Real-Time Intelligence 与同类 Azure 解决方案之间的区别是什么?

Real-Time 智能和可比的 Azure 解决方案可帮助组织处理时间敏感数据。 这些源生成时间敏感的复杂数据点、事件和信号。 数据可能来自来自物理资产(例如工厂、车辆、塔和 IoT Edge 设备)的传感器数据等源;从支持面向客户的 Web 和移动应用程序的数据库更改数据捕获(CDC)流;以及来自本地和云基础结构和应用程序的日志。 这些数据流可帮助组织关闭数字反馈循环,详细了解客户如何使用其物理资产和数字资产,并不断提高其提供的价值,以保持竞争力。

为了获取此值,组织构建实时数据流式处理体系结构,这些体系结构同时使用云和本地数据服务进行数据捕获、传输和转换。 这些体系结构通常使用 Azure 事件中心、Azure 事件网格、Apache Kafka、Amazon Kinesis、IBM 消息队列和 Google Pub/Sub 等产品。 当数据到达云时,它会经历处理和转换(热、暖和冷路径)的阶段,然后才能登陆 Azure 数据资源管理器、Azure Synapse Analytics 和 Azure Data Lake Store Gen 2 等数据存储。 处理后,此数据已准备好用于分析和 AI 应用,并且可以在 Power BI、Grafana、Web 或移动应用和 API 终结点等工具中显示。

fabric 中的 Real-Time Intelligence 为组织提供了不同的方法来实现流式处理数据的高级分析。 Microsoft Azure 允许专业开发人员设计和构建需要与其他 Azure 服务、端到端自动化和统一部署进行深度集成的体系结构。 Microsoft Fabric 中的 Real-Time Intelligence 使业务用户和公民开发人员能够在其组织中查找数据流并构建分析解决方案。 通过与 Azure 事件中心、Azure 事件网格和 Azure 数据资源管理器集成,Real-Time Intelligence 将基于 Azure 的体系结构扩展到 Microsoft Fabric 中,并帮助使用现有数据源或新数据源创建新解决方案。 下图显示了 Azure 平台即服务(PaaS)解决方案体系结构和用于制造和汽车组织中的遥测分析的 Real-Time 智能解决方案体系结构。

在 Fabric 中了解有关 Real-Time Intelligence 的详细信息, 了解什么是 Real-Time Intelligence?

显示 Azure PaaS 解决方案与遥测分析 Real-Time 智能体系结构相比的关系图。

过去,组织花费了大量预算、时间和资源来开发、集成、部署和管理断开连接的云或本地产品和隔离解决方案。 这导致了难以操作和维护的复杂架构。 许多组织因这种复杂性而犹豫投资,或因为成本似乎太高而无法回报。 用户始终希望从即时的详细数据中获得实时业务洞见。

Real-Time Intelligence 通过使用 Fabric 中的实时功能改变这一点,因此你可以立即从第一方和第三方数据中获取有价值的可执行见解。 通过 Real-Time Intelligence,你将获得:

  • 全面的 SaaS 产品/服务:一种解决方案,可帮助你从时效性数据中查找见解,以便实时进行数据引入、处理、查询、可视化和采取行动。
  • 动态数据的集中式枢纽:在一个统一的位置处理您的动态变化的事件数据,通过 Real-Time 中心更轻松地从整个组织中引入、存储和整理详细数据。
  • 快速解决方案开发:让具有不同专业知识的团队成员从数据中获得更多价值,并快速构建业务增长解决方案。
  • 由实时 AI 提供支持的见解:利用随时可用的自动化功能扩展手动监控并启动操作,这些功能可查找隐藏模式,并利用 Microsoft 生态系统推动您的业务发展。

展示使用 Fabric 中的 Real-Time Intelligence 的解决方案架构图。

本文概述了帮助你为流式处理用例选择最佳实现体系结构的关键注意事项:

整体

功能 基于 Azure PaaS 的解决方案 Real-Time Intelligence 解决方案
服务集成 取决于体系结构中服务之间的集成兼容性。 每个步骤一键式集成:摄取、处理、分析、可视化和行动。
专业和平民开发体验 更适合专业开发人员。 专业开发人员、平民开发者和商务用户可以共存。
低代码/无代码 仅可用于 Azure 流分析中的数据转换,以及通过逻辑应用或 Power Automate 创建警报。 端到端实现需要 Pro 开发。 可以构建从引入、分析、转换、可视化到执行的端到端解决方案。
消耗模型 依赖于服务的估计、消耗和计费模型。 统一 Fabric 容量单位消耗和计费模型。

引入和处理

功能 基于 Azure PaaS 的解决方案 Real-Time Intelligence 解决方案
多云连接器 Azure 流分析连接到 Confluent Kafka。 没有连接器从 Amazon Kinesis 或 Google Pub/Sub 读取数据。 Confluent Kafka、Amazon Kinesis 和 Google Pub/Sub 的原生集成。
支持 CDC 流 需要部署其他服务,例如 Debezium。 Azure Cosmos DB、PostgreSQL、MySQL DB 和 Azure SQL 的本机集成。
支持协议 Azure 事件中心、AMQP、Kafka 和 MQTT。 Azure 事件中心、AMQP 和 Kafka。

分析和转换

功能 基于 Azure PaaS 的解决方案 Real-Time Intelligence 解决方案
数据事件探查 不可用 实时表的数据分析视图显示每一列的开箱即用直方图和最小最大范围。
数字孪生建模 Azure 数字孪生 数字孪生生成器(预览版)
视觉对象数据探索 不可用 拖动功能以直观地分析实时数据。
Copilot 体验 将 Azure 数据资源管理器群集添加为 Fabric KQL 查询集中的源,以使用 Copilot 功能。 本机可用
内置 ML 模型 异常情况检测和预测模型可用。 部署异常情况检测和预测模型需要专业开发。 异常情况检测和预测模型可用。 业务用户还可以将异常情况检测模型应用于传入的流数据。
可视化 (Microsoft) Power BI、Azure 数据资源管理器仪表板 本地化一键集成与 Power BI 的实时仪表盘
可视化(第三方) Grafana、Kibana、Matlab Grafana、Kibana 和 Matlab 也可以与 Eventhouse 集成。

行动

功能 基于 Azure PaaS 的解决方案 Real-Time Intelligence 解决方案
根据见解推动业务行动 需要 Azure 逻辑应用、Power Automate、Azure 函数或 Azure Monitor 警报。 在 Fabric 中使用 Fabric 激活器项,通过 KQL 查询集或 Real-Time 仪表板与 Power BI 语义模型、事件流和 KQL 查询进行内置集成。
被动系统事件 不可用 通过 Real-Time 集线器发布的内置事件。 使用激活器项自动执行数据进程,例如管道和笔记本。
实时语义模型 使用逻辑应用或 Azure Functions 的不可用或代码优先解决方案 不可用
内置 AI 不可用 不可用
通知目标 取决于服务的连接器组合。 Microsoft Teams、Microsoft Outlook 和 Power Automate 连接器。

目录

功能 基于 Azure PaaS 的解决方案 Real-Time Intelligence 解决方案
数据流的统一目录 不可用 实时中心:
- 用户创建的数据流
- 来自 Microsoft 源的现有数据流
- Fabric 系统事件流
发现 Microsoft 数据流 不可用 实时智能中心在 Azure 租户中查找数据流。
从 Azure 存储捕获事件并对其采取行动 部署 Azure 事件网格以处理 Azure 存储中的事件。 Azure Blob 存储基于事件的触发器可用。
从 Fabric 捕获事件并对其采取行动 不适用 Fabric 的原生功能
  • Real-Time Intelligence 入门