Power Platform と Azure Synapse Analytics を使用した市民 AI

次のアーキテクチャは、Azure Synapse Analytics シナリオを使用して、 分析をエンドツーエンドで拡張します。 このアーキテクチャを使用して、Azure Machine Learning でカスタム 機械学習モデルをトレーニングし、Microsoft Power Platform を使用して構築したカスタム アプリケーションで実装します。

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

次のデータフローは、前の図に対応しています。

• 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 Analytics 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の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。

• ストリーミング: ビッグ データ ストリームや IoT デバイスなどの ストリーミング データ フローは、前のアーキテクチャ図の上半分にあります。

  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。 Event Hubs または IoT Hub は、ストリーミング データを取り込んで格納し、受信したイベントのシーケンスを保持します。 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。

• Batch: アーキテクチャ図の下半分では、データが取り込まれたり、バッチ処理されたりします。これには次のものが含まれます。

  • ビデオ、画像、オーディオ、フリー テキストなどの非構造化データ。
  • JSON、XML、CSV、ログなどの半構造化データ。
  • リレーショナル データベースや Azure データ サービスなどの構造化データ。

Azure Synapse Link は、Azure Cosmos DB と Azure Synapse Analytics をシームレスに統合します。

azure Synapse Analytics パイプライン は、定義済みのスケジュールに基づいて、またはイベントに応答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直接生形式で格納され、Azure Data Lake Storage 変換されます。 データをキュレーションしてリレーショナル構造に変換した後、Azure Synapse Analytics で使用表示できます。

モデルのトレーニングとデプロイ

Machine Learning は、モデルをすばやく構築してデプロイするために使用できるエンタープライズ レベルの機械学習サービスを提供します。 低コード デザイナー、自動化された機械学習、ホストされた Jupyter Notebook 環境を任意のスキル レベルのユーザーに提供します。 モデルは、Azure Kubernetes Service (AKS) 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。 機械学習モデルのバッチ推論では、Machine Learning パイプラインを使用できます。

使用

Machine Learning で公開されるバッチ モデルまたはリアルタイム モデルでは、低コードの 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 は、データの分析、ソリューションの構築、プロセスの自動化、仮想エージェントの作成を行う一連のツールです。 これには、Power Apps、Power Automate、Power BI、Microsoft Copilot Studio (旧称 Power Virtual Agents) が含まれます。 これらのローコード ツールを使用して、ユーザー エクスペリエンスとデータ ソースとの統合を開発します。
• Power Apps は、アプリ、サービス、コネクタ、データ プラットフォームのスイートです。 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。 ローコード設計環境を使用して、ユーザー インターフェイスの開発、ユーザーからの入力の収集、予測出力の提示を行います。
• Power Automate は、お気に入りのアプリとサービスの間に自動化されたワークフローを作成するのに役立つサービスです。 ファイルの同期、通知の取得、データの収集に使用します。 ワークフローでは、ユーザー インターフェイスからの入力を使用して、予測などの機械学習アクティビティを実行し、Power Apps に表示される結果を返します。
• Power BI はソフトウェア サービス、アプリ、コネクタのコレクションで、これらを組み合わせることで、関連性のないデータ ソースから、まとまりがあり、実体験的な対話型洞察を得ることができます。 この環境では、レポートとダッシュボードを設計し、ユーザー向けにホストします。

Azure サービス

• Machine Learning は、モデルを迅速に構築してデプロイするために使用できるエンタープライズ レベルの機械学習サービスです。 そのローコード デザイナー、自動化された機械学習、およびホストされている Jupyter Notebook 環境を使用して、機械学習モデルを開発します。
• Machine Learning マネージド エンドポイント は、基になるインフラストラクチャを作成および管理することなく、モデルをデプロイできるオンライン エンドポイントです。 Power Apps などのアプリケーションでは、対話型の予測にホストされたエンドポイントが使用されます。
• Data Lake Storage は、Hadoop と互換性のあるファイル システムです。 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。 これは、機械学習モデルのトレーニング プロセスでデータを使用するためのストレージ レイヤーを提供します。
• Azure Synapse Analytics は、データ統合、エンタープライズ データウェア ハウス、およびビッグ データ分析が 1 つにまとめられた無制限の分析サービスです。 この統合された機能は、機械学習とレポート作成アクティビティで使用されるデータを格納および変換します。
• Event Hubs IoT Hub を 、クライアント アプリケーションまたは IoT デバイスが生成するデータ ストリームを取り込みます。 次に、受信したイベントのシーケンスを保持しながら、ストリーミング データを取り込んで格納します。 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。

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

これらの推奨事項に従った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、および多要素認証を提供します。
• Microsoft Cost Management は、Azure ワークロードに対する財務ガバナンスを提供します。
• Azure Key Vault を すると、資格情報と証明書をより安全に管理できます。
• Azure Monitor は、Azure リソースからのテレメトリを収集、分析、表示します。 Azure Monitor を使用して問題を事前に特定し、パフォーマンスと信頼性を最大化します。
• Microsoft Defender for Cloud は、Azure ワークロードのセキュリティ体制の強化と監視に役立ちます。
• Azure DevOps と GitHub、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適用するのに役立ちます。
• Azure Policy は、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するのに役立ちます。

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、Azure AI サービス 事前トレーニング済みで、カスタム モデルのニーズを満たすことができます。 また、Power Apps AI Builder では、目的に合ったモデルが提供される場合があります。

シナリオの詳細

テクノロジの一般的な傾向は、市民 AI ロールの人気の高まりです。 これらの役割には、機械学習と AI テクノロジの適用を通じてビジネス プロセスを改善したいビジネス 実務者が含まれます。 この傾向を推進する主な要因は、機械学習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の高まりです。

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。 プロセスを最新化し、変革的な成果を生み出すモデルを開発するための 2 つの重要なツールは、すべてのスキル レベルの機械学習ツールキットと、低コードのアプリケーション開発ツールキットです。

• すべてのスキル レベルのための機械学習ツールキット:

  • 完全にコード化された機械学習開発のためのコードなしをサポートします。
  • 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) を備えています。
  • ユーザーがデータを迅速にソース化して準備できるようにします。
  • ユーザーがモデルを迅速に構築してデプロイできるようにします。
  • 機械学習アルゴリズム開発のための高度で自動化された機械学習機能を備えています。

• 低コード 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自動化ワークフローを構築できるようにします。
  • コンシューマーとビジネス プロセスが機械学習モデルと対話できるようにワークフローを作成します。

Machine Learning は、機械学習開発のためのローコード GUI の役割を果たします。 バッチエンドポイントまたはリアルタイムエンドポイントへの機械学習とデプロイが自動化されています。 Power Apps と power Automate 含む Microsoft Power Platformでは、機械学習アルゴリズムを実装するカスタム アプリケーションとワークフローを迅速に構築するためのツールキットが提供されます。 ビジネス ユーザーは、運用グレードの機械学習アプリケーションを構築して、レガシ ビジネス プロセスを変革できます。

考えられるユース ケース

これらのツールキットは、ビジネス プロセスで機械学習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。

• 古い決定論的予測を使用するレガシ アプリケーションを使用した製造操作。 これらの操作は、機械学習モデルの精度の向上の恩恵を受けることができます。 精度を向上させるには、モデルと開発作業の両方が、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。

• データの誤差が場合に調整されないレガシ アプリケーションを使用したコール センターの操作。 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場合があります。

考慮事項

これらの考慮事項は、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 の要素を組み込んでいます。 詳細については、「Well-Architected Framework」を参照してください。

[信頼性]

信頼性は、アプリケーションが顧客に対して行ったコミットメントを確実に満たすことができるのに役立ちます。 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。

機械学習に基づくアプリでは、通常、トレーニング用のリソースセットとサービス用のリソースセットが必要です。 ライブ運用要求ではこれらのリソースが直接使用されないため、通常、トレーニングに必要なリソースは高可用性を必要としません。 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

コストの最適化では、不要な経費を削減し、運用効率を向上させる方法に重点を置いています。 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 の価格: Azure のサービスとしての Microsoft インフラストラクチャとサービスとしてのプラットフォームを、従量課金ベースの価格モデルを使用します。 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。 詳細については、「コスト最適化 を参照してください。

Microsoft Power Platform の価格:Power Apps、Power Automate、Power BI は、サービス アプリケーションとしてのソフトウェアであり、アプリごとのプランやユーザーごとのプランを含む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。

この例では、DevOps プラクティスを使用して、エンドツーエンドのアプローチを調整します。 機械学習操作ガイド では、機械学習操作を採用するためのベスト プラクティスについて説明します。

この例で提供されている Microsoft Power Platform ソリューションに DevOps オートメーションを適用できます。 詳細については、Azure DevOps 用の Microsoft Power Platform ビルド ツールのを参照してください。

シナリオ例

次のビジネス シナリオについて考えてみましょう。 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 を使用して、このアプリの機械学習モデルをすばやくプロトタイプ化できます。 ローコード デザイナーと機械学習機能を使用してモデルを作成し、それをリアルタイム REST エンドポイントとしてデプロイします。

モデルは概念を証明する可能性がありますが、ユーザーは REST API として実装されているモデルを簡単に使用する方法はありません。 次の図は、Microsoft Power Platform がこのギャップを埋めるのにどのように役立つかを示しています。

次の図は、Power Apps で提供されるロー コード インターフェイスを使用して Power Apps で作成されたアプリのユーザー インターフェイスを示しています。

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。

その他のシナリオ

次のシナリオで考えてみましょう。

Microsoft Teamsにデプロイする

前の例で開発した Power Apps のユーザー インターフェイスを展開して、Microsoft Teamsすることもできます。 Teams はアプリの優れた配布チャネルを提供し、ユーザーに共同作業アプリ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 に展開する方法の詳細については、「Teamsでアプリを発行する」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 データ損失防止ポリシーを使用してガバナンスを提供します。 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。 詳細については、「データ損失防止ポリシー」を参照してください。

共同作成者

Microsoft では、この記事を保持しています。 次の共同作成者がこの記事を書きました。

主要な著者

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

公開されていない LinkedIn プロフィールを見るには、LinkedIn にサインインしてください。

次のステップ

• Machine Learning のしくみ
• 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

• Analytics を Azure Synapse Analytics でエンド ツー エンドで実行する
• GPU 搭載の Azure Stack Edge Pro とは
• AI アーキテクチャの設計
• Microsoft の機械学習製品およびテクノロジの比較