Bearbeiten

Freigeben über

Intelligente Apps mit Azure Database for PostgreSQL

Azure App Service
Azure KI Services
Azure Database for PostgreSQL
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 PostgreSQL.

Aufbau

Diagramm, das den Dataflow einer intelligenten Anwendung mit Azure Database for PostgreSQL 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. Die Daten stammen aus mehreren Quellen, einschließlich Azure Storage und 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 PostgreSQL.
  6. Azure Machine Learning verwendet benutzerdefinierte Machine Learning-Algorithmen, um weitere Einblicke in die Daten zu liefern.
    • Wenn Sie für den Schritt mit dem maschinellen Lernen in einen No-Code-Ansatz bevorzugen, können Sie weitere Textanalysevorgänge für die Daten ausführen, wie Featurehashing, Word2Vector und eine N-Gramm-Extraktion.
    • Wenn Sie einen Code-First-Ansatz bevorzugen, können Sie ein Open-Source-Modell für die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) als Experiment in Machine Learning Studio ausführen.
  7. Der PostgreSQL-Connector für Power BI ermöglicht es, die für Menschen interpretierbaren Erkenntnisse in Power BI oder in einer benutzerdefinierten Webanwendung zu untersuchen.

Komponenten

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.

Zum Speichern von Daten und Ergebnissen verwendet die Lösung Azure Database for PostgreSQL. Die PostgreSQL-Datenbank unterstützt unstrukturierte Daten, parallele Abfragen und die deklarative Partitionierung. Diese Unterstützung macht Azure Database for PostgreSQL zu einer idealen Wahl für sehr datenintensive KI- und Machine Learning-Aufgaben.

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

Azure Database for PostgreSQL ist eine cloudbasierte Lösung. Daher wird diese Lösung nicht für mobile Anwendungen empfohlen. Sie eignet sich besser für Downstreamanalysen in beispielsweise folgenden Brachen:

  • Transportwesen: Wartungsvorhersage
  • Finanzsektor: Risikobewertung und Betrugserkennung
  • E-Commerce: Vorhersage- und Empfehlungs-Engines für Kundenabwanderung
  • Telekommunikation: Leistungsoptimierung
  • Versorgungsunternehmen: Verhinderung von Ausfällen

Überlegungen

Diese Überlegungen beruhen auf den Säulen des Azure Well-Architected Frameworks, d. h. einer Reihe von Grundsätzen, mit denen die Qualität von Workloads verbessert werden kann. Weitere Informationen finden Sie unter Microsoft Azure Well-Architected Framework.

  • 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 Azure Database for PostgreSQL bestimmen das Eingangsvolumen und die Geschwindigkeit Ihre Auswahl des Diensts und des Bereitstellungsmodus. Es stehen zwei Dienste zur Verfügung:

    • Azure Database for PostgreSQL
    • Azure Cosmos DB for PostgreSQL, was früher als Hyperscale-Modus (Citus) bezeichnet wurde

    Wenn Sie große Workloads mit Kundenmeinungen und Bewertungen schürfen, verwenden Sie Azure Cosmos DB for PostgreSQL. Innerhalb von Azure Database for PostgreSQL sind zwei Modi verfügbar: Einzelserver und flexibler Server. Informationen zur Verwendung der einzelnen Bereitstellungsmodi finden Sie unter Was ist Azure Database for PostgreSQL?.

  • 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.

Sicherheit

Sicherheit bietet Schutz vor vorsätzlichen Angriffen und dem Missbrauch Ihrer wertvollen Daten und Systeme. Weitere Informationen finden Sie unter Übersicht über die Säule „Sicherheit“.

Alle Daten in Azure Database for PostgreSQL werden automatisch verschlüsselt und gesichert. Sie können Microsoft Defender for Cloud konfigurieren, um Bedrohungen weiter zu entschärfen. Weitere Informationen finden Sie unter Aktivieren von Microsoft Defender für relationale Open-Source-Datenbanken und Reagieren auf Warnungen.

DevOps

Sie können GitHub Actions für die Verbindung mit Azure Database for PostgreSQL konfigurieren, indem Sie die Verbindungszeichenfolge verwenden und einen Workflow einrichten. Weitere Informationen finden Sie unter Schnellstart: Verwenden von GitHub Actions zum Herstellen einer Verbindung mit Azure PostgreSQL.

Darüber hinaus können Sie Ihren Machine Learning-Lebenszyklus mit Azure Pipelines automatisieren. Informationen zum Implementieren eines MLOps-Workflows und zum Erstellen einer CI/CD-Pipeline für Ihr Projekt finden Sie im GitHub-Repository MLOps mit Azure ML.

Kostenoptimierung

Bei der Kostenoptimierung geht es um die Suche nach Möglichkeiten, unnötige Ausgaben zu reduzieren und die Betriebseffizienz zu verbessern. Weitere Informationen finden Sie unter Übersicht über die Säule „Kostenoptimierung“.

Azure AI Language bietet verschiedene Preisstufen. Die Anzahl der von Ihnen verarbeiteten Textdatensätze wirkt sich auf Ihre Kosten aus. Weitere Informationen finden Sie auf der Preisseite von Cognitive Service für Language.

Nächste Schritte