Real-Time Intelligence 与同类 Azure 解决方案之间的区别是什么？
随着组织在数字转型过程中的进展，他们会遇到越来越多的数据源。 这些源会生成时间敏感的复杂数据点、事件和信号。 这些数据可以来自各种来源，例如 (a) 来自工厂、车辆、塔、IoT 边缘设备等物理资产的传感器数据，(b) 来自为面向客户的 Web 和移动应用程序提供支持的数据库的变更数据捕获 (CDC) 流，以及 (c) 来自本地和云基础设施与应用程序的日志等。 这些数据流对于组织关闭数字反馈循环、更深入地了解客户对其物理资产和数字资产的使用模式，以及不断增强其提供的价值来保持市场竞争力来说，都至关重要。
实现这一价值需要构建实时数据流式处理体系结构，这种体系结构使用基于云和本地的数据服务进行数据捕获、传输、操作转换和分析转换。 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 等产品组合来进行构建。 数据到达云端的过程中会先经历各种处理和转换阶段（通常称之为热路径、暖路径和冷路径），然后才会进入 Azure 数据资源管理器、Azure Synapse Analytics 和 Azure Data Lake Store Gen 2 等数据存储中。 经过处理后，这些数据即可用于高级分析和 AI 应用程序，并可以使用 Power BI、Grafana、Web 或移动应用以及 API 终结点等工具进行可视化。
在 Fabric 中引入 Real-Time Intelligence 为组织提供了多种实现方法和体系结构，适用于需要对流式处理数据进行高级分析的用例。 Microsoft Azure 为专业开发人员提供了强大的功能来设计和实现体系结构，这些体系结构需要与其他 Azure 服务、端到端自动化进行深度集成，并将整个解决方案作为统一包进行部署。 Microsoft Fabric 中的 Real-Time Intelligence 让平民开发者和商务用户能够发现其组织中的数据流并构建其分析解决方案和应用程序。 通过与 Azure 事件中心、Azure 事件网格 和 Azure 数据资源管理器无缝集成，Real-Time Intelligence 有助于将基于 Azure 的体系结构扩展到 Microsoft Fabric，并使用现有或新的数据源创建新的解决方案。 下图演示了用于典型的制造业/汽车业组织中遥测分析用例的基于 Azure 平台即服务 (PaaS) 的解决方案体系结构和 Real-Time Intelligence 解决方案体系结构。
有关 Real-Time Intelligence 的更多信息，请参阅 Fabric 中的 Real-Time Intelligence 是什么？。
从历史上看，组织分配了大量预算、劳动力和资源，用于开发、集成、部署、维持和管理各种断开连接的基于云或本地的产品和独立解决方案。 这导致了错综复杂的体系结构，给操作和维护带来了挑战。 因此，由于其复杂性，组织对是否进行此类投资犹豫不决，或者认为成本过高，无法证明能获得满意的投资回报率。 然而，最终用户对由即时高粒度数据驱动的实时业务运营见解的需求是一致的。
Real-Time Intelligence 充分利用了 Fabric 中实时功能的潜力，让你能够即时从第一方和第三方数据中获得有价值的可操作见解，从而彻底改变了这种局面。 借助 Real-Time Intelligence，你可以得益于：
- 全面的 SaaS 产品/服务：这是一种无所不包的解决方案，有助于从时间敏感型数据中发现见解，从而能够实时引入、处理、查询、可视化数据并据此采取措施。
- 动态数据的集中式中心：所有动态事件数据的统一数据资产，通过实时中心简化整个组织中细粒度数据的引入、存储和管理。
- 快速解决方案开发：让具备不同专业知识的团队成员能够从数据中提取更多价值，并在此基础上快速构建解决方案，以实现进一步的业务增长。
- 由实时 AI 提供支持的见解：通过现成的自动化功能扩展手动监视并轻松启动操作，这些功能可发现隐藏模式，并充分利用 Microsoft 生态系统推动业务向前发展。
本文概述了确定最适合你的流式处理用例的实现体系结构的关键注意事项：
Overall
| 功能 | 基于 Azure PaaS 的解决方案 | Real-Time Intelligence 解决方案 |
|---|---|---|
| 服务集成 | 取决于体系结构范围内服务间的集成兼容性。 | 在数据引入、处理、分析、可视化和操作的每个步骤中进行一键集成。 |
| 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 | 仅适用于 Azure 流分析中的转换，以及使用逻辑应用或 Power Automate 创建警报。 端到端实现所需的专业开发。 | 可实现从引入到分析、转换，再到可视化和操作的端到端实现。 |
| 消耗模型 | 服务相关项的估计、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。 没有从 Amazon Kinesis 或 Google Pub/Sub 读取数据的连接器。 | Confluent Kafka、Amazon Kinesis、Google Pub/Sub 的本机集成。 |
| 支持 CDC 流 | 需要部署 Debezium 等其他服务。 | 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、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提供了现成的直方图以及每列的最小和最大范围。 |
| 视觉对象数据探索 | 不可用 | 拖放功能可直观地分析实时数据。 |
| Copilot 体验 | Azure 数据资源管理器群集可以作为源添加到 Fabric KQL 查询集中，以使用 Copilot 功能。 | 本机可用 |
| 内置 ML 模型 | 可用的异常情况检测和预测模型。 部署异常情况检测和预测模型所需的专业开发。 | 可用的异常情况检测和预测模型。 商务用户还可以对传入的流式处理数据应用异常情况检测模型。 |
| 可视化 (Microsoft) | Power BI、Azure 数据资源管理器仪表板 | 与 Power BI 和实时仪表板的本机一键集成 |
| 可视化（第三方） | Grafana、Kibana、Matlab。 | Grafana、Kibana、Matlab 也可与 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 逻辑应用或 Power Automate 或 Azure Functions、Azure Monitor 警报。 | 使用 Data Activator 中的 Reflex 项与 Power BI 语义模型、Eventstream 和 KQL 查询进行现成集成，在 Fabric 中本机可用。 |
| 被动系统事件 | 不可用 | 通过实时中心发布内置事件；使用 Reflex 项自动化数据处理过程，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： 1. 用户创建的数据流 2. 来自 Microsoft 源的现有流 3. Fabric 系统事件流 |
| 发现 Microsoft 数据流 | 不可用 | Real-Time Intelligence 中心发现 Azure 租户的数据流。 |
| 从 Azure 存储捕获事件并对其采取行动 | 需要部署 Azure 事件网格才能对 Azure 存储中发生的事件采取行动。 | Azure Blob 存储提供基于事件的触发器。 |
| 从 Fabric 捕获事件并对其采取行动 | 不适用 | 在 Fabric 中本机可用 |