze laatste mijl te sluiten, zoals hier wordt weergegeven.

Hier volgt een gebruikersinterface voor de app, gemaakt in Power Apps met behulp van de interface met weinig code die Power Apps biedt.

U kunt Power Automate gebruiken om een werkstroom met weinig code te bouwen om de invoer van de gebruiker te parseren, door te geven aan het Machine Learning-eindpunt en de voorspelling op te halen. U kunt Power BI ook gebruiken om te communiceren met het Machine Learning-model en aangepaste bedrijfsrapporten en dashboards te maken.

Als u dit end-to-end-voorbeeld wilt implementeren, volgt u stapsgewijze instructies in Car Price Predictor - Azure ML + Power App Solution.

Uitgebreide scenario's

Houd rekening met de volgende scenario's.

Implementeren in Teams

De voorbeeld-app in het voorgaande voorbeeld kan ook worden geïmplementeerd in Microsoft Teams. Teams biedt een geweldig distributiekanaal voor uw apps en biedt uw gebruikers een gezamenlijke app-ervaring. Zie Uw app publiceren met behulp van Power Apps in Teams: Power Apps voor meer informatie over het implementeren van een app in Teams.

De API van meerdere apps en automatiseringen gebruiken

In dit voorbeeld configureren we een Power Automate-cloudstroom om het REST-eindpunt te gebruiken als een HTTP-actie. In plaats daarvan kunnen we een aangepaste connector instellen voor het REST-eindpunt en deze rechtstreeks vanuit Power Apps of vanuit Power Automate gebruiken. Deze benadering is handig als we willen dat meerdere apps hetzelfde eindpunt gebruiken. Het biedt ook governance met behulp van het DLP-beleid (Data Loss Prevention) van de connector in het Power Platform-beheercentrum. Zie Een aangepaste connector gebruiken vanuit een Power Apps-app om een aangepaste connector te maken. Zie Het beleid voor preventie van gegevensverlies in Power Platform voor meer informatie over de DLP van de Power Platform-connector: Power Platform.

Bijdragers

Dit artikel wordt onderhouden door Microsoft. Het is oorspronkelijk geschreven door:

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

Volgende stappen

• Hoe Machine Learning werkt: architectuur en concepten
• Intelligente toepassingen bouwen die zijn samengevoegd met AI van wereldklasse

Verwante resources

• End-to-end-analyse met Azure Synapse Analytics
• End-to-end productie met behulp van computer vision aan de rand
• Kunstmatige intelligentie (AI)
• De ML-producten en -technologieën van Microsoft vergelijken
• MlOps-framework (Machine Learning Operations) om de ML-levenscyclus te verbeteren met Machine Learning