Medborgar-AI med Power Platform

Följande arkitektur utökar analys från slutpunkt till slutpunkt med Azure Synapse Analytics-scenariot . Det gör att en anpassad maskininlärningsmodell (ML) kan tränas i Azure Machine Learning och implementeras med ett anpassat program som skapats med hjälp av Microsoft Power Platform.

Arkitektur

Ladda ned en Visio-fil med den här arkitekturen.

Arbetsflöde

Arbetsflödet består av följande steg:

• Mata in
• Store
• Träna och distribuera en modell
• Förbruka

Mata in

Använd Azure Synapse Pipelines för att hämta batchdata från olika källor, både lokalt och i molnet. Den här lambda-arkitekturen har två datainmatningsflöden: strömning och batch. De beskrivs här:

• Direktuppspelning: I den övre halvan av föregående arkitekturdiagram finns strömmande dataflöden (till exempel stordataströmmar och IoT-enheter).
  • Du kan använda Azure Event Hubs eller Azure IoT Hub för att mata in dataströmmar som genereras av klientprogram eller IoT-enheter. Event Hubs eller IoT Hub matar in och lagrar strömmande data, vilket bevarar sekvensen av mottagna händelser. Konsumenter kan ansluta till hubbslutpunkter för att hämta meddelanden för bearbetning.
• Batch: I den nedre halvan av arkitekturdiagrammet matas data in och bearbetas i batchar som:

  • Ostrukturerade data (till exempel video, bilder, ljud och fritext)

  • Halvstrukturerade data (till exempel JSON, XML, CSV och loggar)

  • Strukturerade data (till exempel relationsdatabaser och Azure Data Services)

    Azure Synapse Link skapar en nära sömlös integrering mellan Azure Cosmos DB och Azure Synapse Analytics. Azure Synapse Pipelines kan utlösas baserat på ett fördefinierat schema eller som svar på en händelse. De kan också anropas genom att anropa REST-API:er.

Store

Inmatade data kan landa direkt i rådataformat och sedan transformeras på Azure Data Lake. Data som en gång har kurerats och transformerats till relationsstrukturer kan presenteras för förbrukning i Azure Synapse Analytics.

Träna och distribuera en modell

Machine Learning tillhandahåller en ML-tjänst i företagsklass för att skapa och distribuera modeller snabbare. Det ger användare på alla kunskapsnivåer en lågkodsdesigner, automatiserad ML och en värdbaserad Jupyter Notebook-miljö. Modeller kan distribueras antingen som realtidsslutpunkter i Azure Kubernetes Service eller som en hanterad Slutpunkt för Machine Learning. För batchinferens av ML-modeller kan du använda Machine Learning-pipelines.

Förbruka

En batch- eller realtidsmodell som publicerats i Machine Learning kan generera en REST-slutpunkt som kan användas i ett anpassat program som skapats med hjälp av power apps-plattformen med låg kod. Du kan också anropa en Machine Learning-slutpunkt i realtid från en Power BI-rapport för att presentera förutsägelser i affärsrapporter.

Komponenter

Du kan använda följande komponenter.

Power Platform-tjänster

• Power Platform: En uppsättning verktyg för att analysera data, skapa lösningar, automatisera processer och skapa virtuella agenter. Den innehåller Power Apps, Power Automate, Power BI och Power Virtual Agents.
• Power Apps: En uppsättning appar, tjänster, anslutningsappar och dataplattform. Det ger en snabb programutvecklingsmiljö för att skapa anpassade appar för dina affärsbehov.
• Power Automate: En tjänst som hjälper dig att skapa automatiserade arbetsflöden mellan dina favoritappar och tjänster. Använd den för att synkronisera filer, få meddelanden, samla in data och så vidare.
• Power BI: En samling programvarutjänster, appar och anslutningsappar som fungerar tillsammans för att omvandla dina orelaterade datakällor till sammanhängande, visuellt uppslukande och interaktiva insikter.

Azure-tjänster

• Machine Learning: En ML-tjänst i företagsklass för att snabbt skapa och distribuera modeller. Det ger användare på alla kunskapsnivåer en lågkodsdesigner, automatiserad ML och en värdbaserad Jupyter Notebook-miljö för att stödja din egen önskade IDE.
• Machine Learning-hanterade slutpunkter: Onlineslutpunkter som gör att du kan distribuera din modell utan att behöva skapa och hantera den underliggande infrastrukturen.
• Azure Kubernetes Service: ML har varierande stöd för olika beräkningsmål. Azure Kubernetes Service är ett sådant mål, vilket passar bra för realtidsmodellslutpunkter i företagsklass.
• Azure Data Lake: Ett Hadoop-kompatibelt filsystem. Den har ett integrerat hierarkiskt namnområde och den enorma skalan och ekonomin i Azure Blob Storage.
• Azure Synapse Analytics: En gränslös analystjänst som sammanför dataintegrering, lagring av företagsdata och stordataanalys.
• Event Hubs och IoT Hub: Båda tjänsterna matar in dataströmmar som genereras av klientprogram eller IoT-enheter. De matar sedan in och lagrar strömmande data, vilket bevarar sekvensen av mottagna händelser. Konsumenter kan ansluta till hubbslutpunkterna för att hämta meddelanden för bearbetning.

Plattformstjänster

För att förbättra kvaliteten på dina Azure-lösningar följer du rekommendationerna och riktlinjerna i Azure Well-Architected Framework. Ramverket består av fem grundpelare för arkitekturkvalitet:

• Kostnadsoptimering
• Driftsäkerhet
• Prestandaeffektivitet
• Tillförlitlighet
• Säkerhet

Tänk på följande tjänster för att skapa en design som respekterar dessa rekommendationer:

• Microsoft Entra-ID: Identitetstjänster, enkel inloggning och multifaktorautentisering i Azure-arbetsbelastningar.
• Azure Cost Management och fakturering: Ekonomisk styrning över dina Azure-arbetsbelastningar.
• Azure Key Vault: Säker hantering av autentiseringsuppgifter och certifikat.
• Azure Monitor: Insamling, analys och visning av telemetri från dina Azure-resurser. Använd Monitor för att proaktivt identifiera problem för att maximera prestanda och tillförlitlighet.
• Microsoft Defender för molnet: Stärka och övervaka säkerhetsstatusen för dina Azure-arbetsbelastningar.
• Azure DevOps & GitHub: Implementera DevOps-metoder för att framtvinga automatisering och efterlevnad av dina pipelines för utveckling och distribution av arbetsbelastningar för Azure Synapse Analytics och Machine Learning.
• Azure Policy: Implementera organisationsstandarder och styrning för resurskonsekvens, regelefterlevnad, säkerhet, kostnad och hantering.

Alternativ

En maskininlärnings-MVP drar nytta av hastighet till resultat. I vissa fall kan behoven för en anpassad modell uppfyllas av förtränad Azure Cognitive Services eller Azure Applied AI Services. I andra fall kan Power Apps AI Builder tillhandahålla en lämplig modell för en syftesmodell.

Information om scenario

En allmän tekniktrend är den växande populariteten för medborgar-AI-roller. Sådana roller är affärsutövare som vill förbättra affärsprocesser genom tillämpning av ML- och AI-tekniker. En viktig bidragande faktor till den här trenden är den växande mognaden och tillgängligheten för lågkodsverktyg för att utveckla ML-modeller.

På grund av en välkänd hög felfrekvens för sådana initiativ blir möjligheten att snabbt prototypera och validera ett AI-program i en verklig miljö en viktig möjliggörare för en felsnabb metod. Det finns två viktiga verktyg för att utveckla modeller som moderniserar processer och ger transformativa resultat:

• En ML-verktygslåda för alla kunskapsnivåer
  • Stöder ingen kod för fullständigt kodad ML-utveckling
  • Har ett flexibelt GUI med låg kod
  • Gör det möjligt för användare att snabbt hämta och förbereda data
  • Gör det möjligt för användare att snabbt skapa och distribuera modeller
  • Har avancerade, automatiserade ML-funktioner för ML-algoritmutveckling
• En verktygslåda för programutveckling med låg kod
  • Gör det möjligt för användare att skapa anpassade program och automatiseringsarbetsflöden
  • Skapar arbetsflöden så att konsumenter och affärsprocesser kan interagera med en ML-modell

Machine Learning uppfyller rollen som ett GUI med låg kod för ML-utveckling. Den har automatiserad ML och distribution till batch- eller realtidsslutpunkter. Power Platform, som innehåller Power Apps och Power Automate, tillhandahåller verktygen för att snabbt skapa ett anpassat program och arbetsflöde som implementerar ml-algoritmen. Företagsanvändare kan nu skapa ML-program i produktionsklass för att transformera äldre affärsprocesser.

Potentiella användningsfall

Dessa verktyg minimerar den tid och det arbete som krävs för att skapa prototyper av fördelarna med en ML-modell i en affärsprocess. Du kan enkelt utöka en prototyp till ett program i produktionsklass. Användningsområdena för dessa tekniker är:

• Tillverkning av ops med äldre program som använder inaktuella deterministiska förutsägelser. Sådana situationer kan dra nytta av den förbättrade noggrannheten hos en ML-modell. För att kunna bevisa bättre noggrannhet krävs både en modell och en utvecklingsinsats för att integreras med äldre system lokalt.
• Call Center Ops med äldre program som inte justeras närdata driver. Modeller som automatiskt tränar om kan ge en betydande ökning av förutsägelsen av omsättning eller riskprofileringsnoggrannhet. Validering kräver integrering med befintliga system för hantering av kundrelationer och biljetthantering. Integrering kan bli dyrt.

Att tänka på

När du använder dessa tjänster för att skapa ett konceptbevis eller MVP är du inte klar. Det finns mer arbete för att skapa en produktionslösning. Ramverk som Well-Architected Framework innehåller referensvägledning och metodtips för din arkitektur.

Tillgänglighet

De flesta komponenter som används i det här exempelscenariot är hanterade tjänster som skalas automatiskt. Tillgängligheten för de tjänster som används i det här exemplet varierar beroende på region.

Appar baserade på ML kräver vanligtvis en uppsättning resurser för träning och en annan för servering. Resurser som krävs för utbildning behöver vanligtvis inte hög tillgänglighet, eftersom liveproduktionsbegäranden inte når dessa resurser direkt. Resurser som krävs för att hantera begäranden behöver hög tillgänglighet.

DevOps

DevOps-metoder används för att samordna metoden från slutpunkt till slutpunkt som används i det här exemplet. Om din organisation är ny för DevOps kan DevOps Checklista hjälpa dig att komma igång.

I Machine Learning DevOps-guiden presenteras metodtips och utbildningar för att implementera ML-åtgärder (MLOps) i företaget med Machine Learning.

DevOps-automatisering kan tillämpas på Power Platform-lösningen i det här exemplet. Mer information om Power Platform DevOps finns i Power Platform Build Tools for Azure DevOps: Power Platform.

Kostnadsoptimering

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

Prissättning för Azure: IaaS-tjänster (infrastruktur som en tjänst från första part) och PaaS-tjänster (plattform som en tjänst) i Azure använder en förbrukningsbaserad prismodell. De kräver ingen licens eller prenumerationsavgift. Normalt beräknar du kostnader med hjälp av Azures priskalkylator. Andra överväganden finns i Kostnadsoptimering i det väldefinierade ramverket.

Priser för Power Platform: Power Apps, Power Automate och Power BI är SaaS-program och har egna prismodeller, inklusive per appplan och per användare.

Distribuera det här scenariot

Tänk på det här affärsscenariot. En fältagent använder en app som uppskattar en bils marknadspris. Du kan använda Machine Learning för att snabbt skapa en ML-modell för den här appen. Du använder en lågkodsdesigner och ML-funktioner för att skapa modellen och distribuera den sedan som en REST-slutpunkt i realtid.

Modellen kan bevisa konceptet, men en användare har inget enkelt sätt att använda en modell som implementeras som ett REST-API. Power Platform kan hjälpa dig att stänga den sista milen, som du ser här.

Här är ett användargränssnitt för appen som skapats i Power Apps med hjälp av det lågkodsgränssnitt som Power Apps tillhandahåller.

Du kan använda Power Automate för att skapa ett arbetsflöde med låg kod för att parsa användarens indata, skicka det till Machine Learning-slutpunkten och hämta förutsägelsen. Du kan också använda Power BI för att interagera med Machine Learning-modellen och skapa anpassade affärsrapporter och instrumentpaneler.

Om du vill distribuera det här exemplet från slutpunkt till slutpunkt följer du stegvisa instruktioner i Car Price Predictor – Azure ML + Power App Solution.

Utökade scenarier

Tänk på följande scenarier.

Distribuera till Teams

Exempelappen som anges i föregående exempel kan också distribueras till Microsoft Teams. Teams tillhandahåller en bra distributionskanal för dina appar och ger användarna en samarbetsappupplevelse. Mer information om hur du distribuerar en app till Teams med hjälp av Power Apps finns i Publicera din app med hjälp av Power Apps i Teams: Power Apps.

Använda API:et från flera appar och automatiseringar

I det här exemplet konfigurerar vi ett Power Automate-molnflöde för att använda REST-slutpunkten som en HTTP-åtgärd. Vi kan i stället konfigurera en anpassad anslutningsapp för REST-slutpunkten och använda den direkt från Power Apps eller från Power Automate. Den här metoden är användbar när vi vill att flera appar ska använda samma slutpunkt. Det ger också styrning med hjälp av principen för dataförlustskydd för anslutningsprogram (DLP) i administrationscentret för Power Platform. Information om hur du skapar en anpassad anslutningsapp finns i Använda en anpassad anslutningsapp från en Power Apps-app. Mer information om DLP för Power Platform-anslutningsappen finns i Principer för dataförlustskydd: Power Platform.

Deltagare

Den här artikeln underhålls av Microsoft. Den skrevs ursprungligen av:

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

Nästa steg

• Så här fungerar Machine Learning: Arkitektur och begrepp
• Skapa intelligenta program med AI i världsklass

Relaterade resurser

• Analys från slutpunkt till slutpunkt med Azure Synapse Analytics
• Tillverkning från slutpunkt till slutpunkt med hjälp av visuellt innehåll på gränsen
• Artificiell intelligens (AI)
• Jämför ML-produkter och -tekniker från Microsoft
• Ramverk för maskininlärningsåtgärder (MLOps) för att skala upp ML-livscykeln med Machine Learning