Share via

عمليات التعلم الآلي (MLOps) v2

  • مقالة

توضح هذه المقالة ثلاثة بنيات Azure لعمليات التعلم الآلي. جميعها لديها تكامل مستمر من طرف إلى طرف (CI) والتسليم المستمر (CD) وإعادة تدريب المسارات. البنى مخصصة لهذه التطبيقات الذكاء الاصطناعي:

  • التعلم الآلي الكلاسيكي
  • رؤية الكمبيوتر (CV)
  • معالجة اللغة الطبيعية (NLP)

البنى هي نتاج مشروع MLOps v2. وهي تتضمن أفضل الممارسات التي اكتشفها مهندسو الحلول في عملية إنشاء حلول التعلم الآلي المتعددة. النتيجة هي أنماط قابلة للنشر وقابلة للتكرار وقابلة للصيانة كما هو موضح هنا.

تستخدم جميع البنيات خدمة Azure التعلم الآلي.

لتنفيذ مع نماذج قوالب التوزيع ل MLOps v2، راجع مسرع حلول Azure MLOps (v2) على GitHub.

حالات الاستخدام المحتملة

  • التعلم الآلي الكلاسيكي: التنبؤ بالسلاسل الزمنية والانحدار والتصنيف على البيانات المصنفة الجدولية هي حالات الاستخدام الأكثر شيوعا في هذه الفئة. ومن الأمثلة على ذلك:
    • تصنيف ثنائي ومتعدد التسميات
    • خطي، متعدد الحدود، حافة، حر، كمي، انحدار باييزي
    • ARIMA، الانحدار التلقائي (AR)، SARIMA، VAR، SES، LSTM
  • CV: يركز إطار عمل MLOps المقدم هنا في الغالب على حالات استخدام السيرة الذاتية للتجزئة وتصنيف الصور.
  • NLP: يمكن لإطار عمل MLOps هذا تنفيذ أي من حالات الاستخدام هذه، وغيرها غير مدرج:
    • التعرف على الكيان المحدد
    • تصنيف النصوص
    • إنشاء النص
    • تحليل التوجه
    • الترجمة‬
    • الإجابة عن الأسئلة
    • تلخيص
    • الكشف عن الجملة
    • اكتشاف اللغات
    • وضع علامات على جزء من الكلام

لا تغطي هذه المقالة المحاكاة والتعلم المعزز العميق والأشكال الأخرى من الذكاء الاصطناعي.

بناء الأنظمة

يتكون النمط المعماري MLOps v2 من أربعة عناصر نمطية رئيسية تمثل هذه المراحل من دورة حياة MLOps:

  • ملكية البيانات
  • الإدارة والإعداد
  • تطوير النموذج (حلقة داخلية)
  • توزيع النموذج (حلقة خارجية)

هذه العناصر والعلاقات بينها والأشخاص المقترنة بها عادة شائعة لجميع بنيات سيناريو MLOps v2. يمكن أن تكون هناك اختلافات في تفاصيل كل منها، اعتمادا على السيناريو.

البنية الأساسية ل MLOps v2 التعلم الآلي هو سيناريو التعلم الآلي الكلاسيكي على البيانات الجدولية. تعتمد بنيات CV وNLP على هذه البنية الأساسية وتعدلها.

البنى الحالية

البنى التي يغطيها MLOps v2 حاليا والتي تمت مناقشتها في هذه المقالة هي:

بنية التعلم الآلي الكلاسيكية

رسم تخطيطي لبنية التعلم الآلي الكلاسيكية.

قم بتنزيل ملف Visio لهذه البنية.

سير العمل لبنية التعلم الآلي الكلاسيكية

  1. ملكية البيانات

    يوضح هذا العنصر ملكية بيانات المؤسسة ومصادر البيانات المحتملة والأهداف لمشروع علوم البيانات. مهندسو البيانات هم المالكون الأساسيون لهذا العنصر من دورة حياة MLOps v2. أنظمة بيانات Azure الأساسية في هذا الرسم التخطيطي ليست شاملة ولا إلزامية. تتم الإشارة إلى مصادر البيانات والأهداف التي تمثل أفضل الممارسات الموصى بها استنادا إلى حالة استخدام العميل بواسطة علامة اختيار خضراء.

  2. الإدارة والإعداد

    هذا العنصر هو الخطوة الأولى في نشر مسرع MLOps v2. وهو يتألف من جميع المهام المتعلقة بإنشاء وإدارة الموارد والأدوار المرتبطة بالمشروع. يمكن أن تتضمن هذه المهام التالية، وربما مهاما أخرى:

    1. إنشاء مستودعات التعليمات البرمجية المصدر للمشروع
    2. إنشاء مساحات عمل التعلم الآلي باستخدام Bicep أو Terraform
    3. إنشاء مجموعات البيانات أو تعديلها وموارد الحوسبة المستخدمة لتطوير النموذج ونشره
    4. تعريف مستخدمي فريق المشروع وأدوارهم وعناصر التحكم في الوصول إلى الموارد الأخرى
    5. إنشاء البنية الأساسية لبرنامج ربط العمليات التجارية CI/CD
    6. إنشاء شاشات لجمع مقاييس النموذج والبنية الأساسية وإخطارها

    الشخصية الأساسية المرتبطة بهذه المرحلة هي فريق البنية التحتية، ولكن يمكن أن يكون هناك أيضا مهندسو بيانات ومهندسو التعلم الآلي وعلماء بيانات.

  3. تطوير النموذج (حلقة داخلية)

    يتكون عنصر الحلقة الداخلية من سير عمل علم البيانات التكراري الذي يعمل داخل مساحة عمل مخصصة وآمنة التعلم الآلي. يتم توضيح سير عمل نموذجي في الرسم التخطيطي. وينتقل من استيعاب البيانات، وتحليل البيانات الاستكشافية، والتجريب، وتطوير النموذج وتقييمه، إلى تسجيل نموذج مرشح للإنتاج. هذا العنصر المعياري كما تم تنفيذه في مسرع MLOps v2 غير محدد وقابل للتكيف مع العملية التي يستخدمها فريق علوم البيانات لتطوير النماذج.

    وتشمل الشخصيات المرتبطة بهذه المرحلة علماء البيانات ومهندسي التعلم الآلي.

  4. سجلات التعلم الآلي

    بعد أن يطور فريق علوم البيانات نموذجا مرشحا للنشر في الإنتاج، يمكن تسجيل النموذج في سجل مساحة العمل التعلم الآلي. تدفقات التكامل المستمر التي يتم تشغيلها، إما تلقائيا عن طريق تسجيل النموذج أو عن طريق الموافقة المسورة من قبل الإنسان في الحلقة، تعزز النموذج وأي تبعيات نموذج أخرى إلى مرحلة نشر النموذج.

    الأشخاص المرتبطون بهذه المرحلة هم عادة مهندسو التعلم الآلي.

  5. توزيع النموذج (حلقة خارجية)

    يتكون توزيع النموذج أو مرحلة الحلقة الخارجية من التقسيم المرحلي والاختبار قبل الإنتاج ونشر الإنتاج ومراقبة النموذج والبيانات والبنية الأساسية. تدير البنية الأساسية لبرنامج ربط العمليات التجارية CD الترويج للنموذج والأصول ذات الصلة من خلال الإنتاج والمراقبة وإعادة التدريب المحتملة، حيث يتم استيفاء المعايير المناسبة لمؤسستك وحالة الاستخدام.

    الأشخاص المرتبطون بهذه المرحلة هم في المقام الأول مهندسو التعلم الآلي.

  6. التقسيم المرحلي والاختبار

    يمكن أن تختلف مرحلة التقسيم المرحلي والاختبار مع ممارسات العملاء ولكنها تتضمن عادة عمليات مثل إعادة تدريب واختبار مرشح النموذج على بيانات الإنتاج، وعمليات توزيع الاختبار لأداء نقطة النهاية، وفحوصات جودة البيانات، واختبار الوحدة، وفحوصات الذكاء الاصطناعي المسؤولة عن تحيز النموذج والبيانات. تحدث هذه المرحلة في مساحة عمل واحدة أو أكثر التعلم الآلي مخصصة وآمنة.

  7. توزيع الإنتاج

    بعد أن يجتاز النموذج مرحلة التقسيم المرحلي والاختبار، يمكن ترقيته إلى الإنتاج باستخدام الموافقة المسورة للإنسان في الحلقة. تتضمن خيارات نشر النموذج نقطة نهاية دفعية مدارة لسيناريوهات الدفعات أو، بالنسبة للسيناريوهات القريبة من الوقت الحقيقي عبر الإنترنت، إما نقطة نهاية مدارة عبر الإنترنت أو توزيع Kubernetes باستخدام Azure Arc. يتم الإنتاج عادة في مساحة عمل واحدة أو أكثر مخصصة وآمنة التعلم الآلي.

  8. مراقبة‬

    تتيح لك المراقبة في التقسيم المرحلي والاختبار والإنتاج جمع مقاييس للتغييرات في أداء النموذج والبيانات والبنية الأساسية والعمل عليها. يمكن أن تتضمن مراقبة النموذج والبيانات التحقق من انحراف النموذج والبيانات، وأداء النموذج على البيانات الجديدة، ومشكلات الذكاء الاصطناعي المسؤولة. يمكن أن تراقب مراقبة البنية الأساسية استجابة بطيئة لنقطة النهاية أو سعة حساب غير كافية أو مشكلات في الشبكة.

  9. مراقبة البيانات والنماذج: الأحداث والإجراءات

    استنادا إلى معايير النماذج والبيانات التي تهمك مثل الحدود القياسية أو الجداول الزمنية، يمكن للمشغلات والإشعارات التلقائية تنفيذ الإجراءات المناسبة لاتخاذها. يمكن جدولة هذا بانتظام إعادة التدريب التلقائي للنموذج على بيانات الإنتاج الأحدث والتراجع إلى التقسيم المرحلي والاختبار لتقييم ما قبل الإنتاج. أو، يمكن أن يكون ذلك بسبب المشغلات على مشكلات النموذج أو البيانات التي تتطلب العودة إلى مرحلة تطوير النموذج حيث يمكن لعلماء البيانات التحقيق في نموذج جديد وربما تطويره.

  10. مراقبة البنية الأساسية: الأحداث والإجراءات

    استنادا إلى معايير لمسائل البنية الأساسية المثيرة للقلق مثل تأخر استجابة نقطة النهاية أو الحوسبة غير الكافية للتوزيع، يمكن للمشغلات والإشعارات التلقائية تنفيذ الإجراءات المناسبة لاتخاذها. إنها تؤدي إلى العودة إلى مرحلة الإعداد والإدارة حيث يمكن لفريق البنية الأساسية التحقيق في موارد الحوسبة والشبكة وربما إعادة تكوينها.

التعلم الآلي بنية CV

رسم تخطيطي لبنية رؤية الكمبيوتر.

قم بتنزيل ملف Visio لهذه البنية.

سير العمل لبنية CV

تستند بنية التعلم الآلي CV إلى بنية التعلم الآلي الكلاسيكية، ولكن لديها تعديلات خاصة بسيناريوهات السيرة الذاتية الخاضعة للإشراف.

  1. ملكية البيانات

    يوضح هذا العنصر ملكية بيانات المؤسسة ومصادر البيانات المحتملة والأهداف لمشروع علم البيانات. مهندسو البيانات هم المالكون الأساسيون لهذا العنصر من دورة حياة MLOps v2. أنظمة بيانات Azure الأساسية في هذا الرسم التخطيطي ليست شاملة ولا إلزامية. يمكن أن تأتي صور سيناريوهات السيرة الذاتية من العديد من مصادر البيانات المختلفة. للكفاءة عند تطوير نماذج CV ونشرها باستخدام التعلم الآلي، فإن مصادر بيانات Azure الموصى بها للصور هي Azure Blob Storage وAzure Data Lake Storage.

  2. الإدارة والإعداد

    هذا العنصر هو الخطوة الأولى في نشر مسرع MLOps v2. وهو يتألف من جميع المهام المتعلقة بإنشاء وإدارة الموارد والأدوار المرتبطة بالمشروع. بالنسبة لسيناريوهات CV، فإن إدارة وإعداد بيئة MLOps v2 هي نفسها إلى حد كبير كما هو الحال بالنسبة للتعلم الآلي الكلاسيكي، ولكن مع خطوة إضافية: إنشاء مشاريع تسمية الصور والتعليقات التوضيحية باستخدام ميزة وضع العلامات التعلم الآلي أو أداة أخرى.

  3. تطوير النموذج (حلقة داخلية)

    يتكون عنصر الحلقة الداخلية من سير عمل علم البيانات التكراري الذي تم تنفيذه داخل مساحة عمل مخصصة وآمنة التعلم الآلي. الفرق الأساسي بين سير العمل هذا سيناريو التعلم الآلي الكلاسيكي هو أن تسمية الصورة والتعليف التوضيحي هو عنصر رئيسي في حلقة التطوير هذه.

  4. سجلات التعلم الآلي

    بعد أن يطور فريق علوم البيانات نموذجا مرشحا للنشر في الإنتاج، يمكن تسجيل النموذج في سجل مساحة العمل التعلم الآلي. تعمل مسارات التكامل المستمر التي يتم تشغيلها إما تلقائيا عن طريق تسجيل النموذج أو عن طريق الموافقة المسورة من قبل الإنسان في الحلقة على ترقية النموذج وأي تبعيات نموذج أخرى إلى مرحلة نشر النموذج.

  5. توزيع النموذج (حلقة خارجية)

    يتكون توزيع النموذج أو مرحلة الحلقة الخارجية من التقسيم المرحلي والاختبار قبل الإنتاج ونشر الإنتاج ومراقبة النموذج والبيانات والبنية الأساسية. تدير مسارات CD الترويج للنموذج والأصول ذات الصلة من خلال الإنتاج والمراقبة وإعادة التدريب المحتملة كمعاياير مناسبة لمؤسستك ويتم استيفاء حالة الاستخدام.

  6. التقسيم المرحلي والاختبار

    يمكن أن تختلف مرحلة التقسيم المرحلي والاختبار مع ممارسات العملاء ولكنها تتضمن عادة عمليات مثل عمليات نشر الاختبار لأداء نقطة النهاية، وفحوصات جودة البيانات، واختبار الوحدة، والفحوصات المسؤولة الذكاء الاصطناعي للتحيز في النموذج والبيانات. بالنسبة لسيناريوهات CV، يمكن حذف إعادة تدريب المرشح النموذجي على بيانات الإنتاج بسبب قيود الموارد والوقت. بدلا من ذلك، يمكن لفريق علوم البيانات استخدام بيانات الإنتاج لتطوير النموذج، والنموذج المرشح المسجل من حلقة التطوير هو النموذج الذي يتم تقييمه للإنتاج. تحدث هذه المرحلة في مساحة عمل واحدة أو أكثر التعلم الآلي مخصصة وآمنة.

  7. توزيع الإنتاج

    بعد أن يجتاز النموذج مرحلة التقسيم المرحلي والاختبار، يمكن ترقيته إلى الإنتاج عبر الموافقات المسورة للإنسان في الحلقة. تتضمن خيارات نشر النموذج نقطة نهاية دفعية مدارة لسيناريوهات الدفعات أو، بالنسبة للسيناريوهات القريبة من الوقت الحقيقي عبر الإنترنت، إما نقطة نهاية مدارة عبر الإنترنت أو توزيع Kubernetes باستخدام Azure Arc. يتم الإنتاج عادة في مساحة عمل واحدة أو أكثر مخصصة وآمنة التعلم الآلي.

  8. مراقبة‬

    تتيح لك المراقبة في التقسيم المرحلي والاختبار والإنتاج جمع مقاييس للتغييرات في أداء النموذج والبيانات والبنية الأساسية والعمل عليها. يمكن أن تتضمن مراقبة النموذج والبيانات التحقق من أداء النموذج على الصور الجديدة. يمكن أن تراقب مراقبة البنية الأساسية استجابة بطيئة لنقطة النهاية أو سعة حساب غير كافية أو مشكلات في الشبكة.

  9. مراقبة البيانات والنماذج: الأحداث والإجراءات

    تعد مراحل مراقبة البيانات والنماذج والأحداث والإجراءات الخاصة ب MLOps ل NLP هي الاختلافات الرئيسية عن التعلم الآلي الكلاسيكي. لا تتم إعادة التدريب التلقائي عادة في سيناريوهات CV عند اكتشاف انخفاض أداء النموذج على الصور الجديدة. في هذه الحالة، يجب مراجعة الصور الجديدة التي يعمل النموذج من أجلها بشكل سيئ وإضافة تعليقات توضيحية إليها بواسطة عملية الإنسان في الحلقة، وغالبا ما يعود الإجراء التالي إلى حلقة تطوير النموذج لتحديث النموذج بالصور الجديدة.

  10. مراقبة البنية الأساسية: الأحداث والإجراءات

    استنادا إلى معايير لمسائل البنية الأساسية المثيرة للقلق مثل تأخر استجابة نقطة النهاية أو الحوسبة غير الكافية للتوزيع، يمكن للمشغلات والإشعارات التلقائية تنفيذ الإجراءات المناسبة لاتخاذها. يؤدي هذا إلى العودة إلى مرحلة الإعداد والإدارة حيث يمكن لفريق البنية الأساسية التحقيق في البيئة والحوسبة وموارد الشبكة وإعادة تكوينها.

التعلم الآلي بنية NLP

رسم تخطيطي لبنية N L P.

قم بتنزيل ملف Visio لهذه البنية.

سير العمل لبنية NLP

تستند بنية التعلم الآلي NLP إلى بنية التعلم الآلي الكلاسيكية، ولكن لديها بعض التعديلات الخاصة بسيناريوهات NLP.

  1. ملكية البيانات

    يوضح هذا العنصر ملكية بيانات المؤسسة ومصادر البيانات المحتملة والأهداف لمشروع علم البيانات. مهندسو البيانات هم المالكون الأساسيون لهذا العنصر من دورة حياة MLOps v2. أنظمة بيانات Azure الأساسية في هذا الرسم التخطيطي ليست شاملة ولا إلزامية. تتم الإشارة إلى مصادر البيانات والأهداف التي تمثل أفضل الممارسات الموصى بها استنادا إلى حالة استخدام العميل بواسطة علامة اختيار خضراء.

  2. الإدارة والإعداد

    هذا العنصر هو الخطوة الأولى في نشر مسرع MLOps v2. وهو يتألف من جميع المهام المتعلقة بإنشاء وإدارة الموارد والأدوار المرتبطة بالمشروع. بالنسبة لسيناريوهات NLP، فإن إدارة وإعداد بيئة MLOps v2 هي نفسها إلى حد كبير كما هو الحال بالنسبة للتعلم الآلي الكلاسيكي، ولكن مع خطوة إضافية: إنشاء مشاريع تسمية الصور والتعليقات التوضيحية باستخدام ميزة وضع العلامات التعلم الآلي أو أداة أخرى.

  3. تطوير النموذج (حلقة داخلية)

    يتكون عنصر الحلقة الداخلية من سير عمل علم البيانات التكراري الذي تم تنفيذه داخل مساحة عمل مخصصة وآمنة التعلم الآلي. يمكن أن تختلف حلقة تطوير نموذج NLP النموذجية اختلافا كبيرا عن سيناريو التعلم الآلي الكلاسيكي في أن التعليقات التوضيحية للجمل والرمز المميز والتطبيع والتضمين للبيانات النصية هي خطوات التطوير النموذجية لهذا السيناريو.

  4. سجلات التعلم الآلي

    بعد أن يطور فريق علوم البيانات نموذجا مرشحا للنشر في الإنتاج، يمكن تسجيل النموذج في سجل مساحة العمل التعلم الآلي. تعمل مسارات التكامل المستمر التي يتم تشغيلها إما تلقائيا عن طريق تسجيل النموذج أو عن طريق الموافقة المسورة من قبل الإنسان في الحلقة على ترقية النموذج وأي تبعيات نموذج أخرى إلى مرحلة نشر النموذج.

  5. توزيع النموذج (حلقة خارجية)

    يتكون توزيع النموذج أو مرحلة الحلقة الخارجية من التقسيم المرحلي والاختبار قبل الإنتاج ونشر الإنتاج ومراقبة النموذج والبيانات والبنية الأساسية. تدير مسارات CD الترويج للنموذج والأصول ذات الصلة من خلال الإنتاج والمراقبة وإعادة التدريب المحتملة، كما يتم استيفاء معايير لمؤسستك وحالة الاستخدام.

  6. التقسيم المرحلي والاختبار

    يمكن أن تختلف مرحلة التقسيم المرحلي والاختبار مع ممارسات العملاء، ولكنها تتضمن عادة عمليات مثل إعادة تدريب واختبار مرشح النموذج على بيانات الإنتاج، وعمليات توزيع الاختبار لأداء نقطة النهاية، وفحوصات جودة البيانات، واختبار الوحدة، وفحوصات الذكاء الاصطناعي المسؤولة للتحيز في النموذج والبيانات. تحدث هذه المرحلة في مساحة عمل واحدة أو أكثر التعلم الآلي مخصصة وآمنة.

  7. توزيع الإنتاج

    بعد أن يجتاز النموذج مرحلة التقسيم المرحلي والاختبار، يمكن ترقيته إلى الإنتاج من خلال الموافقة المسورة للإنسان في الحلقة. تتضمن خيارات نشر النموذج نقطة نهاية دفعية مدارة لسيناريوهات الدفعات أو، بالنسبة للسيناريوهات القريبة من الوقت الحقيقي عبر الإنترنت، إما نقطة نهاية مدارة عبر الإنترنت أو توزيع Kubernetes باستخدام Azure Arc. يتم الإنتاج عادة في مساحة عمل واحدة أو أكثر مخصصة وآمنة التعلم الآلي.

  8. مراقبة‬

    تتيح لك المراقبة في التقسيم المرحلي والاختبار والإنتاج جمع التغييرات في أداء النموذج والبيانات والبنية الأساسية والعمل عليها. يمكن أن تتضمن مراقبة النموذج والبيانات التحقق من انحراف النموذج والبيانات، وأداء النموذج على البيانات النصية الجديدة، ومشكلات الذكاء الاصطناعي المسؤولة. يمكن أن تراقب مراقبة البنية الأساسية مشكلات مثل الاستجابة البطيئة لنقطة النهاية، وعدم كفاية سعة الحوسبة، ومشاكل الشبكة.

  9. مراقبة البيانات والنماذج: الأحداث والإجراءات

    كما هو الحال مع بنية CV، فإن البيانات ومراقبة النموذج والمراحل العملية من MLOps ل NLP هي الاختلافات الرئيسية عن التعلم الآلي الكلاسيكي. لا تتم إعادة التدريب التلقائي عادة في سيناريوهات NLP عند اكتشاف انخفاض أداء النموذج على نص جديد. في هذه الحالة، يجب مراجعة البيانات النصية الجديدة التي ينفذ النموذج لها أداء ضعيفا وإضافة تعليقات توضيحية إليها بواسطة عملية بشرية في التكرار الحلقي. غالبا ما يكون الإجراء التالي هو العودة إلى حلقة تطوير النموذج لتحديث النموذج بالبيانات النصية الجديدة.

  10. مراقبة البنية الأساسية: الأحداث والإجراءات

    استنادا إلى معايير لمسائل البنية الأساسية المثيرة للقلق مثل تأخر استجابة نقطة النهاية أو الحوسبة غير الكافية للتوزيع، يمكن للمشغلات والإشعارات التلقائية تنفيذ الإجراءات المناسبة لاتخاذها. إنها تؤدي إلى العودة إلى مرحلة الإعداد والإدارة حيث يمكن لفريق البنية الأساسية التحقيق في موارد الحوسبة والشبكة وربما إعادة تكوينها.

المكونات

  • التعلم الآلي: خدمة سحابية لتدريب نماذج التعلم الآلي وتسجيلها ونشرها وإدارتها على نطاق واسع.
  • Azure Pipelines: يستند نظام الإنشاء والاختبار هذا إلى Azure DevOps ويستخدم في البنية الأساسية لبرنامج ربط العمليات التجارية للإنشاء والإصدار. تقسم Azure Pipelines هذه المسارات إلى خطوات منطقية تسمى المهام.
  • GitHub: نظام أساسي لاستضافة التعليمات البرمجية للتحكم في الإصدار والتعاون وسير عمل CI/CD.
  • Azure Arc: نظام أساسي لإدارة Azure والموارد المحلية باستخدام Azure Resource Manager. يمكن أن تتضمن الموارد الأجهزة الظاهرية ومجموعات Kubernetes وقواعد البيانات.
  • Kubernetes: نظام مفتوح المصدر لأتمتة نشر التطبيقات المعبأة في حاويات وتوسيع نطاقها وإدارتها.
  • Azure Data Lake: نظام ملفات متوافق مع Hadoop. لديها مساحة اسم هرمية متكاملة وحجم هائل واقتصاد تخزين Blob.
  • Azure Synapse Analytics هي خدمة تحليلات غير محدودة تجمع بين تكامل البيانات وتخزين بيانات المؤسسة وتحليلات البيانات الضخمة.
  • مراكز الأحداث. خدمة استيعاب تدفقات البيانات التي تم إنشاؤها بواسطة تطبيقات العميل. ثم يستقبل البيانات المتدفقة ويخزنها، مع الحفاظ على تسلسل الأحداث المستلمة. يمكن للمستهلكين الاتصال بنقاط نهاية المركز لاسترداد الرسائل للمعالجة. هنا نحن نستفيد من التكامل مع Data Lake Storage.

المساهمون

تحتفظ Microsoft بهذه المقالة. وهي مكتوبة في الأصل من قبل المساهمين التاليين.

الكتاب الرئيسيون:

لمشاهدة ملفات تعريف LinkedIn غير العامة، سجل الدخول إلى LinkedIn.

الخطوات التالية