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
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
- Samla alla dina strukturerade, ostrukturerade och halvstrukturerade data (loggar, filer och media) i Azure Data Lake Storage Gen2.
- Använd Apache Spark i Azure Synapse Analytics för att rensa, transformera och analysera datauppsättningar.
- Skapa och träna maskininlärningsmodeller i Azure Machine Learning.
- Kontrollera åtkomst och autentisering för data och maskininlärningsarbetsytan med Microsoft Entra-ID och Azure Key Vault. Hantera containrar med Azure Container Registry.
- Distribuera maskininlärningsmodellen till en container med Hjälp av Azure Kubernetes Services, skydda och hantera distributionen med virtuella Azure-nätverk och Azure Load Balancer.
- Utvärdera modellprestanda med hjälp av loggmått och övervakning från Azure Monitor.
- Träna om modeller efter behov i Azure Machine Learning.
- 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:
- Sheri Gilley | Senior innehållsutvecklare
- Larry Franks | Innehållsutvecklare
- Lauryn Gayhardt | Innehållsutvecklare
- Samantha Salgado | Innehållsutvecklare
Om du vill se icke-offentliga LinkedIn-profiler loggar du in på LinkedIn.
Nästa steg
Se dokumentationen för viktiga tjänster i den här lösningen:
- Dokumentation om Azure Machine Learning
- Azure Synapse Analytics-dokumentation
- Dokumentation om Azure Data Lake Storage Gen2
- Dokumentation om Azure Container Registry
- Dokumentation om Azure Kubernetes Service
- Dokumentation för Azure Monitor
- Dokumentation om Azure Key Vault
- Dokumentation om Azure Load Balancer
- Power BI-dokumentation.
Relaterade resurser
Se relaterad vägledning om Azure Architecture Center:
- Jämför maskininlärningsprodukter och -tekniker från Microsoft
- Ramverk för maskininlärningsåtgärder (MLOps) för att skala upp livscykeln för maskininlärning med Azure Machine Learning
- Distribuera AI och maskininlärningsberäkning lokalt och till gränsen
- Många modeller maskininlärning i stor skala med Azure Machine Learning
- Skala AI- och maskininlärningsinitiativ i reglerade branscher
- Förutsäga återtaganden på sjukhus med hjälp av traditionella och automatiserade maskininlärningstekniker
- Säker forskningsmiljö för reglerade data