Jaka jest różnica między analizą w czasie rzeczywistym a porównywalnym rozwiązaniem platformy Azure?
W miarę postępu transformacji cyfrowej organizacje napotykają coraz większą liczbę źródeł danych. Te źródła generują wrażliwe na czas, skomplikowane punkty danych, zdarzenia i sygnały. Te dane mogą pochodzić z różnych źródeł, takich jak (a) dane czujników z zasobów fizycznych, takich jak rośliny, pojazdy, wieże, urządzenia usługi IoT Edge, (b) przechwytywanie danych (CDC) ze strumieni danych z baz danych obsługujących aplikacje internetowe i mobilne, a także (c) dzienniki z infrastruktury lokalnej i chmury oraz aplikacji, między innymi. Te strumienie danych mają kluczowe znaczenie dla organizacji, aby zamknąć pętlę cyfrowej opinii, lepiej zrozumieć wzorce użycia klientów swoich zasobów fizycznych i cyfrowych oraz stale zwiększać wartość, którą zapewniają, aby utrzymać konkurencyjność rynku.
Zdając sobie sprawę, że ta wartość wymaga budowy architektur przesyłania strumieniowego danych w czasie rzeczywistym, które korzystają zarówno z usług danych opartych na chmurze, jak i lokalnych na potrzeby przechwytywania danych, transportu, przekształceń operacyjnych i przekształceń analitycznych. Te architektury są zwykle tworzone przy użyciu różnych produktów, takich jak Azure Event Hubs, Azure Event Grid, Apache Kafka, Amazon Kinesis, IBM Message Queues i Google Pub/Sub. Gdy dane docierają do chmury, przechodzą różne etapy przetwarzania i przekształcania, często określane jako gorące, ciepłe i zimne ścieżki, przed rozpoczęciem w magazynach danych, takich jak Azure Data Explorer, Azure Synapse Analytics i Azure Data Lake Store Gen 2. Po przetworzeniu te dane są gotowe do zaawansowanej analizy i aplikacji sztucznej inteligencji i można je wizualizować przy użyciu narzędzi takich jak Power BI, Grafana, Web lub Mobile Apps oraz punkty końcowe interfejsu API.
Wprowadzenie analizy w czasie rzeczywistym w sieci szkieletowej oferuje organizacjom wiele metod implementacji i architektur dla ich przypadków użycia, które wymagają zaawansowanej analizy danych przesyłanych strumieniowo. Platforma Microsoft Azure udostępnia profesjonalnym deweloperom niezawodne możliwości projektowania i implementowania architektur, które wymagają głębokiej integracji z innymi usługami platformy Azure, kompleksową automatyzacją i wdrażaniem całego rozwiązania jako ujednoliconego pakietu. Analiza w czasie rzeczywistym w usłudze Microsoft Fabric umożliwia deweloperom obywatelom i użytkownikom biznesowym odnajdywanie strumieni danych w organizacjach oraz tworzenie rozwiązań analitycznych i aplikacji. Dzięki bezproblemowej integracji z usługami Azure Event Hubs, Azure Event Grid i Azure Data Explorer analiza w czasie rzeczywistym ułatwia rozszerzenie architektur opartych na platformie Azure w usłudze Microsoft Fabric oraz tworzenie nowych rozwiązań przy użyciu istniejących lub nowych źródeł danych. Na poniższym diagramie przedstawiono architekturę rozwiązania opartego na platformie Azure (PaaS) i architekturę rozwiązania analizy w czasie rzeczywistym dla przypadków użycia analizy telemetrii w typowych organizacjach produkcyjnych/motoryzacyjnych.
Aby uzyskać więcej informacji na temat analizy w czasie rzeczywistym, zobacz Co to jest analiza w czasie rzeczywistym w sieci szkieletowej?.
W przeszłości organizacje przeznaczyły znaczne budżety, pracowników i zasoby na opracowywanie, integrowanie, wdrażanie, utrzymanie i zarządzanie różnymi odłączonymi produktami opartymi na chmurze lub lokalnymi produktami i izolowanymi rozwiązaniami. Doprowadziło to do skomplikowanych, złożonych architektur, które są trudne do obsługi i konserwacji. W związku z tym organizacje wahały się, aby realizować takie inwestycje ze względu na złożoność lub uznały koszty za zbyt zbyt zbyt uciążliwe, aby uzasadnić zadowalający zwrot z inwestycji. Jednak zapotrzebowanie na szczegółowe informacje o operacjach biznesowych w czasie rzeczywistym oparte na natychmiastowych, wysokich stopniach szczegółowości jest spójne wśród użytkowników końcowych.
Analiza w czasie rzeczywistym zrewolucjonizuje ten krajobraz dzięki wykorzystaniu pełnego potencjału funkcji w czasie rzeczywistym w usłudze Fabric, umożliwiając natychmiastowe uzyskiwanie cennych, praktycznych szczegółowych informacji z danych innych firm i innych firm. Dzięki funkcji analizy w czasie rzeczywistym możesz korzystać z następujących korzyści:
- Kompleksowa oferta SaaS: kompleksowe rozwiązanie, które ułatwia odnajdywanie szczegółowych informacji z danych wrażliwych na czas, co umożliwia pozyskiwanie, przetwarzanie, wykonywanie zapytań, wizualizowanie i wykonywanie na nim działań w czasie rzeczywistym.
- Scentralizowane centrum danych dynamicznych: ujednolicona przestrzeń danych dla wszystkich danych zdarzeń w ruchu, upraszczając pozyskiwanie, przechowywanie i curowanie precyzyjnych danych z całej organizacji za pośrednictwem centrum czasu rzeczywistego.
- Szybkie opracowywanie rozwiązań: umożliwienie członkom zespołu różnych wiedzy w celu wyodrębnienia większej wartości z danych i szybkiego tworzenia rozwiązań na ich podstawie w celu dalszego rozwoju firmy.
- Szczegółowe informacje obsługiwane przez sztuczną inteligencję w czasie rzeczywistym: skalowanie ręcznego monitorowania i bez wysiłku inicjowanie akcji przy użyciu gotowych do użycia, zautomatyzowanych funkcji, które odkrywają ukryte wzorce i w pełni używają ekosystemu firmy Microsoft do rozwoju firmy.
W tym artykule opisano kluczowe zagadnienia dotyczące określania najbardziej odpowiedniej architektury implementacji dostosowanej do przypadków użycia przesyłania strumieniowego:
Ogółem
| Możliwość | Rozwiązanie oparte na usłudze PaaS platformy Azure | Rozwiązanie analizy w czasie rzeczywistym |
|---|---|---|
| Integracja usług | Zależy od zgodności integracji między usługami w zakresie architektury. | Integracja jednym kliknięciem na każdym etapie pozyskiwania danych, przetwarzania, analizowania, wizualizowania i działania. |
| Środowisko deweloperskie pro i obywatel | Bardziej odpowiednie dla profesjonalnych deweloperów. | Deweloperzy pro, deweloperzy obywatelscy i użytkownicy biznesowi mogą współistnieć. |
| Kod z małą ilością kodu/bez kodu | Dostępne tylko do przekształcania w usłudze Azure Stream Analytics i tworzenia alertów przy użyciu usługi Logics Apps lub Power Automate. Programowanie pro wymagane do zakończenia implementacji. | Kompleksowa implementacja z pozyskiwania do analizy w celu przekształcenia w celu wizualizacji i działania można zrealizować. |
| Model zużycia | Szacowanie, zużycie i model rozliczeń zależny od usługi. | Ujednolicone użycie jednostek wydajności sieci szkieletowej i model rozliczeń. |
Pozyskiwanie i przetwarzanie
| Możliwość | Rozwiązanie oparte na usłudze PaaS platformy Azure | Rozwiązanie analizy w czasie rzeczywistym |
|---|---|---|
| Łączniki wielochmurowe | Usługa Azure Stream Analytics łączy się z platformą Confluent Kafka. Brak łączników do odczytywania danych z usługi Amazon Kinesis lub Google Pub/Sub. | Natywna integracja z platformą Confluent Kafka, Amazon Kinesis, Google Pub/Sub. |
| Obsługa strumieni CDC | Wymaga wdrożenia innych usług, takich jak Debezium. | Natywna integracja z usługami Azure Cosmos DB, PostgreSQL, MySQL DB i Azure SQL. |
| Obsługa protokołów | Azure Event Hubs, AMQP, Kafka i MQTT. | Azure Event Hubs, AMQP, Kafka. |
Analizowanie i przekształcanie
| Możliwość | Rozwiązanie oparte na usłudze PaaS platformy Azure | Rozwiązanie analizy w czasie rzeczywistym |
|---|---|---|
| Profilowanie danych | Niedostępny | Widok profilowania danych w tabelach czasu rzeczywistego zawiera gotowe histogramy i minimalne maksymalne zakresy dla każdej kolumny. |
| Eksploracja danych wizualnych | Niedostępny | Funkcje przeciągania i upuszczania w celu wizualnego analizowania danych w czasie rzeczywistym. |
| Doświadczenie Copilot | Klaster usługi Azure Data Explorer można dodać jako źródło w zestawie zapytań KQL sieci szkieletowej w celu korzystania z funkcji Copilot. | Dostępne natywnie |
| Wbudowane modele uczenia maszynowego | Dostępne modele wykrywania anomalii i prognozowania. Programowanie pro wymagane do wdrożenia modeli wykrywania anomalii i prognozowania. | Dostępne modele wykrywania anomalii i prognozowania. Użytkownicy biznesowi mogą również stosować modele wykrywania anomalii na przychodzących danych przesyłanych strumieniowo. |
| Wizualizacja (Microsoft) | Power BI, pulpity nawigacyjne usługi Azure Data Explorer | Natywna integracja jednym kliknięciem z usługą Power BI i pulpitem nawigacyjnym w czasie rzeczywistym |
| Wizualizacja (inna firma) | Grafana, Kibana, Matlab. | Grafana, Kibana, Matlab można również zintegrować z usługą Eventhouse. |
Działaj
| Możliwość | Rozwiązanie oparte na usłudze PaaS platformy Azure | Rozwiązanie analizy w czasie rzeczywistym |
|---|---|---|
| Kierowanie akcjami biznesowymi na podstawie szczegółowych informacji | Wymaga usługi Azure Logic Apps lub Power Automate lub Azure Functions, alertów usługi Azure Monitor. | Natywnie dostępne w sieci szkieletowej przy użyciu elementów aktywowania sieci szkieletowej z wbudowaną integracją z modelami semantycznymi usługi Power BI, strumieniem zdarzeń i zapytaniami KQL. |
| Reaktywne zdarzenia systemowe | Niedostępny | Wbudowane zdarzenia publikowane za pośrednictwem centrum czasu rzeczywistego; Elementy aktywatora umożliwiają automatyzowanie procesów danych, takich jak potoki i notesy. |
| Modele semantyczne w czasie rzeczywistym | Rozwiązanie nie jest dostępne ani oparte na kodzie przy użyciu usługi Logic Apps lub Azure Functions | Niedostępny |
| Wbudowana sztuczna inteligencja | Niedostępny | Niedostępny |
| Miejsca docelowe powiadomień | Zależy od portfolio łączników usługi. | Łączniki microsoft Teams, Microsoft Outlook i Power Automate. |
Wykaz
| Możliwość | Rozwiązanie oparte na usłudze PaaS platformy Azure | Rozwiązanie analizy w czasie rzeczywistym |
|---|---|---|
| Ujednolicony wykaz strumieni danych | Niedostępny | Centrum czasu rzeczywistego: 1. Strumienie danych utworzone przez użytkowników 2. Istniejące strumienie ze źródeł firmy Microsoft 3. Strumienie zdarzeń systemu sieci szkieletowej |
| Odnajdywanie strumieni danych firmy Microsoft | Niedostępny | Centrum analizy w czasie rzeczywistym odnajduje strumienie danych w dzierżawie platformy Azure. |
| Przechwytywanie i wykonywanie działań na zdarzeniach z usługi Azure Storage | Wymaga wdrożenia usługi Azure Event Grid w celu działania na zdarzeniach występujących w usłudze Azure Storage. | Dostępne wyzwalacze oparte na zdarzeniach usługi Azure Blob Storage. |
| Przechwytywanie i wykonywanie działań na zdarzeniach z sieci szkieletowej | Nie dotyczy | Natywnie dostępne w sieci szkieletowej |