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.
I den här artikeln beskrivs en lösning för att automatisera dataanalys och visualisering med hjälp av artificiell intelligens (AI). Kärnkomponenterna i lösningen är Azure Functions, Azure Cognitive Services och Azure Database for MySQL.
Arkitektur
Ladda ned en Visio-fil med den här arkitekturen.
Dataflöde
- Med en Azure-funktionsaktivitet kan du utlösa en Azure Functions-app i Azure Data Factory-pipelinen. Du skapar en länkad tjänstanslutning och använder den länkade tjänsten med en aktivitet för att ange den Azure-funktion som du vill köra.
- Data kommer från olika källor, till exempel Azure Storage eller Azure Event Hubs för data med stora volymer. När pipelinen tar emot nya data utlöses Azure Functions-appen.
- Azure Functions-appen anropar Cognitive Services-API:et för att analysera data.
- Cognitive Services-API:et returnerar resultatet av analysen i JSON-format till Azure Functions-appen.
- Azure Functions-appen lagrar data och resultat från Cognitive Services-API:et i Azure Database for MySQL.
- Azure Machine Learning använder anpassade maskininlärningsalgoritmer för att ge ytterligare insikter om data.
- MySQL-databasanslutningsappen för Power BI innehåller alternativ för datavisualisering och analys i Power BI eller ett anpassat webbprogram.
Komponenter
- Data Factory
- Funktioner
- Event Hubs
- Blob Storage
- Cognitive Services
- Cognitive Service for Language
- Azure Database for MySQL
- Machine Learning Studio
- Power BI
Alternativ
- Den här lösningen använder Azure Functions för att bearbeta data när de tas emot. Om det redan finns en stor mängd data i datakällan bör du överväga former av batchbearbetning.
- Azure Stream Analytics tillhandahåller händelsebearbetning för stora mängder snabbuppspelningsdata som tas emot samtidigt från flera källor. Stream Analytics stöder även integrering med Power BI.
- Om du vill jämföra den här lösningen med alternativ kan du läsa följande resurser:
Information om scenario
Den automatiserade pipelinen använder följande tjänster för att analysera data:
- Cognitive Services använder AI för frågesvar, attitydanalys och textöversättning.
- Azure Machine Learning tillhandahåller maskininlärningsverktyg för förutsägelseanalys.
Lösningen automatiserar leveransen av dataanalysen. En anslutningsapp länkar Azure Database for MySQL med visualiseringsverktyg som Power BI.
Arkitekturen använder en Azure Functions-app för att mata in data från flera datakällor. Det är en serverlös lösning som erbjuder följande fördelar:
- Infrastrukturunderhåll: Azure Functions är en hanterad tjänst som gör att utvecklare kan fokusera på innovativt arbete som ger mervärde till verksamheten.
- Skalbarhet: Azure Functions tillhandahåller beräkningsresurser på begäran, så funktionsinstanser skalas efter behov. När begäranden faller släpps resurser och programinstanser automatiskt.
Potentiella användningsfall
Den här lösningen är perfekt för organisationer som kör förutsägelseanalyser på data från olika källor. Exempel är organisationer i följande branscher:
- Ekonomi
- Utbildning
- Telekommunikation
Att tänka på
För de flesta funktioner har Cognitive Service for Language API en maximal storlek på 5120 tecken för ett enda dokument. För alla funktioner är den maximala begärandestorleken 1 MB. Mer information om data- och hastighetsgränser finns i Tjänstgränser för Azure Cognitive Service for Language.
Tidigare versioner av den här lösningen använde Cognitive Services Textanalys API. Azure Cognitive Service for Language förenar nu tre enskilda språktjänster i Cognitive Services: Textanalys, QnA Maker och Language Understanding (LUIS). Du kan enkelt migrera från Textanalys-API:et till Cognitive Service for Language API. Anvisningar finns i Migrera till den senaste versionen av Azure Cognitive Service for Language.
Deltagare
Den här artikeln underhålls av Microsoft. Den skrevs ursprungligen av följande deltagare.
Huvudförfattare:
- Matt Cowen | Senior Cloud Solution Architect
Om du vill se icke-offentliga LinkedIn-profiler loggar du in på LinkedIn.
Nästa steg
- Funktioner
- Azure Function-aktivitet i Azure Data Factory
- Data Factory
- Event Hubs
- Blob Storage
- Cognitive Services
- Azure Cognitive Service for Language
- Azure Database for MySQL
- Azure Machine Learning
- Power BI
Relaterade resurser
Följande lösningsidéer har Azure Database for MySQL: