Ia citoyenne avec Power Platform et Azure Synapse Analytics

L’architecture suivante s’étend sur le scénario d’analytique de bout en bout avec azure Synapse Analytics scénario. Utilisez cette architecture pour entraîner un modèle Machine Learning personnalisé dans Azure Machine Learning et l’implémenter avec une application personnalisée que vous générez à l’aide de Microsoft Power Platform.

Architecture

Téléchargez un fichier Visio de cette architecture.

Workflow

Le flux de données suivant correspond au diagramme précédent.

• Ingérer
• Magasin
• Entraîner et déployer un modèle
• Utiliser

Ingérer

Utilisez pipelines Azure Synapse Analytics pour extraire des données par lots à partir de différentes sources, locales et dans le cloud. Cette architecture lambda a deux flux d’ingestion de données : streaming et batch.

• Streaming : flux de données de streaming, tels que les flux big data et les appareils IoT, se trouvent dans la moitié supérieure du diagramme d’architecture précédent.

  Vous pouvez utiliser Azure Event Hubs ou Azure IoT Hub pour ingérer des flux de données générés par des applications clientes ou des appareils IoT. Event Hubs ou IoT Hub ingère et stocke les données de diffusion en continu et conserve la séquence d’événements qu’il reçoit. Les consommateurs peuvent se connecter aux points de terminaison de hub pour extraire des messages à traiter.

• Batch : Dans la moitié inférieure du diagramme d’architecture, les données sont ingérées et traitées par lots, notamment :

  • Données non structurées, telles que la vidéo, les images, l’audio et le texte libre.
  • Données semi-structurées, telles que JSON, XML, CSV et journaux.
  • Données structurées, telles que les bases de données relationnelles et les services de données Azure.

Azure Synapse Link intègre en toute transparence Azure Cosmos DB et Azure Synapse Analytics.

pipelines Azure Synapse Analytics peuvent être déclenchés en fonction d’une planification prédéfinie ou en réponse à un événement. Ils peuvent également résulter d’appels d’API REST.

Magasin

Les données ingérées peuvent atterrir directement au format brut, puis être transformées sur Azure Data Lake Storage. Une fois les données organisées et transformées en structures relationnelles, elles peuvent être présentées pour la consommation dans Azure Synapse Analytics.

Entraîner et déployer un modèle

Machine Learning fournit un service Machine Learning de niveau entreprise que vous pouvez utiliser pour créer et déployer rapidement des modèles. Il fournit un concepteur à faible code, un machine learning automatisé et un environnement de notebook Jupyter hébergé aux utilisateurs à tout niveau de compétence. Les modèles peuvent être déployés en tant que points de terminaison en temps réel sur Azure Kubernetes Service (AKS) ou en tant que point de terminaison managé Machine Learning. Pour l’inférence par lots des modèles Machine Learning, vous pouvez utiliser pipelines Machine Learning.

Utiliser

Un modèle en temps réel ou par lot publié dans Machine Learning peut générer un point de terminaison REST qui peut être consommé dans une application personnalisée créée à l’aide de la plateforme Power Apps à faible code. Vous pouvez également appeler un point de terminaison Machine Learning en temps réel à partir d’un rapport Power BI afin de présenter des prédictions dans des rapports.

Composants

Vous pouvez utiliser les composants suivants.

Services de Microsoft Power Platform

• Power Platform est un ensemble d’outils permettant d’analyser des données, de créer des solutions, d’automatiser des processus et de créer des agents virtuels. Il inclut Power Apps, Power Automate, Power BI et Microsoft Copilot Studio (anciennement Power Virtual Agents). Utilisez ces outils à faible code pour développer l’expérience utilisateur et l’intégration à des sources de données.
• Power Apps est une suite d’applications, de services, de connecteurs et d’une plateforme de données. Elle fournit un environnement de développement rapide d'applications pour générer des applications personnalisées répondant à vos besoins. Utilisez l’environnement de conception à faible code pour développer l’interface utilisateur, collecter des entrées de l’utilisateur et présenter des sorties de prédiction.
• Power Automate est un service qui vous aide à créer des flux de travail automatisés entre vos applications et services favoris. Utilisez-le pour synchroniser des fichiers, obtenir des notifications et collecter des données. Le flux de travail utilise des entrées de l’interface utilisateur pour exécuter des activités De Machine Learning telles que des prédictions et retourner des résultats qui s’affichent dans Power Apps.
• Power BI est un ensemble de services logiciels, d’applications et de connecteurs qui œuvrent ensemble pour transformer des sources de données disparates en informations visuelles immersives et interactives. Cet environnement est l’endroit où vous concevez des rapports et des tableaux de bord et les hébergez pour les utilisateurs.

Services Azure

• Machine Learning est un service Machine Learning de niveau entreprise que vous pouvez utiliser pour créer et déployer rapidement des modèles. Utilisez son concepteur à faible code, le Machine Learning automatisé et un environnement de notebook Jupyter hébergé pour développer des modèles Machine Learning.
• points de terminaison managés Machine Learning sont des points de terminaison en ligne qui vous permettent de déployer votre modèle sans avoir à créer et gérer l’infrastructure sous-jacente. Les applications telles que Power Apps utilisent le point de terminaison hébergé pour les prédictions interactives.
• Data Lake Storage est un système de fichiers compatible Hadoop. Il offre un espace de noms hiérarchique intégré, ainsi que l’échelle et l’économie du Stockage Blob Azure. Il fournit la couche de stockage pour l’utilisation des données dans le processus d’entraînement du modèle Machine Learning.
• Azure Synapse Analytics est un service d’analytique illimité, qui réunit l’intégration de données, l’entreposage de données d’entreprise et des fonctionnalités analytiques pour le Big Data. Cette fonctionnalité intégrée stocke et transforme les données utilisées dans les activités de création de rapports et d’apprentissage automatique.
• Event Hubs et IoT Hub ingérer des flux de données générés par les applications clientes ou les appareils IoT. Ensuite, ils ingèrent et stockent des données de diffusion en continu tout en préservant la séquence d’événements reçus. Les consommateurs peuvent se connecter aux points de terminaison de hub afin de récupérer des messages à traiter.

Services de plateforme

Pour améliorer la qualité de vos solutions Azure, suivez les recommandations et instructions de l’Azure Well-Architected Framework. Le framework se compose des cinq piliers de l’excellence architecturale :

• Fiabilité
• Sécurité
• Optimisation des coûts
• Excellence opérationnelle
• Efficacité des performances

Pour créer une conception qui suit ces recommandations, tenez compte des services suivants :

• Microsoft Entra ID fournit des services d'identité, l’authentification unique et l’authentification multifacteur sur les charges de travail Azure.
• Microsoft Cost Management fournit une gouvernance financière sur vos charges de travail Azure.
• azure Key Vault vous aide à gérer les informations d’identification et les certificats de manière plus sécurisée.
• Azure Monitor collecte, analyse et affiche les données de télémétrie à partir de vos ressources Azure. Utilisez Azure Monitor pour identifier de manière proactive les problèmes afin d’optimiser les performances et la fiabilité.
• Microsoft Defender pour Cloud permet de renforcer et de surveiller la posture de sécurité de vos charges de travail Azure.
• Azure DevOps et GitHub vous aident à appliquer l’automatisation et la conformité de vos pipelines de développement et de déploiement de charge de travail pour Azure Synapse Analytics et Machine Learning.
• Azure Policy vous aide à implémenter des normes et une gouvernance organisationnelles pour la cohérence des ressources, la conformité réglementaire, la sécurité, le coût et la gestion.

Autres solutions

Un MVP Machine Learning bénéficie de la rapidité d'obtention des résultats. Dans certains cas, les services Azure AI préentraînés peuvent répondre aux besoins d’un modèle personnalisé. Dans d’autres cas, power Apps AI Builder peut fournir un modèle adapté à un usage.

Détails du scénario

Une tendance générale dans la technologie est la popularité croissante des rôles d’IA citoyens. Ces rôles incluent les praticiens de l’entreprise qui souhaitent améliorer les processus métier par le biais de l’application des technologies d’apprentissage automatique et d’IA. Un facteur clé qui favorise cette tendance est la maturité croissante et la disponibilité des outils à faible code pour développer des modèles Machine Learning.

Compte tenu du taux d'échec élevé bien connu de telles initiatives, la capacité à prototyper et valider rapidement une application d'IA dans un cadre réel devient un facteur clé d'une approche Fail-fast. Les deux outils clés pour le développement de modèles qui modernisent les processus et favorisent les résultats transformateurs sont un kit de ressources Machine Learning pour tous les niveaux de compétence et un kit de développement d’applications à faible code.

• Un kit de ressources Machine Learning pour tous les niveaux de compétence :

  • Prend en charge le développement de Machine Learning entièrement codé sans code.
  • Dispose d’une interface utilisateur graphique flexible et à faible code.
  • Permet aux utilisateurs de créer et de préparer rapidement des données.
  • Permet aux utilisateurs de créer et de déployer rapidement des modèles.
  • Offre des fonctionnalités avancées et automatisées de Machine Learning pour le développement d’algorithmes de Machine Learning.

• un kit de développement d’applications à faible code :

  • Permet aux utilisateurs de créer des applications personnalisées et des workflows d’automatisation.
  • Crée des flux de travail pour permettre aux consommateurs et aux processus métier d’interagir avec un modèle Machine Learning.

Machine Learning remplit le rôle d’une interface graphique graphique à faible code pour le développement Machine Learning. Il dispose d’un machine learning automatisé et d’un déploiement sur des points de terminaison en lots ou en temps réel. microsoft Power Platform, qui inclut Power Apps et Power Automate, fournit les boîtes à outils pour créer rapidement une application et un flux de travail personnalisés qui implémentent votre algorithme Machine Learning. Les utilisateurs professionnels peuvent créer des applications Machine Learning de niveau production pour transformer les processus métier hérités.

Cas d’usage potentiels

Ces boîtes à outils réduisent le temps et l’effort nécessaires pour prototyper les avantages d’un modèle Machine Learning sur un processus métier. Vous pouvez facilement étendre un prototype à une application de niveau production. Les usages de ces techniques sont les suivants :

• Opérations de fabrication avec des applications héritées qui utilisent des prédictions déterministes obsolètes. Ces opérations peuvent tirer parti de la précision améliorée d’un modèle Machine Learning. L’amélioration de la précision nécessite à la fois un modèle et un effort de développement pour s’intégrer à des systèmes hérités locaux.

• Les opérations du centre d’appels avec des applications héritées qui ne s’ajustent pas lorsque dérive des données. Des modèles qui se recyclent automatiquement peuvent augmenter considérablement la précision de la prédiction d’évolution ou du profilage de risques. La validation nécessite une intégration avec des systèmes existants de gestion des relations avec la clientèle et des tickets. L’intégration peut être coûteuse.

Considérations

Ces considérations implémentent les piliers d’Azure Well-Architected Framework, un ensemble de principes directeurs que vous pouvez utiliser pour améliorer la qualité d’une charge de travail. Pour plus d’informations, consultez Well-Architected Framework.

Fiabilité

La fiabilité permet de s’assurer que votre application peut respecter les engagements que vous prenez à vos clients. Pour en savoir plus, consultez Liste de contrôle de l'examen de la conception pour la fiabilité.

La plupart des composants utilisés dans cet exemple de scénario sont des services gérés dont la mise à l’échelle est automatique. La disponibilité des services utilisés dans cet exemple varie en fonction de la région.

Les applications basées sur le Machine Learning nécessitent généralement un ensemble de ressources pour l’entraînement et un autre ensemble pour servir. Les ressources requises pour l’entraînement n’ont généralement pas besoin d’une haute disponibilité, car les demandes de production en direct n’utilisent pas directement ces ressources. Les ressources requises pour servir les demandes doivent offrir une haute disponibilité.

Optimisation des coûts

L’optimisation des coûts se concentre sur les moyens de réduire les dépenses inutiles et d’améliorer l’efficacité opérationnelle. Pour plus d'informations, consultez Liste de contrôle de la révision de la conception pour l'optimisation des coûts.

tarification Azure : l’infrastructure Microsoft en tant que service et les services de plateforme en tant que service sur Azure utilisent un modèle tarifaire basé sur la consommation. Ils ne nécessitent pas de frais de licence ou d’abonnement. En règle générale, utilisez la calculatrice de prix Azure pour estimer les coûts. Pour plus d’informations, consultez l’optimisation des coûts.

tarification de Microsoft Power Platform :Power Apps, Power Automate et Power BI sont des applications de logiciel en tant que service et ont leurs propres modèles tarifaires, y compris les plans par application et les plans par utilisateur.

Excellence opérationnelle

L’excellence opérationnelle couvre les processus opérationnels qui déploient une application et la maintiennent en production. Pour plus d’informations, consultez la Liste de contrôle de l'examen de la conception pour l'excellence opérationnelle.

Cet exemple utilise des pratiques DevOps pour orchestrer son approche de bout en bout. Le guide des opérations de machine learning décrit les meilleures pratiques pour l’adoption des opérations de Machine Learning.

Vous pouvez appliquer l’automatisation DevOps à la solution Microsoft Power Platform fournie dans cet exemple. Pour plus d’informations, consultez outils de génération Microsoft Power Platform pour Azure DevOps.

Exemple de scénario

Considérez le scénario métier suivant. Un agent de terrain utilise une application qui estime le prix du marché d’une voiture. Vous pouvez utiliser Machine Learning pour prototyper rapidement un modèle Machine Learning de cette application. Utilisez un concepteur de code faible et des fonctionnalités de Machine Learning pour créer le modèle, puis déployez-le en tant que point de terminaison REST en temps réel.

Le modèle peut prouver le concept, mais un utilisateur n’a aucun moyen simple de consommer un modèle implémenté en tant qu’API REST. Le diagramme suivant montre comment Microsoft Power Platform peut aider à combler cet écart.

L’image suivante montre une interface utilisateur pour l’application, qui a été créée dans Power Apps à l’aide de l’interface à faible code fourni par Power Apps.

Vous pouvez utiliser Power Automate pour générer un flux de travail à faible code afin d’analyser l’entrée de l’utilisateur, de la transmettre au point de terminaison Machine Learning et de récupérer la prédiction. Vous pouvez également utiliser Power BI pour interagir avec le modèle Machine Learning et créer des rapports et des tableaux de bord d’entreprise personnalisés.

Plus de scénarios

Examinez les scénarios suivants.

Déployer sur Microsoft Teams

Vous pouvez également déployer l’interface utilisateur développée par Power Apps dans l’exemple précédent sur Microsoft Teams. Teams fournit un canal de distribution idéal pour vos applications et offre à vos utilisateurs une expérience d’application collaborative. Pour plus d’informations sur le déploiement d’une application sur Teams à l’aide de Power Apps, consultez Publier votre application dans Teams.

Consommer l’API à partir de plusieurs applications et automations

Dans cet exemple, nous configurons un flux cloud Power Automate pour consommer le point de terminaison REST en tant qu’action HTTP. Nous pouvons à la place configurer un connecteur personnalisé pour le point de terminaison REST et le consommer directement à partir de Power Apps ou de Power Automate. Cette approche est utile lorsque vous souhaitez que plusieurs applications consomment le même point de terminaison. Il fournit également une gouvernance à l’aide de la stratégie de protection contre la perte de données du connecteur dans le Centre d’administration Microsoft Power Platform. Pour créer un connecteur personnalisé, consultez Utiliser un connecteur personnalisé à partir d’une application Power Apps. Pour plus d'informations, voir Stratégies de prévention de perte de données.

Contributeurs

Microsoft gère cet article. Les contributeurs suivants ont écrit cet article.

Auteur principal :

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

Pour afficher les profils LinkedIn non publics, connectez-vous à LinkedIn.

Étapes suivantes

• fonctionnement de Machine Learning
• Créer des applications intelligentes dotées d’une intelligence artificielle de classe mondiale

Ressources associées

• Analytics de bout en bout avec Azure Synapse Analytics
• Qu’est-ce qu’Azure Stack Edge Pro avec GPU ?
• Conception de l’architecture IA
• Comparer les produits et technologies de Machine Learning de Microsoft