Power Platform を使用したシチズン AI

次のアーキテクチャは、 Azure Synapse Analytics によるエンドツーエンドの分析 シナリオで拡張したものです。 これにより、カスタム 機械学習 (ML) モデルを Azure Machine Learning で学習し、Microsoft Power Platform を使用して構築されたカスタム アプリケーションで実装できます。

アーキテクチャ

このアーキテクチャの Visio ファイル をダウンロードします。

ワークフロー

このワークフローは次のステップで構成されます。

• 取り込み
• ストア
• モデルのトレーニングとデプロイ
• 使用

取り込み

Azure Synapse パイプライン を使用して、オンプレミスとクラウドの両方で、さまざまなソースからバッチ データをプルします。 このラムダ アーキテクチャには、ストリーミングとバッチの 2 つのデータ インジェスト フローがあります。 以下ではそれについて説明します。

• ストリーミング: 前のアーキテクチャ図の上半分には、ストリーミング データ フロー (ビッグ データ ストリームや IoT デバイスなど) があります。
  • Azure Event Hubs または Azure IoT Hub を使用して、クライアント アプリケーションまたは IoT デバイスによって生成されるデータ ストリームを取り込み可能です。 その後、Event Hubs または IoT Hub によって、受信した一連のイベントを保持するストリーミング データが取り込まれ、保存されます。 コンシューマーはハブ エンドポイントに接続して、処理するメッセージを取得できます。
• Batch: アーキテクチャ図の下半分では、次のようなバッチでデータが取り込まれ、処理されます:

  • 非構造化データ (ビデオ、画像、オーディオ、フリー テキストなど)

  • 半構造化データ (JSON、XML、CSV、ログなど)

  • 構造化データ (リレーショナル データベース、Azure Data Services など)

    Azure Synapse Link によって、Azure Cosmos DB と Azure Synapse Analytics の間に緊密でシームレスな統合が作成されます。 Azure Synapse Pipelines は、定義済みのスケジュールに基づいて、またはイベントに対する応答としてトリガーできます。 また、REST API を介して明示的に呼び出すこともできます。

ストア

取り込まれたデータは、未加工の形式で直接受け取られ、 Azure Data Lakeで変換できます。 データをキュレーションし、リレーショナル構造に変換した後、 Azure Synapse Analytics で使用できるようになります。

モデルのトレーニングとデプロイ

Machine Learning は、モデルをより迅速に構築し、デプロイするためのエンタープライズレベルの ML サービスです。 ローコード デザイナー、自動 ML、ホストされている Jupyter notebook 環境など、あらゆるスキル レベルのユーザーに提供されます。 モデルは、 Azure Kubernetes Service 上のリアルタイム エンドポイントとして、または Machine Learning マネージド エンドポイントとしてデプロイできます。 ML モデルのバッチ推論の場合、 Machine Learning パイプラインを使用できます。

使用

Machine Learning で公開されているバッチまたはリアルタイム モデルでは、 ローコード Power Apps プラットフォームを使用して構築されたカスタム アプリケーションで使用できる REST エンドポイントを生成できます。 また、 Power BI レポートからリアルタイムの Machine Learning エンドポイント を呼び出して、ビジネス レポートに予測を表示することもできます。

コンポーネント

次のコンポーネントを使用できます。

Microsoft Power Platform サービス

• Power Platform: データの分析、ソリューションの作成、プロセスの自動化、仮想エージェントの作成を行うための一連のツールです。 これには、Power Apps、Power Automate、Power BI、Microsoft Copilot Studio (旧称 Power Virtual Agents) が含まれます。
• Power Apps: アプリ、サービス、コネクタ、データ プラッ フォームが揃っています。 迅速なアプリケーション開発環境を提供し、顧客のビジネス ニーズに合ったカスタム アプリケーションを構築します。
• Power Automate: お気に入りのアプリやサービス間で自動化されたワークフローの作成を支援するサービスです。 これを使用して、ファイルの同期、通知の取得、データの収集などを行うことができます。
• Power BI: ソフトウェア サービス、アプリ、コネクタのコレクションであり、これらが連携して、関連のないデータ ソースを、一貫性があり視覚的に没入型で対話形式の分析情報に変換します。

Azure サービス

• Machine Learning: モデルをより迅速に構築しデプロイするためのエンタープライズレベルの ML サービスです。 ローコード デザイナー、自動化された ML、そしてホストされた Jupyter notebook 環境を提供し、あらゆるスキル レベルのユーザーが好む IDE をサポートします。
• Machine Learning managed endpoints: 基盤となるインフラストラクチャを作成し管理することなくモデルをデプロイするオンライン エンドポイントです。
• Azure Kubernetes Service: ML は、コンピュート ターゲットによってサポートが異なります。 Azure Kubernetes Service はこのようなターゲットの 1 つであり、エンタープライズ レベルのリアルタイム モデル エンドポイントに最適です。
• Azure Data Lake: Hadoop と互換性のあるファイルシステム。 これには、階層型名前空間が統合されており、Azure Blob Storage の大規模なスケールと経済性を備えています。
• Azure Synapse Analytics: データ統合、エンタープライズ データ ウェアハウス、ビッグ データ分析を 1 つにまとめた無制限の分析サービスです。
• Event Hubs と IOT Hub: どちらのサービスも、クライアント アプリケーションや IoT デバイスから生成されるデータ ストリームを取り込みます。 そして、受信したイベントのシーケンスを保持したまま、ストリーミング データを取り込み、保存します。 コンシューマーはハブ エンドポイントに接続して、処理するメッセージを取得できます。

プラットフォーム サービス

Azure ソリューションの品質を向上させるには、 Azure Well-Architected Frameworkのレコメンデーションとガイドラインに従ってください。 このフレームワークは、優れたアーキテクチャの 5 つの柱で構成されています。

• コスト最適化
• オペレーショナルエクセレンス
• パフォーマンス効率
• [信頼性]
• セキュリティ

これらのレコメンデーションを尊重する設計を作成するには、次のサービスを検討してください。

• Microsoft Entra ID: Azure ワークロード全体に対する ID サービス、シングル サインオン、多要素認証を提供します。
• Microsoft Cost Management: Azure ワークロードに対する財務ガバナンス。
• Azure Key Vault: セキュリティで保護された資格情報と証明書の管理。
• Azure Monitor: Azure リソースからのテレメトリの収集、分析、表示。 Monitor を使用して、パフォーマンスと信頼性を最大化するために問題を事前に特定します。
• Microsoft Defender for Cloud: Azure ワークロードのセキュリティ体制を強化、監視します。
• Azure DevOps & GitHub: DevOps プラクティスを実装して、Azure Synapse Analytics と Machine Learning のワークロード開発およびデプロイ パイプラインの自動化とコンプライアンスを実現します。
• Azure Policy: リソースの整合性、規制コンプライアンス、セキュリティ、コスト、管理のための組織の標準とガバナンスを実装します。

代替

機械学習 MVP は、速度から結果までメリットがあります。 場合によっては、事前学習済みの Azure Cognitive Services や Azure Applied AI Services でカスタム モデルのニーズを満たすことができます。 それ以外の場合、 Power Apps AI Builder で目的のモデルに適合させることができます。

シナリオの詳細

一般的なテクノロジのトレンドとして、シチズン AI ロールの人気が高まっています。 このようなロールは、ML と AI テクノロジの適用によってビジネス プロセスを改善することを検討しているビジネス上の専門家です。 このトレンドの重要な一因は、ML モデルを開発するためのローコード ツールの成熟度と可用性向上です。

このような取り組みの失敗率の高さはよく知られていますが、実世界の環境で AI アプリケーションを迅速にプロトタイプ化し検証する能力は、フェイル ファスト アプローチを実現する重要な要素となります。 プロセスを現代化し、変革的な成果をもたらすモデルを開発するためには、2 つの重要なツールがあります。

• すべてのスキル レベル用の Azure Machine Learning ツールキット
  • ノーコードからフルコードまでの Azure Machine Learning 開発に対応
  • 柔軟でローコードのグラフィカル ユーザー インターフェイス (GUI) があります
  • ユーザーがデータを迅速にソース化して準備可能
  • ユーザーがモデルを迅速に構築および配置可能
  • ML アルゴリズム開発用の高度で自動化された ML 機能を保有
• ローコード アプリケーション開発ツールキット
  • ユーザーがカスタム アプリケーションとオートメーショ ンワークフローを作成可能
  • コンシューマーとビジネス プロセスが ML モデルと対話できるようにワークフローを作成

Machine Learning は、ML 開発のためのローコード GUI の役割を果たします。 これは、自動化された ML と、バッチまたはリアルタイム エンドポイントへのデプロイがあります。 Power Platform には、 Power Apps と Power Automate が含まれており、ML アルゴリズムを実装したカスタム アプリケーションやワークフローを迅速に構築するためのツールキットを提供します。 ビジネス ユーザーは、実稼働レベルの ML アプリケーションを構築して、従来のビジネス プロセスを変換できるようになりました。

考えられるユース ケース

これらのツールキットを利用すると、ビジネス プロセスで ML モデルの利点をプロトタイプ化するために必要な時間と労力を最小限に抑えることができます。 プロトタイプは、実稼働レベルのアプリケーションに簡単に拡張できます。 これらの技術の用途は次のとおりです。

• 時代遅れの決定論的予測を使用するレガシ アプリケーションを採用している製造部門。 このような状況では、ML モデルの精度が向上する可能性があります。 精度の向上を証明するには、モデル化と開発の両方の作業をオンプレミスのレガシ システムと統合する必要があります。
• データずれのタイミングを調整しないレガシ アプリケーションを使用したコールセンター Ops。 自動的に再学習するモデルは、チャーン予測やリスク プロファイリングの精度を大幅に向上させることができます。 検証には、既存のカスタマー リレーションシップ マネジメント システムとチケット管理システムとの統合が必要です。 統合にはコストがかかる可能性があります。

考慮事項

以降の考慮事項には、ワークロードの品質向上に使用できる一連の基本原則である Azure "Well-Architected Framework" の要素が組み込まれています。 詳細については、「Microsoft Azure Well-Architected Framework」を参照してください。

[信頼性]

信頼性により、顧客に確約したことをアプリケーションで確実に満たせるようにします。 詳細については、「信頼性の設計レビュー チェックリスト」を参照してください。

このシナリオの例で使用されるコンポーネントの多くが、自動スケーリングされるマネージド サービスです。 この例で使用される サービスの可用性 は、リージョンによって異なります。

ML に基づくアプリでは、通常、トレーニングと処理のためにそれぞれ 1 つのリソース セットが必要です。 トレーニングに必要なリソースは、実際の運用環境の要求によって直接操作されることはないので、一般に高可用性は必要ありません。 要求の処理を求められるリソースには、高可用性が必要です。

コストの最適化

コストの最適化とは、不要な費用を削減し、運用効率を向上させる方法を検討することです。 詳細については、「コスト最適化の設計レビュー チェックリスト」を参照してください。

Azure Pricing: Azure 上のファースト パーティのサービスとしてのインフラストラクチャ (IaaS) と サービスとしてのプラットフォーム(PaaS) サービスは、消費ベースの価格モデルを採用しています。 ライセンスまたはサブスクリプションの料金は必要ありません。 一般的に、コストを見積もるには、 Azure 料金計算ツール を使用します。 その他の考慮事項については、Well-Architected Framework の コストの最適化 に関するページをご覧ください。

Power Platform の価格: Power Apps、 Power Automate と Power BI は、サービスとしてのソフトウェア (SaaS) アプリケーションであり、アプリ プランごと、ユーザーごとなど、独自の価格モデルを備えています。

オペレーショナル エクセレンス

オペレーショナル エクセレンスは、アプリケーションをデプロイし、それを運用環境で実行し続ける運用プロセスをカバーします。 詳細については、「オペレーショナル エクセレンスのデザイン レビュー チェック一覧」を参照してください。

DevOps プラクティスでは、この例で使用されるエンドツーエンドのアプローチを調整するために使用されます。 Machine Learning DevOps Guide では、Machine Learning を用いて企業で ML 運用 (MLOps) を採用する際のベスト プラクティスや学習内容を紹介しています。

この例で提供されている Microsoft Power Platform ソリューションに DevOps 自動化を適用できます。 Microsoft Power Platform DevOps の詳細については、「Azure DevOps 用 Power Platform Build Tools: Power Platform」を参照してください。

このシナリオのデプロイ

このビジネス シナリオを考えてみましょう。 ある現場代理人が車の市場価格を推定するアプリを使用します。 Machine Learning を使用すると、このアプリの ML モデルのプロトタイプをすばやく作成できます。 ローコード デザイナーと ML 機能を使用してモデルを作成し、リアルタイムの REST エンドポイントとしてデプロイします。

このモデルは概念を証明してくれるかもしれませんが、REST API として実装されたモデルをユーザーが簡単に消費する方法はありません。 ここで示されているように、Microsoft Power Platform はこのラスト マイルの完了に役立ちます。

次に、Power Apps が提供するローコードのインターフェイスを使用して Power Apps で作成したアプリのユーザー インターフェイスを示します。

Power Automate を使用して、ユーザーの入力を解析し、それを Machine Learning エンドポイントに渡し、予測を取得するためのローコード ワークフローを構築できます。 また、 Machine Learning モデルと対話する Power BI を使って、カスタム ビジネス レポートやダッシュボードを作成することもできます。

このエンドツーエンドの例をデプロイするには、「 Car Price Predictor - Azure Machine Learning + Power App Solution の手順に従います。

拡張シナリオ

次のシナリオで考えてみましょう。

Teams へのデプロイ

前の例で提供されているサンプル アプリを Microsoft Teams にデプロイすることもできます。 Teams は、アプリに優れた配布チャネルを提供し、ユーザーにコラボレーティブなアプリのエクスペリエンスを提供します。 Power Apps を使用してアプリを Teams にデプロイする方法の詳細は、「Teams で Power Apps を使用してアプリを発行する: Power Apps」を参照してください。

複数のアプリとオートメーションから API を使用する

この例では、HTTP アクションとして REST エンドポイントを使用するように Power Automate クラウド フローを構成します。 代わりに、REST エンドポイント用のカスタム コネクタを設定し、Power Apps または Power Automate から直接使用できます。 この方法は、複数のアプリで同じエンドポイントを使用する場合に便利です。 また、Microsoft Power Platform 管理センターのコネクタ データ損失防止 (DLP) ポリシーを使用してガバナンスも提供します。 カスタム コネクタを作成するには、「Power Apps アプリからカスタム コネクタを使用する」を参照してください。 Microsoft Power Platform コネクタ DLP の詳細については、「データ損失防止ポリシー: Power Platform」を参照してください。

共同作成者

この記事は、Microsoft によって保守されています。 これは、もともと以下に執筆されたものです。

• Vyas Dev Venugopalan | シニア スペシャリスト - Azure データ & AI

次のステップ

• Machine Learning のしくみ: アーキテクチャと概念
• 世界クラスの AI が組み込まれたインテリジェントなアプリケーションを構築する

関連リソース

• Azure Synapse Analytics を使用した分析のエンド ツー エンド
• エッジ上のコンピューター ビジョンを使用した End-to-end の製造
• 人工知能 (AI)
• Microsoft の ML 製品とテクノロジの比較