ソリューションのアイデア
この記事ではソリューションのアイデアについて説明します。 クラウド アーキテクトはこのガイダンスを使用すると、このアーキテクチャの一般的な実装の主要コンポーネントを視覚化しやすくなります。 ワークロードの特定の要件に適合する、適切に設計されたソリューションを設計するための出発点として、この記事を使用してください。
Azure Machine Learning を使用して、エネルギー製品やサービスに対する需要の急増を予測する方法について説明します。
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。
データフロー
- 時系列データは、元のソースに応じて、さまざまな形式で格納されています。 データは、Azure Data Lake Storage 内にファイルとして、あるいは Azure Synapse または Azure SQL Database に表形式で格納されている可能性があります。
- 読み取り: Azure Machine Learning (ML) は、このようなソースに接続して、読み取ることができます。 時系列データを Azure Machine Learning に取り込むと、自動機械学習 (AutoML) によって前処理され、モデルがトレーニングされて登録されます。
- AutoML の最初のステップは、時系列データの構成と前処理です。 このステップでは、提供されたデータをトレーニング用に準備します。 データによって次の特徴量と予測される構成が駆動します。
- 欠損値の補完
- 休日と DateTime の特徴エンジニアリング
- ラグとローリング ウィンドウ
- ローリング オリジン クロス検証
- トレーニング ステージでは、AutoML は前処理されたデータセットを使用して、最適な予測モデルをトレーニング、選択、および説明します。
- モデルトレーニング: 従来の予測、ディープ ニューラル ネットワーク、回帰モデルなど、さまざまな機械学習モデルを使用できます。
- モデルの評価: モデルの評価により、AutoML ではトレーニング済みの各モデルのパフォーマンスを評価し、ユーザーは展開に最適なモデルを選択できます。
- 説明可能性: AutoML により、選択したモデルに対する説明可能性が提供されます。これにより、モデルの結果を駆動している特徴量をより詳しく理解できます。
- 最高のパフォーマンスを発揮するモデルは、AutoML を使用する Azure Machine Learning に登録され、デプロイできるようになります。
- デプロイ: Azure Machine Learning に登録されたモデルは、デプロイできます。これにより、推論を実行するために公開できるライブ エンドポイントが提供されます。
- デプロイは、Azure Container Registry に格納されているイメージからコンテナーがデプロイされる Kubernetes マネージド クラスターを実行しながら、Azure Kubernetes Service (AKS) を通じて実行できます。 または、AKS の代わりAzure Container Instances を使用することもできます。
- 推論: モデルがデプロイされると、使用可能なエンドポイントを介して新しいデータの推論を実行できます。 バッチと凖リアルタイムの予測がサポートされます。 推論結果は、Azure Data Lake Storage 内にドキュメントとして、あるいは Azure Synapse または Azure SQL Database に表形式で格納されている可能性があります。
- 視覚化: 保存されたモデルの結果は、Power BI ダッシュボードなどのユーザー インターフェイス、またはカスタム ビルド Web アプリケーションを介して使用できます。 結果は、ファイル形式または表形式でストレージ オプションに書き込むことができ、その後、Azure Cognitive Search によって適切にインデックスを付けることができます。 モデルはバッチ推論として実行され、それぞれのデータストアに結果が格納されます。
Components
- Azure Data Factory: データの操作と準備を処理します。
- Azure Automated Machine Learning: Azure ML を使用して、特定の地域のエネルギー需要を予測します。
- MLOps: 運用モデルのワークフローを設計、デプロイ、管理します。
- Power BI Azure ML の統合: Power BI でモデル予測結果を使用します。
シナリオの詳細
エネルギー消費量とエネルギー需要は時間とともに変化します。 時間の経過に伴うこの変化を監視することで、パターンを把握し、将来的な変化を予測するのに利用できる時系列が得られます。 Azure Machine Learning を使用して、エネルギー製品やサービスに対する需要の急増を予測することができます。
このソリューションは、以下の Azure で管理されるサービスに基づいて構築されています。
これらのサービスは高可用性環境で実行され、パッチが適用され、サポートされているので、実行される環境ではなく、ソリューションに注力できます。
考えられるユース ケース
このソリューションは、エネルギー業界に最適です。
共同作成者
この記事は、Microsoft によって保守されています。 当初の寄稿者は以下のとおりです。
プリンシパル作成者:
- Dr. Carlos Santos | シニア クラウド ソリューション アーキテクト - AI およびデータ サイエンス
次のステップ
次の製品ドキュメントを参照してください。
- Stream Analytics へようこそ
- Event Hubs とは
- Azure SQL のドキュメント
- Data Factory の詳細を確認する
- Azure Machine Learning とは
- Azure Machine Learning と時系列の予測
- Power BI
詳細情報:
- Python で時系列予測モデルをトレーニングするために、AutoML を設定する
- エネルギー需要データセットを使用した予測用に Azure Machine Learning Notebook を試す。
- Microsoft Learn の「Azure Machine Learning の自動機械学習を使用する」モジュールを試す。