Jaký je rozdíl mezi inteligentními funkcemi v reálném čase a srovnatelnými řešeními Azure?
S tím, jak organizace postupují na cestě digitální transformace, narazí na rostoucí počet zdrojů dat. Tyto zdroje generují časově citlivé, složité datové body, události a signály. Tato data můžou pocházet z různých zdrojů, jako jsou (a) data ze senzorů z fyzických prostředků, jako jsou rostliny, vozidla, věže, zařízení IoT Edge, (b) datové proudy zachytávání dat (CDC) z databází, které podporují webové a mobilní aplikace přístupné zákazníkům, a (c) protokoly z místní a cloudové infrastruktury a aplikací, mimo jiné. Tyto datové proudy jsou zásadní pro organizace, aby uzavřely smyčku digitální zpětné vazby, získaly hlubší přehled o vzorech využití zákazníků ve svých fyzických a digitálních prostředcích a neustále vylepšují hodnotu, kterou poskytují k udržení konkurenceschopnosti trhu.
Realizace této hodnoty vyžaduje vytváření architektur streamování dat v reálném čase, které používají cloudové i místní datové služby pro zachytávání, přenos, provozní transformace a analytické transformace. Tyto architektury se obvykle vytvářejí pomocí kombinace produktů, jako jsou Azure Event Hubs, Azure Event Grid, Apache Kafka, Amazon Kinesis, IBM Message Queues a Google Pub/Sub. S tím, jak data přicházejí do cloudu, prochází různými fázemi zpracování a transformace, často označované jako horké, teplé a studené cesty, před tím, než dorazí do úložišť dat, jako je Azure Data Explorer, Azure Synapse Analytics a Azure Data Lake Store Gen2. Po zpracování jsou tato data připravená pro pokročilé analýzy a aplikace umělé inteligence a je možné je vizualizovat pomocí nástrojů, jako jsou Power BI, Grafana, Web nebo Mobile Apps a koncové body rozhraní API.
Zavedení inteligentních funkcí v reálném čase v prostředcích infrastruktury nabízí organizacím několik přístupů k implementaci a architektur pro případy použití, které vyžadují pokročilou analýzu streamovaných dat. Microsoft Azure poskytuje profesionálním vývojářům robustní možnosti návrhu a implementace architektur, které vyžadují hlubokou integraci s dalšími službami Azure, kompletní automatizací a nasazením celého řešení jako sjednoceného balíčku. Inteligentní funkce v reálném čase v Microsoft Fabric umožňují vývojářům občanů a podnikovým uživatelům objevovat datové proudy v rámci jejich organizací a vytvářet analytická řešení a aplikace. Díky bezproblémové integraci se službou Azure Event Hubs, Azure Event Gridem a Azure Data Explorerem usnadňuje rozšíření architektur založených na Azure do Microsoft Fabric a vytváření nových řešení pomocí existujících nebo nových zdrojů dat. Následující diagram znázorňuje architekturu řešení založenou na platformě Azure jako služby (PaaS) i architekturu řešení v reálném čase pro případy použití analýz telemetrie v typických výrobních/automobilových organizacích.
Další informace o inteligentních funkcích v reálném čase najdete v tématu Co je inteligence v reálném čase v prostředcích infrastruktury?.
Organizace přidělily značné rozpočty, pracovní síly a prostředky k vývoji, integraci, nasazení, udržení a správě různých odpojených cloudových nebo místních produktů a izolovaných řešení. To vedlo ke složitým a složitým architekturám, které jsou náročné na provoz a údržbu. Organizace proto váhaly, aby tyto investice pokračovaly v důsledku složitosti, nebo považovaly náklady za příliš zakázané, aby odůvodnily uspokojivou návratnost investic. Poptávka po přehledech obchodních operací v reálném čase založená na okamžitých a vysoce členitých datech byla mezi koncovými uživateli konzistentní.
Inteligentní funkce v reálném čase tuto krajinu mění díky využití plného potenciálu schopností v reálném čase v rámci infrastruktury, což vám umožňuje okamžitě odvozovat cenné a užitečné přehledy z vašich dat první strany a třetích stran. Díky inteligentním funkcím v reálném čase můžete využít:
- Komplexní nabídka SaaS: Komplexní řešení, které usnadňuje zjišťování přehledů z dat citlivých na čas a umožňuje ingestovat, zpracovávat, dotazovat, vizualizovat a pracovat s ním v reálném čase.
- Centralizované centrum pro dynamická data: Jednotná datová aktiva pro všechna data událostí v pohybu, zjednodušují příjem dat, ukládání a součinu jemně odstupňovaných dat z celé organizace prostřednictvím centra v reálném čase.
- Rychlý vývoj řešení: Umožňuje členům týmu různých odborných znalostí extrahovat z dat větší hodnotu a rychle na něm vytvářet řešení pro další obchodní růst.
- Přehledy založené na umělé inteligenci v reálném čase: Škálování ručního monitorování a snadné zahájení akcí pomocí připravených k použití, automatizovaných funkcí, které odhalí skryté vzory, a plně využívá ekosystém Microsoftu k tomu, aby se vaše podnikání řídilo vpřed.
Tento článek popisuje klíčové aspekty pro určení nejvhodnější architektury implementace přizpůsobené vašim případům použití streamování:
Celkem
| Schopnost | Řešení založené na Azure PaaS | Řešení inteligentních funkcí v reálném čase |
|---|---|---|
| Integrace služeb | Závisí na kompatibilitě integrace mezi službami v oboru architektury. | Integrace jedním kliknutím v každém kroku příjmu, zpracování, analýzy, vizualizace a akce |
| Prostředí pro vývojáře pro a občany | Vhodnější pro profesionální vývojáře. | Profesionální vývojáři, vývojáři občanů a podnikoví uživatelé mohou existovat společně. |
| Low-code/No-code | K dispozici pouze pro transformaci ve službě Azure Stream Analytics a vytváření upozornění pomocí Logics Apps nebo Power Automate. Vývoj Pro vyžadovaný pro kompletní implementaci. | Je možné realizovat komplexní implementaci od příjmu dat až po analýzu, aby se transformovala na vizualizaci a akci. |
| Consumption Model | Model fakturace, odhadu, spotřeby a fakturace závislého na službě | Uniform Fabric Capacity Unit Consumption and Billing Model. |
Ingestování a zpracování
| Schopnost | Řešení založené na Azure PaaS | Řešení inteligentních funkcí v reálném čase |
|---|---|---|
| Konektory s více cloudy | Azure Stream Analytics se připojuje ke Confluent Kafka. Žádné konektory ke čtení dat z Amazon Kinesis nebo Google Pub/Sub. | Nativní integrace pro Confluent Kafka, Amazon Kinesis, Google Pub/Sub. |
| Podpora streamů CDC | Vyžaduje nasazení dalších služeb, jako je Debezium. | Nativní integrace pro Azure Cosmos DB, PostgreSQL, MySQL DB a Azure SQL |
| Podpora protokolů | Azure Event Hubs, AMQP, Kafka a MQTT. | Azure Event Hubs, AMQP, Kafka. |
Analýza a transformace
| Schopnost | Řešení založené na Azure PaaS | Řešení inteligentních funkcí v reálném čase |
|---|---|---|
| Profilace dat | Není k dispozici | Zobrazení profilace dat v tabulkách v reálném čase poskytuje předem připravená histogramy a minimální maximální rozsahy pro každý sloupec. |
| Zkoumání vizuálních dat | Není k dispozici | Funkce přetažením můžete vizuálně analyzovat data v reálném čase. |
| Prostředí copilotu | Cluster Azure Data Exploreru je možné přidat jako zdroj v sadě dotazů Fabric KQL pro použití funkcí Copilot. | Nativní dostupnost |
| Předdefinované modely ML | Dostupné modely detekce a prognóz anomálií. Vývoj pro, který je nutný k nasazení modelů detekce anomálií a prognóz. | Dostupné modely detekce a prognóz anomálií. Podnikoví uživatelé můžou na příchozí streamovaná data také používat modely detekce anomálií. |
| Vizualizace (Microsoft) | Power BI, řídicí panely Azure Data Exploreru | Nativní integrace jedním kliknutím s Power BI a řídicím panelem v reálném čase |
| Vizualizace (třetí strana) | Grafana, Kibana, Matlab. | Grafana, Kibana, Matlab je také možné integrovat s Eventhouse. |
Jednat
| Schopnost | Řešení založené na Azure PaaS | Řešení inteligentních funkcí v reálném čase |
|---|---|---|
| Řízení obchodních akcí z přehledů | Vyžaduje azure Logic Apps nebo Power Automate nebo Azure Functions, upozornění služby Azure Monitor. | Nativní dostupnost v prostředcích infrastruktury s využitím položek Aktivace prostředků infrastruktury s předem dostupnou integrací s sémantických modelů Power BI, eventstreamem a dotazy KQL |
| Reaktivní systémové události | Není k dispozici | Integrované události publikované prostřednictvím centra v reálném čase; Pomocí položek aktivátoru můžete automatizovat procesy dat, jako jsou kanály a poznámkové bloky. |
| Sémantické modely v reálném čase | Nedostupné řešení nebo řešení první kód s využitím Logic Apps nebo Azure Functions | Není k dispozici |
| Integrovaná AI | Není k dispozici | Není k dispozici |
| Cíle oznámení | Závisí na portfoliu konektorů služby. | Konektory Microsoft Teams, Microsoft Outlooku a Power Automate |
Katalog
| Schopnost | Řešení založené na Azure PaaS | Řešení inteligentních funkcí v reálném čase |
|---|---|---|
| Jednotný katalog datových proudů | Není k dispozici | Centrum v reálném čase: 1. Datové proudy vytvořené uživateli 2. Existující streamy ze zdrojů Microsoftu 3. Systémové události infrastruktury |
| Zjišťování datových proudů Microsoftu | Není k dispozici | Centrum inteligentních funkcí v reálném čase zjišťuje datové proudy ve vašem tenantovi Azure. |
| Zachycení a reakce na události z Azure Storage | Vyžaduje nasazení služby Azure Event Grid, aby fungovalo s událostmi, ke kterým dochází ve službě Azure Storage. | K dispozici jsou triggery založené na událostech služby Azure Blob Storage. |
| Zachycení a akce s událostmi z prostředků infrastruktury | Nelze použít | Nativní dostupnost v prostředcích infrastruktury |