Redigera

Azure Machine Learning-arkitektur

Azure Machine Learning
Azure Synapse Analytics
Azure Container Registry
Azure Monitor
Power BI

Lösningsidéer

Den här artikeln är en lösningsidé. Om du vill att vi ska utöka innehållet med mer information, till exempel potentiella användningsfall, alternativa tjänster, implementeringsöverväganden eller prisvägledning, kan du meddela oss genom att ge GitHub-feedback.

Den här arkitekturen visar de komponenter som används för att skapa, distribuera och hantera högkvalitativa modeller med Azure Machine Learning, en tjänst för maskininlärningslivscykeln från slutpunkt till slutpunkt.

Arkitektur

Diagram över en arkitektur för maskininlärningslösningar med Azure Machine Learning med Azure-tjänster för lagring, dataanalys, övervakning, autentisering och säker distribution.

Ladda ned en Visio-fil med den här arkitekturen.

Kommentar

Arkitekturen som beskrivs i den här artikeln baseras på Azure Machine Learnings CLI och Python SDK v1. Mer information om nya V2 SDK och CLI finns i Vad är CLI och SDK v2.

Dataflöde

  1. Samla alla dina strukturerade, ostrukturerade och halvstrukturerade data (loggar, filer och media) i Azure Data Lake Storage Gen2.
  2. Använd Apache Spark i Azure Synapse Analytics för att rensa, transformera och analysera datauppsättningar.
  3. Skapa och träna maskininlärningsmodeller i Azure Machine Learning.
  4. Kontrollera åtkomst och autentisering för data och maskininlärningsarbetsytan med Microsoft Entra-ID och Azure Key Vault. Hantera containrar med Azure Container Registry.
  5. Distribuera maskininlärningsmodellen till en container med Hjälp av Azure Kubernetes Services, skydda och hantera distributionen med virtuella Azure-nätverk och Azure Load Balancer.
  6. Utvärdera modellprestanda med hjälp av loggmått och övervakning från Azure Monitor.
  7. Träna om modeller efter behov i Azure Machine Learning.
  8. Visualisera datautdata med Power BI.

Komponenter

  • Azure Machine Learning är en maskininlärningstjänst i företagsklass för maskininlärningslivscykeln från slutpunkt till slutpunkt.
  • Azure Synapse Analytics är en enhetlig tjänst där du kan mata in, utforska, förbereda, transformera, hantera och hantera data för omedelbara BI- och maskininlärningsbehov.
  • Azure Data Lake Storage Gen2 är en massivt skalbar och säker datasjö för dina arbetsbelastningar med högpresterande analys.
  • Azure Container Registry är ett register över Docker- och Open Container Initiative-avbildningar (OCI) med stöd för alla OCI-artefakter. Skapa, lagra, säkra, skanna, replikera och hantera containeravbildningar och -artefakter med en helt hanterad, georeplikerad instans av OCI-distribution.
  • Azure Kubernetes Service Azure Kubernetes Service (AKS) erbjuder serverlösa Kubernetes, en integrerad ci/CD-upplevelse (kontinuerlig integrering och kontinuerlig leverans) samt säkerhet och styrning i företagsklass. Distribuera och hantera program i containrar enklare med en fullständigt hanterad Kubernetes-tjänst.
  • Med Azure Monitor kan du samla in, analysera och agera på telemetridata från dina Azure- och lokala miljöer. Med Azure Monitor kan du maximera prestanda och tillgänglighet för dina program och proaktivt identifiera problem på bara några sekunder.
  • Azure Key Vault skyddar kryptografiska nycklar och andra hemligheter som används av molnappar och -tjänster.
  • Azure Load Balancer lastbalanserar internet- och privat nätverkstrafik med höga prestanda och låg svarstid. Load Balancer fungerar på virtuella datorer, VM-skalningsuppsättningar och IP-adresser.
  • Power BI är en uppsättning verktyg för affärsanalys som ger insikter i hela organisationen. Anslut till hundratals datakällor, förenkla dataförberedelser och köra oplanerad analys. Producera snygga rapporter och publicera dem därefter så att organisationen kan använda dem på webben och i mobila enheter.

Information om scenario

Skapa, distribuera och hantera högkvalitativa modeller med Azure Machine Learning, en tjänst för maskininlärningslivscykeln från slutpunkt till slutpunkt. Använd branschledande MLOps (maskininlärningsåtgärder), samverkan med öppen källkod och integrerade verktyg på en säker och betrodd plattform som är utformad för ansvarsfull maskininlärning.

Potentiella användningsfall

  • Använd maskininlärning som en tjänst.
  • Enkelt och flexibelt bygggränssnitt.
  • Många olika algoritmer som stöds.
  • Enkel implementering av webbtjänster.
  • Bra dokumentation för maskininlärningslösningar.

Att tänka på

Dessa överväganden implementerar grundpelarna i Azure Well-Architected Framework, som är en uppsättning vägledande grundsatser som kan användas för att förbättra kvaliteten på en arbetsbelastning. Mer information finns i Microsoft Azure Well-Architected Framework.

Kostnadsoptimering

Kostnadsoptimering handlar om att titta på sätt att minska onödiga utgifter och förbättra drifteffektiviteten. Mer information finns i Översikt över kostnadsoptimeringspelare.

Deltagare

Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.

Huvudsakliga författare:

Om du vill se icke-offentliga LinkedIn-profiler loggar du in på LinkedIn.

Nästa steg

Se dokumentationen för viktiga tjänster i den här lösningen:

Se relaterad vägledning om Azure Architecture Center: