ИИ гражданина с помощью Power Platform

Машинное обучение Azure

Microsoft Power Platform

Power Apps

Power Automate

Power BI

Следующая архитектура расширяет сквозную аналитику с помощью сценария Azure Synapse Analytics . Он позволяет обучить пользовательскую модель машинного обучения (ML) в Машинное обучение Azure и реализовать с помощью пользовательского приложения, созданного с помощью Microsoft Power Platform.

Архитектура

Скачайте файл Visio этой архитектуры.

Рабочий процесс

Рабочий процесс состоит из следующих этапов:

Прием
Store (Сохранить)
Обучение и развертывание модели
Потребление

Прием

Используйте Azure Synapse Pipelines для извлечения пакетных данных из различных источников, как локальных, так и в облаке. Эта лямбда-архитектура имеет два потока приема данных: потоковую передачу и пакет. Они описаны здесь:

Потоковая передача: в верхней половине предыдущей схемы архитектуры находятся потоки потоковых данных (например, потоки больших данных и устройства Интернета вещей).
- Для приема потоков данных, создаваемых клиентскими приложениями или устройствами Интернета вещей, можно использовать Центры событий Azure или Центры Интернета вещей Azure. Центры событий или Центр Интернета вещей приема и хранения потоковых данных, сохраняя последовательность полученных событий. Потребители могут подключаться к конечным точкам центра для получения сообщений для обработки.
Пакетная служба: в нижней половине схемы архитектуры данные обрабатываются и обрабатываются в пакетах, таких как:
- Неструктурированные данные (например, видео, изображения, аудио и бесплатный текст)
- Полуструктурированные данные (например, JSON, XML, CSV и журналы)
- Структурированные данные (например, реляционные базы данных и службы данных Azure)
  
  Azure Synapse Link создает тесную простую интеграцию между Azure Cosmos DB и Azure Synapse Analytics. Конвейеры Azure Synapse можно активировать на основе предопределенного расписания или в ответ на событие. Их также можно активировать путем вызовов интерфейсы REST API.

Store (Сохранить)

Данные приема могут приземлиться непосредственно в необработанном формате, а затем преобразоваться в Azure Data Lake. Данные, проверенные и преобразованные в реляционные структуры, можно предоставить для использования в Azure Synapse Analytics.

Обучение и развертывание модели

Машинное обучение предоставляет службу машинного обучения корпоративного уровня для создания и развертывания моделей быстрее. Она предоставляет пользователям со всеми уровнями навыков конструктор с минимальным объемом кода, автоматизированное ML и размещенную среду Jupyter Notebook. Модели можно развертывать как конечные точки в режиме реального времени в Служба Azure Kubernetes, так и как управляемую конечную точку Машинное обучение. Для пакетного вывода моделей ML можно использовать конвейеры Машинного обучения.

Потребление

Пакетная или модель реального времени, опубликованная в Машинное обучение, может создать конечную точку REST, которую можно использовать в пользовательском приложении, созданном с помощью платформы Power Apps с низким кодом. Для представления прогнозов в бизнес-отчетах можно также вызвать конечную точку Машинного обучения для прогнозирования в реальном времени из отчета Power BI.

Примечание.

Как Машинное обучение, так и стек Microsoft Power Platform имеют ряд встроенных соединителей для прямого приема данных. Эти соединители могут быть полезны для минимального жизнеспособного продукта (MVP). Однако разделы "Прием" и "Магазин" архитектуры советуют по роли стандартных конвейеров данных для получения и хранения данных из разных источников в масштабе. Эти шаблоны обычно реализуются и поддерживаются командами корпоративной платформы данных.

Компоненты

Можно использовать следующие компоненты.

Службы Microsoft Power Platform

Power Platform: набор средств для анализа данных, создания решений, автоматизации процессов и создания виртуальных агентов. Она включает в себя Power Apps, Power Automate, Power BI и Microsoft Copilot Studio (ранее — Power Virtual Agent).
Power Apps: набор приложений, служб, соединителей и платформы данных. Он предоставляет среду быстрой разработки приложений для создания настраиваемых приложений в соответствии с потребностями бизнеса.
Power Automate: служба, которая помогает создавать автоматизированные рабочие процессы между любимыми приложениями и службами. Используйте ее для синхронизации файлов, получения уведомлений, сбора данных и т. д.
Power BI: коллекция программных служб, приложений и соединителей, которые работают вместе, чтобы превратить несвязанные источники данных в последовательные, визуально иммерсивные и интерактивные аналитические сведения.

Службы Azure;

Машинное обучение: служба машинного обучения корпоративного уровня для быстрого создания и развертывания моделей. Эта служба предоставляет пользователям со всеми уровнями навыков конструктор с небольшим объемом кода, автоматизированное ML и размещенную среду Jupyter Notebook для поддержки выбранной IDE.
Управляемые конечные точки Машинного обучения. Сетевые конечные точки, позволяющие развертывать модель без необходимости создания базовой инфраструктуры и управления ей.
Служба Azure Kubernetes. Машинное обучение поддерживает различные целевые объекты вычислений. Одним из таких целевых объектов является Служба Azure Kubernetes, которая отлично подходит для корпоративных конечных точек модели для прогнозирования в реальном времени.
Azure Data Lake: файловая система, совместимая с Hadoop. Она располагает интегрированным иерархическим пространством имен, ей присущ огромный масштаб и экономичность Хранилища BLOB-объектов Azure.
Azure Synapse Analytics. Служба аналитики без ограничений, которая объединяет интеграцию данных, корпоративные хранилища данных и аналитику больших данных.
Центры событий и Центр Интернета вещей: обе службы используют потоки данных, созданные клиентскими приложениями или устройствами Интернета вещей. Затем они принимают и сохраняют данные потоковой передачи без изменения последовательности полученных событий. Потребители могут подключаться к конечным точкам центра для получения сообщений для обработки.

Службы платформы

Чтобы улучшить качество решений Azure, следуйте рекомендациям в Azure Well-Architected Framework. Платформа состоит из пяти основных компонентов качественной архитектуры:

Оптимизация затрат
Эффективность работы
Оптимизация производительности
Надежность
Безопасность

Чтобы создать проект с соблюдением эти рекомендаций, рассмотрите возможность использования следующих служб:

Идентификатор Microsoft Entra: службы удостоверений, единый вход и многофакторная проверка подлинности в рабочих нагрузках Azure.
Управление затратами Майкрософт: финансовое управление рабочими нагрузками Azure.
Azure Key Vault. Защита учетных данных и управление сертификатами.
Azure Monitor. Сбор, анализ и отображение данных телеметрии из ресурсов Azure. Используйте Монитор для упреждающего выявления проблем для повышения производительности и надежности.
Microsoft Defender для облака. Повышение и отслеживание уровня безопасности рабочих нагрузок Azure.
Azure DevOps и GitHub: реализуйте методики DevOps для обеспечения автоматизации и соответствия конвейерам разработки и развертывания рабочей нагрузки для Azure Synapse Analytics и Машинное обучение.
Политика Azure. Реализация организационных стандартов и средств контроля согласованности ресурсов, соответствия нормативным требованиям, безопасности, расходов и управления.

Альтернативные варианты

MVP машинного обучения дает преимущества от скорости к результату. В некоторых случаях потребности пользовательской модели можно выполнить предварительно обученными Службами Azure Cognitive Services или приложение Azure lied AI Services. В других случаях Power Apps AI Builder может обеспечить соответствие модели назначения.

Подробности сценария

Общая тенденция развития технологий заключается в растущей популярности ролей пользователей, использующих средства ИИ. Такие роли являются бизнес-практиками, желающими улучшить бизнес-процессы с помощью применения технологий машинного обучения и искусственного интеллекта. Эта тенденция в значительной степени поддерживается растущей зрелостью и доступностью инструментов с минимальным объемом кода для разработки моделей ML.

Из-за известной высокой частоты сбоев в таких инициативах способность быстро прототипировать и проверять приложение ИИ в реальном мире становится ключевым инструментом для быстрого подхода. Существует два основных набора средств для разработки моделей по модернизации процессов и получения преобразующих результатов.

Набор средств ML для всех уровней навыков
- Поддерживает разработку без кода для полностью закодированного машинного обучения
- Имеет гибкий графический пользовательский интерфейс с низким кодом (GUI)
- Позволяет пользователям быстро извлекать и подготавливать данные
- Позволяет пользователям быстро создавать и развертывать модели
- Содержит расширенные автоматизированные возможности ML для разработки алгоритмов ML
Набор средств для разработки приложений с минимальным объемом кода
- Позволяет пользователям создавать настраиваемые приложения и рабочие процессы автоматизации
- Создает рабочие процессы для взаимодействия потребителей и бизнес-процессов с моделью ML

Машинное обучение выполняет роль низкокодового графического интерфейса для разработки машинного обучения. Она имеет автоматизированное машинное обучение и развертывание в пакетных или конечных точках в режиме реального времени. Power Platform, которая включает Power Apps и Power Automate, предоставляет набор средств для быстрого создания пользовательского приложения и рабочего процесса, реализующего алгоритм машинного обучения. Бизнес-пользователи теперь могут создавать рабочие приложения машинного обучения для преобразования устаревших бизнес-процессов.

Потенциальные варианты использования

Эти наборы средств сокращают время и усилия, необходимые для создания прототипа преимуществ модели ML в бизнес-процессе. Прототип можно легко расширить до рабочего приложения. Ниже перечислены варианты использования этих методов.

Производственные операции с использованием устаревших приложений, которые применяют устаревшие детерминированные прогнозы. В таких ситуациях пригодится повышенная точность модели ML. Чтобы обеспечить повышенную точность, требуется интеграция модели и действий по разработке с локальными устаревшими системами.
Центр обработки вызовов с устаревшими приложениями, которые не изменяются при перемещении данных. Модели, которые автоматически переобучение могут обеспечить значительное увеличение скорости прогнозирования или точности профилирования рисков. Проверка требует интеграции с существующими системами управления отношениями клиентов и управления билетами. Интеграция может быть дорогой.

Развертывание этого сценария

Рассмотрим этот бизнес-сценарий. Агент поля использует приложение, которое оценивает цену на рынок автомобиля. С помощью Машинного обучения можно быстро создать прототип модели ML этого приложения. Используя конструктор с минимальным объемом кода и функции ML, вы создадите модель, а затем развернете ее как конечную точку REST для прогнозирования в реальном времени.

Модель может доказать концепцию, но у пользователя нет простого способа использовать модель, реализованную как REST API. Microsoft Power Platform может помочь закрыть эту последнюю милю, как представлено здесь.

Ниже приведен пользовательский интерфейс для приложения, созданного в Power Apps с помощью имеющегося интерфейса с минимальным объемом кода.

Используйте Power Automate, чтобы создать рабочий процесс с минимальным объемом кода для анализа входных данных пользователя, их передачи в конечную точку Машинного обучения и получения прогноза. А с помощью Power BI можно взаимодействовать с моделью Машинного обучения и создавать настраиваемые бизнес-отчеты и панели мониторинга.

Чтобы развернуть этот комплексный пример, выполните пошаговые инструкции по прогнозированию цен на автомобиль — Машинное обучение Azure + решение Power App.

Расширенные сценарии

Рассмотрим следующие сценарии.

Развертывание в Teams

Пример приложения, предоставленного в предыдущем примере, также можно развернуть в Microsoft Teams. Teams является отличным каналом распространения приложений и средой совместной работы пользователей над приложениями. Дополнительные сведения о развертывании приложения в Teams с помощью Power Apps см. в статье "Публикация приложения с помощью Power Apps в Teams: Power Apps".

Использование API из нескольких приложений и автоматизаций

В этом примере будет настроен облачный поток Power Automate для использования конечной точки REST в качестве действия HTTP. Вместо него можно настроить пользовательский соединитель для конечной точки REST и использовать его непосредственно из Power Apps или из Power Automate. Этот подход полезен в случае, когда требуется, чтобы несколько приложений использовали одну и ту же конечную точку. Она также обеспечивает управление с помощью политики защиты от потери данных соединителя (DLP) в Центре администрирования Microsoft Power Platform. Сведения о создании пользовательского соединителя см. в статье "Использование пользовательского соединителя из приложения Power Apps". Дополнительные сведения о DLP соединителях Microsoft Power Platform см. в политиках защиты от потери данных: Power Platform.

Соавторы

Эта статья поддерживается корпорацией Майкрософт. Первоначально она была написана следующим образом:

Vyas Dev Venugopalan | Специалист по Azure Data и AI

Поделиться через

ИИ гражданина с помощью Power Platform