Bearbeiten

Freigeben über

Intelligente Apps mit Azure Database for MySQL

Azure App Service
Azure KI Services
Azure Database for MySQL
Azure Machine Learning
Power BI

Lösungsmöglichkeiten

In diesem Artikel ist ein Lösungsvorschlag beschrieben. Ihr Cloudarchitekt kann diesen Leitfaden verwenden, um die Hauptkomponenten einer typischen Implementierung dieser Architektur zu visualisieren. Verwenden Sie diesen Artikel als Ausgangspunkt, um eine gut durchdachte Lösung zu entwerfen, die den spezifischen Anforderungen Ihrer Workload entspricht.

In diesem Artikel wird eine Lösung für die Automatisierung der Datenanalyse und Visualisierung mithilfe von künstlicher Intelligenz (KI) vorgestellt. Kernkomponenten in der Lösung sind Azure-Funktionen, Azure AI-Dienste und Azure-Datenbank für MySQL.

Aufbau

Architekturdiagramm, das den Dataflow einer intelligenten Anwendung mit Azure Database for MySQL zeigt

Laden Sie eine Visio-Datei dieser Architektur herunter.

Datenfluss

  1. Mit einer Azure-Funktionsaktivität können Sie eine Azure Functions-App in der Azure Data Factory-Pipeline auslösen. Sie erstellen eine verknüpfte Dienstverbindung und verwenden den verknüpften Dienst mit einer Aktivität, um die Azure-Funktion anzugeben, die Sie ausführen möchten.
  2. Daten stammen aus verschiedenen Quellen, z. B. Azure Storage oder Azure Event Hubs für Daten mit hohem Volumen. Wenn die Pipeline neue Daten empfängt, wird die Azure Functions-App ausgelöst.
  3. Die Azure Functions-App ruft die Azure AI-Dienst-API auf, um die Daten zu analysieren.
  4. Die Azure AI-Dienst-API gibt die Ergebnisse der Analyse im JSON-Format an die Azure Functions App zurück.
  5. Die Azure Functions-App speichert die Daten und Ergebnisse aus der Azure AI-Dienst-API in Azure-Datenbank für MySQL.
  6. Azure Machine Learning verwendet benutzerdefinierte Machine Learning-Algorithmen, um weitere Einblicke in die Daten zu liefern.
  7. Der MySQL-Datenbankconnector bietet Optionen für die Datenvisualisierung und -analyse in Power BI oder einer benutzerdefinierten Webanwendung.

Komponenten

Alternativen

Szenariodetails

Die automatisierte Pipeline verwendet die folgenden Dienste, um die Daten zu analysieren:

  • Azure AI-Dienste verwenden KI zur Beantwortung von Fragen, Stimmungsanalysen und Textübersetzungen.
  • Azure Machine Learning stellt Machine Learning-Tools für Predictive Analytics bereit.

Die Lösung automatisiert die Bereitstellung der Datenanalyse. Ein Connector verknüpft Azure Database for MySQL mit Visualisierungstools wie Power BI.

Die Architektur verwendet eine Azure Functions-App, um Daten aus mehreren Datenquellen zu erfassen. Es handelt sich um eine serverlose Lösung, die folgende Vorteile bietet:

  • Infrastrukturwartung: Azure Functions ist ein verwalteter Dienst, mit dem sich Entwickler*innen auf innovative Arbeit konzentrieren können, die dem Unternehmen einen Mehrwert bietet.
  • Skalierbarkeit: Azure Functions stellt Computeressourcen auf Abruf bereit, sodass Funktionsinstanzen nach Bedarf skaliert werden. Wenn die Anzahl von Anforderungen abnimmt, wird die Bereitstellung der Ressourcen und Anwendungsinstanzen automatisch rückgängig gemacht.

Mögliche Anwendungsfälle

Diese Lösung eignet sich ideal für Organisationen, die Predictive Analytics für Daten aus verschiedenen Quellen ausführen. Beispiele hierfür sind Organisationen in den folgenden Branchen:

  • Finance
  • Education
  • Telekommunikation

Überlegungen

  • Für die meisten Features verfügt die Azure AI-Sprach-API über eine maximale Größe von 5120 Zeichen für ein einzelnes Dokument. Für alle Features beträgt die maximale Anforderungsgröße 1 MB. Weitere Informationen zu Daten- und Ratenlimits finden Sie unter Dienstgrenzwerte für Azure Cognitive Service für Language.

  • In früheren Versionen dieser Lösung wurden die Azure AI-Dienste Textanalyse-API verwendet. Azure AI Language vereint nun drei einzelne Sprachdienste in Azure AI-Diensten: Textanalyse, QnA Maker und Language Understanding (LUIS). Sie können ganz einfach von der Textanalyse-API zur Azure AI-Sprach-API migrieren. Weitere Anweisungen finden Sie unter Migrieren zur neuesten Version von Azure Cognitive Service für Language.

Beitragende

Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben.

Hauptautor:

Melden Sie sich bei LinkedIn an, um nicht öffentliche LinkedIn-Profile anzuzeigen.

Nächste Schritte