Inteligencia artificial ciudadana con Power Platform y Azure Synapse Analytics

La arquitectura siguiente se expande en el escenario de analytics de un extremo a otro con Azure Synapse Analytics escenario. Use esta arquitectura para entrenar un modelo de aprendizaje automático personalizado en Azure Machine Learning e implementarlo con una aplicación personalizada que compile mediante Microsoft Power Platform.

Architecture

Descargue un archivo Visio de esta arquitectura.

Flujo de trabajo

El siguiente flujo de datos corresponde al diagrama anterior.

• Ingesta
• Tienda
• Entrenamiento e implementación de un modelo
• Consumo

Ingesta

Use canalizaciones de Azure Synapse Analytics para extraer datos por lotes de varios orígenes, tanto locales como en la nube. Esta arquitectura lambda tiene dos flujos de ingesta de datos: streaming y lote.

• streaming: flujos de datos de streaming, como flujos de macrodatos y dispositivos IoT, se encuentran en la mitad superior del diagrama de arquitectura anterior.

  Puede usar Azure Event Hubs o Azure IoT Hubs para ingerir flujos de datos generados por aplicaciones cliente o dispositivos IoT. Event Hubs o IoT Hub ingiere y almacena datos de streaming y conserva la secuencia de eventos que recibe. Los consumidores pueden conectarse a los puntos de conexión del centro para recuperar mensajes para su procesamiento.

• Batch: En la mitad inferior del diagrama de arquitectura, los datos se ingieren y procesan en lotes, entre los que se incluyen:

  • Datos no estructurados, como vídeo, imágenes, audio y texto libre.
  • Datos semiestructurados, como JSON, XML, CSV y registros.
  • Datos estructurados, como bases de datos relacionales y servicios de datos de Azure.

Azure Synapse Link integra sin problemas Azure Cosmos DB y Azure Synapse Analytics.

canalizaciones de Azure Synapse Analytics se pueden desencadenar en función de una programación predefinida o en respuesta a un evento. También se pueden invocar mediante una llamada a las API de REST.

Tienda

Los datos ingeridos pueden llegar directamente en formato sin procesar y, después, transformarse en Azure Data Lake Storage. Una vez mantenidos y transformados los datos en estructuras relacionales, se puede presentar para su consumo en Azure Synapse Analytics.

Entrenamiento e implementación de un modelo

machine Learning proporciona un servicio de aprendizaje automático de nivel empresarial que puede usar para compilar e implementar modelos rápidamente. Proporciona un diseñador de poco código, aprendizaje automático automatizado y un entorno hospedado de Jupyter Notebook a los usuarios en cualquier nivel de aptitud. Los modelos se pueden implementar como puntos de conexión en tiempo real en Azure Kubernetes Service (AKS) o como punto de conexión administrado de Machine Learning. Para la inferencia por lotes de modelos de aprendizaje automático, puede usar canalizaciones de Machine Learning.

Consumo

Un modelo por lotes o en tiempo real publicado en Machine Learning puede generar un punto de conexión REST que se pueda consumir en una aplicación personalizada de compilada mediante la plataforma power Apps de código bajo. También puede llamar a un punto de conexión de Machine Learning en tiempo real desde un informe de Power BI para presentar predicciones en informes empresariales.

Componentes

Puede usar los siguientes componentes.

Servicios de Microsoft Power Platform

• Power Platform es un conjunto de herramientas para analizar datos, crear soluciones, automatizar procesos y crear agentes virtuales. Incluye Power Apps, Power Automate, Power BI y Microsoft Copilot Studio (anteriormente Power Virtual Agents). Use estas herramientas de poco código para desarrollar la experiencia del usuario y la integración con orígenes de datos.
• power Apps es un conjunto de aplicaciones, servicios, conectores y una plataforma de datos. Proporciona un entorno de desarrollo rápido de aplicaciones para compilar aplicaciones personalizadas para satisfacer sus necesidades empresariales. Use el entorno de diseño de poco código para desarrollar la interfaz de usuario, recopilar entradas del usuario y presentar salidas de predicción.
• Power Automate es un servicio que le ayuda a crear flujos de trabajo automatizados entre sus aplicaciones y servicios favoritos. Úselo para sincronizar archivos, obtener notificaciones y recopilar datos. El flujo de trabajo usa entradas de la interfaz de usuario para ejecutar actividades de aprendizaje automático como predicciones y devolver resultados que se muestran en Power Apps.
• Power BI es una colección de servicios de software, aplicaciones y conectores que funcionan conjuntamente para convertir orígenes de datos sin relación entre sí en información coherente, interactiva y atractiva visualmente. Este entorno es donde diseña informes y paneles y los hospeda para los usuarios.

Servicios de Azure

• machine Learning es un servicio de aprendizaje automático de nivel empresarial que puede usar para compilar e implementar modelos rápidamente. Use su diseñador de poco código, el aprendizaje automático automatizado y un entorno hospedado de Jupyter Notebook para desarrollar modelos de aprendizaje automático.
• puntos de conexión administrados de Machine Learning son puntos de conexión en línea que permiten implementar el modelo sin tener que crear y administrar la infraestructura subyacente. Las aplicaciones como Power Apps usan el punto de conexión hospedado para predicciones interactivas.
• data Lake Storage es un sistema de archivos compatible con Hadoop. Tiene un espacio de nombres jerárquico integrado, y la escala y economía masivas de Azure Blob Storage. Proporciona la capa de almacenamiento para el uso de datos en el proceso de entrenamiento del modelo de Machine Learning.
• Azure Synapse Analytics es un servicio de análisis ilimitado que combina la integración de datos, el almacenamiento de datos empresariales y el análisis de macrodatos. Esta funcionalidad integrada almacena y transforma los datos que se usan en las actividades de creación de informes y aprendizaje automático.
• Event Hubs y IoT Hub ingerir flujos de datos que generan las aplicaciones cliente o los dispositivos IoT. A continuación, ingieren y almacenan datos de streaming al tiempo que conservan la secuencia de eventos recibidos. Los consumidores pueden conectarse a los puntos de conexión del centro para recuperar mensajes para su procesamiento.

Servicios de plataforma

Para ayudar a garantizar la calidad de las soluciones de Azure, siga las recomendaciones y las instrucciones del Marco de buena arquitectura de Azure. El marco consta de cinco pilares de excelencia arquitectónica:

• Confiabilidad
• Seguridad
• Optimización de costos
• Excelencia operativa
• Eficiencia del rendimiento

Para crear un diseño que siga estas recomendaciones, tenga en cuenta los siguientes servicios:

• Microsoft Entra ID: servicios de identidad, inicio de sesión único y autenticación multifactor entre cargas de trabajo de Azure.
• Microsoft Cost Management proporciona gobernanza financiera sobre las cargas de trabajo de Azure.
• azure Key Vault le ayuda a administrar credenciales y certificados de forma más segura.
• azure Monitor recopila, analiza y muestra la telemetría de los recursos de Azure. Use Azure Monitor para identificar de forma proactiva los problemas para maximizar el rendimiento y la confiabilidad.
• Microsoft Defender for Cloud ayuda a reforzar y supervisar la posición de seguridad de las cargas de trabajo de Azure.
• azure DevOps y GitHub le ayudan a aplicar la automatización y el cumplimiento de las canalizaciones de desarrollo e implementación de cargas de trabajo para Azure Synapse Analytics y Machine Learning.
• azure Policy le ayuda a implementar estándares y gobernanza de la organización para la coherencia de los recursos, el cumplimiento normativo, la seguridad, el costo y la administración.

Alternativas

Un MVP de aprendizaje automático se beneficia de la velocidad al resultado. En algunos casos, los servicios de Azure AI previamente entrenados pueden satisfacer las necesidades de un modelo personalizado. En otros casos, power Apps AI Builder podría proporcionar un modelo adecuado para un propósito.

Detalles del escenario

Una tendencia general en la tecnología es la creciente popularidad de los roles de inteligencia artificial ciudadana. Estos roles incluyen profesionales empresariales que desean mejorar los procesos empresariales a través de la aplicación de tecnologías de aprendizaje automático e inteligencia artificial. Un factor clave que impulsa esta tendencia es la creciente madurez y disponibilidad de herramientas de bajo código para desarrollar modelos de aprendizaje automático.

Por tener una tasa de errores alta conocida para estas iniciativas, la capacidad de crear rápidamente prototipos y validar una aplicación de inteligencia artificial en una configuración real se convierte en un factor clave para un enfoque de fracasar y responder rápido a los errores. Las dos herramientas clave para desarrollar modelos que modernicen los procesos e impulsen los resultados transformadores son un kit de herramientas de aprendizaje automático para todos los niveles de aptitudes y un kit de herramientas de desarrollo de aplicaciones de código bajo.

• Un kit de herramientas de aprendizaje automático para todos los niveles de aptitudes:

  • Admite el desarrollo de aprendizaje automático totalmente codificado sin código.
  • Tiene una interfaz gráfica de usuario (GUI) flexible y de poco código.
  • Permite a los usuarios generar y preparar datos rápidamente.
  • Permite a los usuarios compilar e implementar modelos rápidamente.
  • Tiene funcionalidades avanzadas y automatizadas de aprendizaje automático para el desarrollo de algoritmos de aprendizaje automático.

• kit de herramientas de desarrollo de aplicaciones de código bajo:

  • Permite a los usuarios crear aplicaciones personalizadas y flujos de trabajo de automatización.
  • Crea flujos de trabajo para que los consumidores y los procesos empresariales puedan interactuar con un modelo de aprendizaje automático.

machine Learning cumple el rol de una GUI de código bajo para el desarrollo de aprendizaje automático. Tiene aprendizaje automático automatizado e implementación en puntos de conexión por lotes o en tiempo real. Microsoft Power Platform, que incluye power Apps y Power Automate, proporciona los kits de herramientas para crear rápidamente una aplicación y un flujo de trabajo personalizados que implementan el algoritmo de aprendizaje automático. Los usuarios empresariales pueden crear aplicaciones de aprendizaje automático de nivel de producción para transformar procesos empresariales heredados.

Posibles casos de uso

Estos kits de herramientas minimizan el tiempo y el esfuerzo necesarios para crear prototipos de las ventajas de un modelo de aprendizaje automático en un proceso empresarial. Puede ampliar fácilmente un prototipo a una aplicación de nivel de producción. Entre los usos de estas técnicas se incluyen:

• Operaciones de fabricación con aplicaciones heredadas que usan predicciones deterministas obsoletas. Estas operaciones pueden beneficiarse de la precisión mejorada de un modelo de aprendizaje automático. Mejorar la precisión requiere un modelo y un esfuerzo de desarrollo para integrarse con sistemas heredados en el entorno local.

• Operaciones del centro de llamadas con aplicaciones heredadas que no se ajustan cuando desfase de datos. Los modelos que se vuelven a entrenar automáticamente podrían proporcionar un aumento significativo en la predicción de abandono o la precisión de la generación de perfiles de riesgo. La validación requiere la integración con los sistemas existentes de administración de relaciones con clientes y administración de vales. La integración puede ser costosa.

Consideraciones

Estas consideraciones implementan los pilares del Azure Well-Architected Framework, que es un conjunto de principios rectores que puede utilizar para mejorar la calidad de una carga de trabajo. Para obtener más información, vea Well-Architected Framework.

Confiabilidad

La confiabilidad ayuda a garantizar que la aplicación pueda cumplir los compromisos que realice para sus clientes. Para obtener más información, consulte Lista de comprobación de revisión de diseño para confiabilidad.

La mayoría de los componentes usados en este escenario de ejemplo son servicios administrados que escalan automáticamente. La disponibilidad de los servicios usados en este ejemplo varía según la región.

Las aplicaciones basadas en el aprendizaje automático normalmente requieren un conjunto de recursos para el entrenamiento y otro conjunto para servir. Los recursos necesarios para el entrenamiento generalmente no necesitan alta disponibilidad porque las solicitudes de producción dinámicas no usan directamente estos recursos. Los recursos necesarios para atender solicitudes necesitan alta disponibilidad.

Optimización de costos

La optimización de costos se centra en formas de reducir los gastos innecesarios y mejorar las eficiencias operativas. Para obtener más información, consulte Lista de comprobación de revisión de diseño para la optimización de costes.

precios de Azure: infraestructura de Microsoft como servicio y servicios de plataforma como servicio en Azure usan un modelo de precios basado en el consumo. No requieren una licencia ni una cuota de suscripción. En general, use la calculadora de precios de Azure para calcular los costos. Para obtener más información, consulte optimización de costos.

precios de Microsoft Power Platform:Power Apps, Power Automate y Power BI son aplicaciones de software como servicio y tienen sus propios modelos de precios, incluidos los planes por aplicación y los planes por usuario.

Excelencia operativa

La excelencia operativa abarca los procesos de las operaciones que implementan una aplicación y la mantienen en ejecución en producción. Para obtener más información, consulte la Lista de comprobación de revisión de diseño para la excelencia operativa.

En este ejemplo se usan prácticas de DevOps para orquestar su enfoque de un extremo a otro. La guía de operaciones de aprendizaje automático describe los procedimientos recomendados para adoptar operaciones de aprendizaje automático.

Puede aplicar la automatización de DevOps a la solución Microsoft Power Platform proporcionada en este ejemplo. Para más información, consulte herramientas de compilación de Microsoft Power Platform para Azure DevOps.

Ejemplo ficticio

Tenga en cuenta el siguiente escenario empresarial. Un agente de campo usa una aplicación que calcula el precio de mercado de un automóvil. Puede usar Machine Learning para crear rápidamente un prototipo de un modelo de aprendizaje automático de esta aplicación. Use un diseñador de poco código y características de aprendizaje automático para crear el modelo y, a continuación, implementarlo como un punto de conexión REST en tiempo real.

El modelo podría demostrar el concepto, pero un usuario no tiene ninguna manera fácil de consumir un modelo que se implementa como una API REST. En el diagrama siguiente se muestra cómo Microsoft Power Platform puede ayudar a cerrar esta brecha.

En la imagen siguiente se muestra una interfaz de usuario para la aplicación, que se creó en Power Apps mediante la interfaz de código bajo que proporciona Power Apps.

Puede usar Power Automate para crear un flujo de trabajo de poco código para analizar la entrada del usuario, pasarla al punto de conexión de Machine Learning y recuperar la predicción. También puede usar Power BI para interactuar con el modelo de Machine Learning y crear paneles e informes empresariales personalizados.

Más escenarios

Considere los siguientes escenarios.

Implementar en Microsoft Teams

También puede implementar la interfaz de usuario desarrollada por Power Apps en el ejemplo anterior en Microsoft Teams. Teams proporciona un canal de distribución excelente para las aplicaciones y proporciona a los usuarios una experiencia de aplicación colaborativa. Para obtener más información sobre cómo implementar una aplicación en Teams mediante Power Apps, consulte Publicar la aplicación en Teams.

Consumo de la API desde varias aplicaciones y automatizaciones

En este ejemplo, se configura un flujo de la nube de Power Automate para consumir el punto de conexión de REST como una acción HTTP. En su lugar, podemos configurar un conector personalizado para el punto de conexión de REST y consumirlo directamente desde Power Apps o desde Power Automate. Este enfoque es útil cuando queremos que varias aplicaciones consuman el mismo punto de conexión. También proporciona gobernanza mediante la directiva de prevención de pérdida de datos del conector en el Centro de administración de Microsoft Power Platform. Para crear un conector personalizado, consulte Uso de un conector personalizado desde una aplicación de Power Apps. Para obtener más información, consulte Directivas de prevención de pérdida de datos.

Colaboradores

Microsoft mantiene este artículo. Los colaboradores siguientes escribieron este artículo.

Autor principal:

• Vyas Dev Venugopalan | Especialista sénior en datos e inteligencia artificial de Azure

Para ver los perfiles no públicos de LinkedIn, inicie sesión en LinkedIn.

Pasos siguientes

• funcionamiento de Machine Learning
• Creación de aplicaciones inteligentes con inteligencia artificial de clase mundial

Recursos relacionados

• Analytics de un extremo a otro con Azure Synapse Analytics
• ¿Qué es Azure Stack Edge Pro con GPU?
• diseño de arquitectura de IA
• Comparación de productos y tecnologías de aprendizaje automático de Microsoft