Citizen AI mit Power Platform und Azure Synapse Analytics

Die folgende Architektur erweitert das Analyse-End-to-End mit Azure Synapse Analytics Szenario. Verwenden Sie diese Architektur, um ein benutzerdefiniertes Machine Learning-Modell in Azure Machine Learning zu trainieren und mit einer benutzerdefinierten Anwendung zu implementieren, die Sie mithilfe von Microsoft Power Platform erstellen.

Aufbau

Laden Sie eine Visio-Datei dieser Architektur herunter.

Workflow

Der folgende Datenfluss entspricht dem vorherigen Diagramm.

• Erfassen
• Speicher
• Trainieren und Bereitstellen eines Modells
• Nutzen

Erfassen

Verwenden Sie Azure Synapse Analytics-Pipelines, um Batchdaten aus verschiedenen Quellen sowohl lokal als auch in der Cloud abzurufen. Diese Lambdaarchitektur verfügt über zwei Datenerfassungsflüsse: Streaming und Batch.

• Streaming: Streamingdatenflüsse wie Big Data Streams und IoT-Geräte befinden sich in der oberen Hälfte des vorherigen Architekturdiagramms.

  Sie können Azure Event Hubs oder Azure IoT Hub verwenden, um Datenströme zu erfassen, die von Clientanwendungen oder IoT-Geräten generiert wurden. Event Hubs oder IoT Hub erfasst und speichert Streamingdaten und behält die Abfolge von Ereignissen bei, die er empfängt. Consumer können eine Verbindung mit Hubendpunkten herstellen, um Nachrichten zur Verarbeitung abzurufen.

• Batch: In der unteren Hälfte des Architekturdiagramms werden Daten in Batches aufgenommen und verarbeitet, darunter:

  • Unstrukturierte Daten wie Video, Bilder, Audio und Freitext.
  • Semistrukturierte Daten wie JSON, XML, CSV und Protokolle.
  • Strukturierte Daten, wie relationale Datenbanken und Azure-Datendienste.

Azure Synapse Link nahtlos Azure Cosmos DB und Azure Synapse Analytics integrieren.

Azure Synapse Analytics-Pipelines können basierend auf einem vordefinierten Zeitplan oder als Reaktion auf ein Ereignis ausgelöst werden. Sie lassen sich auch über REST-APIs aufrufen.

Speicher

Erfasste Daten können direkt im rohen Format landen und dann auf Azure Data Lake Storagetransformiert werden. Nachdem die Daten zusammengestellt und in relationale Strukturen transformiert wurden, kann sie für den Verbrauch in Azure Synapse Analyticsdargestellt werden.

Trainieren und Bereitstellen eines Modells

Machine Learning bietet einen maschinellen Lerndienst auf Unternehmensniveau, mit dem Sie Modelle schnell erstellen und bereitstellen können. Es bietet einen Low-Code-Designer, automatisiertes maschinelles Lernen und eine gehostete Jupyter-Notizbuchumgebung für Benutzer auf jeder Qualifikationsebene. Modelle können entweder als Echtzeitendpunkte in Azure Kubernetes Service (AKS) oder als verwalteter Machine Learning-Endpunkt bereitgestellt werden. Für die Batch-Ableitung von Machine Learning-Modellen können Sie Machine Learning-Pipelinesverwenden.

Nutzen

Ein Batch- oder Echtzeitmodell, das in Machine Learning veröffentlicht wird, kann einen REST-Endpunkt generieren, der in einer benutzerdefinierten Anwendung verwendet werden kann, die mithilfe der Power Apps-Plattform mit geringem Codeerstellt wird. Sie können auch einen Machine Learning-Echtzeitendpunkt aus einem Power BI Bericht aufrufen, um Vorhersagen in Geschäftsberichten zu präsentieren.

Komponenten

Sie können die folgenden Komponenten verwenden.

Microsoft Power Platform-Dienste

• Power Platform ist eine Reihe von Tools zum Analysieren von Daten, Erstellen von Lösungen, Automatisieren von Prozessen und Erstellen virtueller Agents. Es umfasst Power Apps, Power Automate, Power BI und Microsoft Copilot Studio (ehemals Power Virtual Agents). Verwenden Sie diese Tools mit geringem Code, um die Benutzererfahrung und die Integration in Datenquellen zu entwickeln.
• Power Apps ist eine Suite von Apps, Diensten, Connectors und einer Datenplattform. Sie bietet eine Umgebung für die schnelle Entwicklung benutzerdefinierter Apps für Ihre individuellen Geschäftsanforderungen. Verwenden Sie die Entwurfsumgebung mit geringem Code, um die Benutzeroberfläche zu entwickeln, Eingaben vom Benutzer zu sammeln und Vorhersageausgaben darzustellen.
• Power Automate ist ein Dienst, der Ihnen hilft, automatisierte Workflows zwischen Ihren bevorzugten Apps und Diensten zu erstellen. Verwenden Sie sie, um Dateien zu synchronisieren, Benachrichtigungen abzurufen und Daten zu sammeln. Der Workflow verwendet Eingaben aus der Benutzeroberfläche, um Machine Learning-Aktivitäten wie Vorhersagen auszuführen und Ergebnisse zurückzugeben, die in Power Apps angezeigt werden.
• Power BI ist eine Sammlung von Softwarediensten, Apps und Connectors, die zusammenwirken, um Ihre nicht verbundenen Datenquellen in kohärente, visuell überzeugende und interaktive Einblicke umzuwandeln. In dieser Umgebung entwerfen Sie Berichte und Dashboards und hosten sie für Benutzer.

Azure-Dienste

• Machine Learning ist ein maschineller Lerndienst auf Unternehmensniveau, mit dem Sie Modelle schnell erstellen und bereitstellen können. Verwenden Sie seinen Low-Code-Designer, automatisiertes maschinelles Lernen und eine gehostete Jupyter-Notizbuchumgebung, um Machine Learning-Modelle zu entwickeln.
• von Machine Learning verwaltete Endpunkte sind Onlineendpunkte, mit denen Sie Ihr Modell bereitstellen können, ohne die zugrunde liegende Infrastruktur erstellen und verwalten zu müssen. Anwendungen wie Power Apps verwenden den gehosteten Endpunkt für interaktive Vorhersagen.
• Data Lake Storage ist ein Hadoop-kompatibles Dateisystem. Es verfügt über einen integrierten hierarchischen Namespace und die enorme Skalierfähigkeit und Wirtschaftlichkeit von Azure Blob Storage. Sie stellt die Speicherschicht für die Datennutzung im Trainingsprozess des Machine Learning-Modells bereit.
• Azure Synapse Analytics ist ein unbegrenzter Analysedienst, der Datenintegration, Data Warehousing für Unternehmen und Big Data-Analysen vereint. Diese integrierte Funktion speichert und transformiert Daten, die in Maschinellem Lernen und Berichtserstellungsaktivitäten verwendet werden.
• Event Hubs und IoT Hub Datenströme aufnehmen, die Clientanwendungen oder IoT-Geräte generieren. Anschließend werden Streamingdaten erfasst und gespeichert, während die Abfolge der empfangenen Ereignisse beibehalten wird. Consumer können eine Verbindung mit den Hubendpunkten herstellen, um Nachrichten zur Verarbeitung abzurufen.

Plattformdienste

Um die Qualität Ihrer Azure-Lösungen zu verbessern, befolgen Sie die Empfehlungen und Richtlinien im Azure Well-Architected Framework. Das Framework besteht aus fünf Säulen der Architekturexzellenz:

• Zuverlässigkeit
• Sicherheit
• Kostenoptimierung
• Optimaler Betrieb
• Leistungseffizienz

Um ein Design zu erstellen, das auf diese Empfehlungen folgt, berücksichtigen Sie die folgenden Dienste:

• Microsoft Entra ID bietet Identitätsdienste, einmaliges Anmelden (Single Sign-On, SSO) und Multi-Faktor-Authentifizierung (MFA) für alle Azure-Workloads.
• Microsoft Cost Management bietet Finanzgovernance für Ihre Azure-Workloads.
• Azure Key Vault- hilft Ihnen, Anmeldeinformationen und Zertifikate sicherer zu verwalten.
• Azure Monitor erfasst, analysiert und zeigt Telemetrie aus Ihren Azure-Ressourcen an. Verwenden Sie Azure Monitor, um Probleme proaktiv zu identifizieren, um die Leistung und Zuverlässigkeit zu maximieren.
• Microsoft Defender for Cloud hilft, den Sicherheitsstatus Ihrer Azure-Workloads zu stärken und zu überwachen.
• Azure DevOps und GitHub- helfen Ihnen, Automatisierung und Compliance Ihrer Workloadentwicklungs- und Bereitstellungspipelinen für Azure Synapse Analytics und Machine Learning zu erzwingen.
• Azure Policy hilft Ihnen bei der Implementierung von Organisationsstandards und -governance für die Ressourcenkonsistenz, behördliche Compliance, Sicherheit, Kosten und Verwaltung.

Alternativen

Ein MVP für maschinelles Lernen profitiert von schnelleren Ergebnissen. In einigen Fällen können vortrainierte Azure AI-Dienste die Anforderungen eines benutzerdefinierten Modells erfüllen. In anderen Fällen kann Power Apps AI Builder ein passendes Modell bieten.

Szenariodetails

Ein allgemeiner Trend in der Technologie ist die zunehmende Beliebtheit von Bürger-KI-Rollen. Zu diesen Rollen gehören Unternehmenspraktiker, die Geschäftsprozesse durch die Anwendung von Maschinellem Lernen und KI-Technologien verbessern möchten. Ein wichtiger Faktor, der diesen Trend steuert, ist die wachsende Reife und Verfügbarkeit von Tools mit geringem Code, um Machine Learning-Modelle zu entwickeln.

Da solche Initiativen bekanntermaßen eine hohe Fehlerrate aufweisen, wird die Fähigkeit, schnell einen Prototypen für eine KI-Anwendung zu erstellen und in einer realen Umgebung zu validieren, zu einer wichtigen Voraussetzung für einen Fail-Fast-Ansatz. Die beiden wichtigsten Tools für die Entwicklung von Modellen, die Prozesse modernisieren und transformative Ergebnisse fördern, sind ein Machine Learning Toolkit für alle Qualifikationsstufen und ein Entwicklungstool für Anwendungen mit geringem Code.

• Ein Machine Learning Toolkit für alle Qualifikationsstufen:

  • Unterstützt codefreie Entwicklung des maschinellen Lernens ohne Code.
  • Verfügt über eine flexible grafische Benutzeroberfläche mit geringem Code (GUI).
  • Ermöglicht Benutzern das schnelle Abrufen und Vorbereiten von Daten.
  • Ermöglicht Benutzern das schnelle Erstellen und Bereitstellen von Modellen.
  • Verfügt über erweiterte, automatisierte Machine Learning-Funktionen für die Entwicklung von Machine Learning-Algorithmus.

• Ein Toolkit für die Anwendungsentwicklung mit geringem Code:

  • Ermöglicht Benutzern das Erstellen benutzerdefinierter Anwendungen und Automatisierungsworkflows.
  • Erstellt Workflows, damit Verbraucher und Geschäftsprozesse mit einem Machine Learning-Modell interagieren können.

Machine Learning erfüllt die Rolle einer GUI mit geringem Code für die Entwicklung von maschinellem Lernen. Es verfügt über automatisierte Maschinelles Lernen und die Bereitstellung für Batch- oder Echtzeitendpunkte. Microsoft Power Platform, das Power Apps und Power Automateenthält, stellt die Toolkits bereit, um schnell eine benutzerdefinierte Anwendung und einen Workflow zu erstellen, die Ihren Machine Learning-Algorithmus implementiert. Geschäftsbenutzer können maschinelle Lernanwendungen auf Produktionsniveau erstellen, um ältere Geschäftsprozesse zu transformieren.

Mögliche Anwendungsfälle

Diese Toolkits minimieren die Zeit und den Aufwand, die erforderlich sind, um die Vorteile eines Machine Learning-Modells für einen Geschäftsprozess zu prototypieren. Sie können einen Prototyp problemlos auf eine Produktionsanwendung ausdehnen. Zu den Verwendungsmöglichkeiten für diese Methoden gehören:

• Herstellungsvorgänge mit älteren Anwendungen, die veraltete deterministische Vorhersagen verwenden. Diese Vorgänge können von der verbesserten Genauigkeit eines Machine Learning-Modells profitieren. Die Verbesserung der Genauigkeit erfordert sowohl ein Modell als auch einen Entwicklungsaufwand für die Integration in lokale Legacysysteme.

• Call center-Vorgänge mit älteren Anwendungen, die nicht angepasst werden, wenn Daten. Modelle, die sich automatisch neu trainieren, können eine erhebliche Verbesserung bei der Vorhersage von Churns oder der Genauigkeit der Risikoprofilerstellung ermöglichen. Die Validierung erfordert eine Integration in vorhandene CRM- und Ticketverwaltungssysteme. Die Integration kann teuer sein.

Überlegungen

Diese Überlegungen bilden die Säulen des Azure Well-Architected Framework, einer Reihe von Leitprinzipien, die Sie zur Verbesserung der Qualität eines Workloads verwenden können. Weitere Informationen finden Sie unter Well-Architected Framework.

Zuverlässigkeit

Zuverlässigkeit trägt dazu bei, dass Ihre Anwendung die Verpflichtungen erfüllen kann, die Sie für Ihre Kunden vornehmen. Weitere Informationen finden Sie unter Erstellen einer Checkliste zur Überprüfung der Zuverlässigkeit.

Bei den meisten Komponenten dieses Szenarios handelt es sich um verwaltete Dienste mit automatischer Skalierung. Die Verfügbarkeit der in diesem Beispiel verwendeten Dienste variiert je nach Region.

Apps, die auf maschinellem Lernen basieren, erfordern in der Regel eine Reihe von Ressourcen für Schulungen und einen anderen Satz für die Bereitstellung. Ressourcen, die für Schulungen erforderlich sind, benötigen im Allgemeinen keine hohe Verfügbarkeit, da Liveproduktionsanforderungen diese Ressourcen nicht direkt verwenden. Ressourcen, die für die Bereitstellung von Anforderungen erforderlich sind, benötigen Hochverfügbarkeit.

Kostenoptimierung

Die Kostenoptimierung konzentriert sich auf Möglichkeiten, unnötige Ausgaben zu reduzieren und die betriebliche Effizienz zu verbessern. Weitere Informationen finden Sie unter Erstellen einer Checkliste zur Überprüfung der Kostenoptimierung.

Azure-Preise: Microsoft-Infrastruktur als Dienst und Plattform als Dienstdienste in Azure verwenden ein verbrauchsbasiertes Preismodell. Sie erfordern keine Lizenz- oder Abonnementgebühr. Im Allgemeinen sollten Sie den Azure-Preisrechner verwenden, um Ihre Kosten zu ermitteln. Weitere Informationen finden Sie unter Kostenoptimierung.

Microsoft Power Platform-Preise:Power Apps, Power Automate und Power BI sind Software als Dienstanwendungen und verfügen über eigene Preismodelle, einschließlich App-Plänen und Benutzerplänen.

Optimaler Betrieb

„Optimaler Betrieb“ deckt die Betriebsprozesse ab, die für die Bereitstellung einer Anwendung und deren Ausführung in der Produktion sorgen. Weitere Informationen finden Sie unter Erstellen einer Checkliste zur Überprüfung des optimalen Betriebs.

In diesem Beispiel werden DevOps-Methoden verwendet, um den End-to-End-Ansatz zu koordinieren. Der Leitfaden für maschinelles Lernen beschreibt bewährte Methoden für die Einführung von Maschinellen Lernvorgängen.

Sie können die DevOps-Automatisierung auf die in diesem Beispiel bereitgestellte Microsoft Power Platform-Lösung anwenden. Weitere Informationen finden Sie unter Microsoft Power Platform-Buildtools für Azure DevOps.

Beispielszenario

Betrachten Sie das folgende Geschäftsszenario. Eine Außendienstmitarbeiterin verwendet eine App, die den Marktpreis eines Autos schätzt. Sie können Machine Learning verwenden, um schnell ein Machine Learning-Modell dieser App zu erstellen. Verwenden Sie einen Low-Code-Designer und Machine Learning-Features, um das Modell zu erstellen, und stellen Sie es dann als Echtzeit-REST-Endpunkt bereit.

Das Modell kann das Konzept beweisen, aber ein Benutzer hat keine einfache Möglichkeit, ein Modell zu nutzen, das als REST-API implementiert ist. Das folgende Diagramm zeigt, wie Microsoft Power Platform dazu beitragen kann, diese Lücke zu schließen.

Die folgende Abbildung zeigt eine Benutzeroberfläche für die App, die in Power Apps mithilfe der von Power Apps bereitgestellten Low-Code-Schnittstelle erstellt wurde.

Sie können Power Automate verwenden, um einen Low-Code-Workflow zu erstellen, mit dem die Eingabe des Benutzers analysiert, an den Machine Learning-Endpunkt übergeben und die Vorhersage abgerufen wird. Sie können auch Power BI verwenden, um mit dem Machine Learning-Modell zu interagieren und benutzerdefinierte Geschäftsberichte und Dashboards zu erstellen.

Weitere Szenarien

Betrachten Sie folgende Szenarien:

Bereitstellen in Microsoft Teams

Sie können auch die entwickelte Benutzeroberfläche von Power Apps im vorherigen Beispiel in Microsoft Teams bereitstellen. Teams bietet einen großartigen Verteilungskanal für Ihre Apps und bietet Ihren Benutzern eine gemeinsame App-Erfahrung. Weitere Informationen zum Bereitstellen einer App in Teams mithilfe von Power Apps finden Sie unter Veröffentlichen Ihrer App in Teams.

Nutzen der API aus mehreren Apps und Automatisierungen

In diesem Beispiel konfigurieren wir einen Power Automate-Cloudflow so, dass er den REST-Endpunkt als HTTP-Aktion nutzt. Wir können stattdessen einen benutzerdefinierten Connector für den REST-Endpunkt einrichten und ihn direkt über Power Apps oder aus Power Automate nutzen. Dieser Ansatz ist nützlich, wenn mehrere Apps denselben Endpunkt nutzen sollen. Sie stellt außerdem Governance mithilfe der Richtlinie zur Verhinderung von Datenverlust des Connectors im Microsoft Power Platform Admin Center bereit. Informationen zum Erstellen eines benutzerdefinierten Connectors finden Sie unter Verwenden eines benutzerdefinierten Connectors aus einer Power Apps-App. Weitere Informationen finden Sie unter Richtlinien für die Verhinderung vor Datenverlust.

Beitragende

Microsoft verwaltet diesen Artikel. Die folgenden Mitwirkenden haben diesen Artikel geschrieben.

Hauptautor:

• Vyas Dev Venugopalan | Sr. Specialist – Azure Data & AI

Um nichtöffentliche LinkedIn-Profile anzuzeigen, melden Sie sich bei LinkedIn an.

Nächste Schritte

• Wie maschinelles Lernen funktioniert
• Erstellen intelligenter Anwendungen in Kombination mit erstklassiger KI

Zugehörige Ressourcen

• Analytics endet mit Azure Synapse Analytics
• Was ist Azure Stack Edge Pro mit GPU?
• KI-Architekturentwurf
• Vergleich der Machine Learning-Produkte und Technologien von Microsoft