Lösningsidéer
I den här artikeln beskrivs en lösningsidé. Molnarkitekten kan använda den här vägledningen för att visualisera huvudkomponenterna för en typisk implementering av den här arkitekturen. Använd den här artikeln som utgångspunkt för att utforma en välkonstruerad lösning som överensstämmer med arbetsbelastningens specifika krav.
Lär dig hur Azure Mašinsko učenje kan hjälpa dig att förutse toppar i efterfrågan på energiprodukter och tjänster.
Arkitektur
Ladda ned en Visio-fil med den här arkitekturen.
Dataflöde
- Tidsseriedata kan lagras i olika format, beroende på dess ursprungliga källa. Data kan lagras som filer i Azure Data Lake Storage eller i tabellform i Azure Synapse eller Azure SQL Database.
- Läs: Azure Mašinsko učenje (ML) kan ansluta och läsa från sådana källor. Inmatning av tidsseriedata till Azure Mašinsko učenje gör det möjligt för automatisk maskininlärning (AutoML) att förbearbeta data och träna och registrera en modell.
- Det första steget i AutoML är konfiguration och förbearbetning av tidsseriedata. I det här steget förbereds de angivna data för träning. Data styr följande funktioner och prognostiserade konfigurationer:
- Imputerade saknade värden
- Semester- och DateTime-funktionsutveckling
- Fördröjningar och rullande fönster
- Korsvalidering av rullande ursprung
- Under träningsfasen använder AutoML den förbearbetade datamängden för att träna, välja och förklara den bästa prognosmodellen.
- Modellträning: Ett brett utbud av maskininlärningsmodeller kan användas, allt från klassisk prognostisering, djupa neurala nätverk och regressionsmodeller.
- Modellutvärdering: Utvärdering av modeller gör att AutoML kan utvärdera prestanda för varje tränad modell, och det gör att du kan välja den modell som fungerar bäst för distribution.
- Förklaring: AutoML ger förklaring för den valda modellen, vilket gör att du bättre kan förstå vilka funktioner som driver modellresultaten.
- Modellen med bästa prestanda registreras i Azure Mašinsko učenje med Hjälp av AutoML, vilket gör den tillgänglig för distribution.
- Distribuera: Modellen som är registrerad i Azure Mašinsko učenje kan distribueras, vilket ger en liveslutpunkt som kan exponeras för slutsatsdragning.
- Distributionen kan göras via Azure Kubernetes Service (AKS), medan du kör ett Kubernetes-hanterat kluster där containrarna distribueras från avbildningar som lagras i Azure Container Registry. Du kan också använda Azure Container Instances i stället för AKS.
- Slutsatsdragning: När modellen har distribuerats kan inferensen av nya data göras via den tillgängliga slutpunkten. Batch- och nästan realtidsförutsägelser kan stödjas. Slutsatsdragningsresultatet kan lagras som dokument i Azure Data Lake Storage eller i tabellformat i Azure Synapse eller Azure SQL Database.
- Visualisera: De lagrade modellresultaten kan användas via användargränssnitt, till exempel Power BI-instrumentpaneler eller via anpassade webbprogram. Resultatet skrivs till ett lagringsalternativ i fil- eller tabellformat och indexeras sedan korrekt av Azure Cognitive Search. Modellen körs som batchinferens och lagrar resultatet i respektive datalager.
Komponenter
- Azure Data Factory: Hantera datamanipulering och förberedelse.
- Automatiserad azure-Mašinsko učenje: Använd Azure ML för att prognostisera energibehovet i en viss region.
- MLOps: Utforma, distribuera och hantera arbetsflöden för produktionsmodeller.
- Power BI Azure ML-integrering: Användning av modellförutsägelse resulterar i Power BI.
Information om scenario
Energiförbrukningen och efterfrågan på energi förändras över tid. Övervakningen av den här ändringen över tid resulterar i tidsserier som kan användas för att förstå mönster och för att förutsäga framtida beteenden. Azure Mašinsko učenje kan hjälpa dig att förutse toppar i efterfrågan på energiprodukter och tjänster.
Den här lösningen bygger på följande Azure-hanterade tjänster:
De här tjänsterna körs i en miljö med hög tillgänglighet, med korrigeringar och stöd, så att du kan fokusera på dina lösningar i stället för på den miljö som de körs i.
Potentiella användningsfall
Den här lösningen är idealisk för energiindustrin.
Deltagare
Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.
Huvudförfattare:
- Dr Carlos Santos | Senior Cloud Solution Architect – AI & Data Science
Nästa steg
Se följande produktdokumentation:
- Välkommen till Stream Analytics
- Vad är Event Hubs?
- Azure SQL-dokumentation
- Läs mer om Data Factory
- Vad är Azure Machine Learning?
- prognostisering för Mašinsko učenje- och tidsserier
- Power BI
Läs mer:
- Konfigurera AutoML för att träna en prognosmodell för tidsserier med Python
- Prova Mašinsko učenje Notebook för prognostisering med hjälp av datauppsättningen Energiefterfrågan.
- Prova Microsoft Learn-modulen Använda automatiserad maskininlärning i Azure Mašinsko učenje.