Upravit

Share via

Architektura služby Azure Machine Učení

Azure Machine Learning
Azure Synapse Analytics
Azure Container Registry
Azure Monitor
Power BI

Nápady na řešení

Tento článek je myšlenkou řešení. Pokud chcete, abychom obsah rozšířili o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět tím, že nám poskytnete zpětnou vazbu k GitHubu.

Tato architektura ukazuje komponenty používané k vytváření, nasazování a správě vysoce kvalitních modelů pomocí služby Azure Machine Učení, což je služba pro kompletní životní cyklus strojového učení.

Architektura

Diagram architektury řešení strojového učení s využitím služby Azure Machine Učení se službami Azure pro ukládání, analýzu dat, monitorování, ověřování a zabezpečené nasazení

Stáhněte si soubor aplikace Visio s touto architekturou.

Poznámka:

Architektura popsaná v tomto článku je založená na rozhraní příkazového řádku azure Učení a sadě Python SDK verze 1. Další informace o nové sadě SDK a rozhraní příkazového řádku verze 2 najdete v tématu Co je rozhraní příkazového řádku a sdk verze 2.

Tok dat

  1. Spojte všechna strukturovaná, nestrukturovaná a částečně strukturovaná data (protokoly, soubory a média) do Azure Data Lake Storage Gen2.
  2. Pomocí Apache Sparku v Azure Synapse Analytics můžete datové sady vyčistit, transformovat a analyzovat.
  3. Vytváření a trénování modelů strojového učení ve službě Azure Machine Učení
  4. Řízení přístupu a ověřování pro data a pracovní prostor strojového učení pomocí Microsoft Entra ID a Azure Key Vaultu Správa kontejnerů pomocí služby Azure Container Registry
  5. Nasaďte model strojového učení do kontejneru pomocí služby Azure Kubernetes Services, zabezpečte a spravujte nasazení pomocí virtuálních sítí Azure a Azure Load Balanceru.
  6. Pomocí metrik protokolů a monitorování ze služby Azure Monitor vyhodnoťte výkon modelu.
  7. V Azure Machine Učení podle potřeby přetrénujte modely.
  8. Vizualizujte výstupy dat pomocí Power BI.

Komponenty

  • Azure Machine Učení je služba strojového učení na podnikové úrovni pro kompletní životní cyklus strojového učení.
  • Azure Synapse Analytics je jednotná služba, ve které můžete ingestovat, zkoumat, připravovat, transformovat, spravovat a obsluhovat data pro okamžité potřeby BI a strojového učení.
  • Azure Data Lake Storage Gen2 je široce škálovatelné a zabezpečené datové jezero pro vysoce výkonné analytické úlohy.
  • Azure Container Registry je registr imagí Dockeru a Open Container Initiative (OCI) s podporou všech artefaktů OCI. Sestavujte, ukládejte, zabezpečte, prohledávejte, replikujte a spravujte image kontejnerů a artefakty s využitím plně spravované a geograficky replikované instance distribuce OCI.
  • Azure Kubernetes Service Azure Kubernetes Service (AKS) nabízí bezserverové prostředí Kubernetes, integrované prostředí kontinuální integrace a průběžného doručování (CI/CD) a zabezpečení a zásady správného řízení na podnikové úrovni. Využijte možnost jednoduššího nasazování a správy kontejnerizovaných aplikací s využitím plně spravované služby Kubernetes.
  • Azure Monitor umožňuje shromažďovat, analyzovat a reagovat na telemetrická data z Azure a místních prostředí. Azure Monitor pomáhá zajistit maximální výkon a dostupnost vašich aplikací a aktivně identifikovat problémy v řádu několika sekund.
  • Azure Key Vault chrání kryptografické klíče a další tajné kódy používané cloudovými aplikacemi a službami.
  • Azure Load Balancer vyrovnává internetový a privátní síťový provoz s vysokým výkonem a nízkou latencí. Load Balancer funguje napříč virtuálními počítači, škálovacími sadami virtuálních počítačů a IP adresami.
  • Power BI je sada nástrojů pro obchodní analýzy, které poskytují přehledy v celé organizaci. Připojení na stovky zdrojů dat, zjednodušit přípravu dat a řídit neplánovanou analýzu. Můžete vytvářet působivé sestavy a potom je pro vaši organizaci publikovat na webu a napříč mobilními zařízeními.

Podrobnosti scénáře

Vytvářejte, nasazujte a spravujte vysoce kvalitní modely pomocí služby Azure Machine Učení, která je určená pro kompletní životní cyklus strojového učení. Používejte špičkové nástroje MLOps (operace strojového učení), opensourcovou interoperabilitu a integrované nástroje na zabezpečené důvěryhodné platformě navržené pro zodpovědné strojové učení.

Potenciální případy použití

  • Použití strojového učení jako služby
  • Snadné a flexibilní rozhraní pro vytváření.
  • Široká škála podporovaných algoritmů
  • Snadná implementace webových služeb.
  • Skvělá dokumentace pro řešení strojového učení

Důležité informace

Tyto aspekty implementují pilíře dobře architektuře Azure, což je sada hlavních principů, které je možné použít ke zlepšení kvality úlohy. Další informace naleznete v tématu Microsoft Azure Well-Architected Framework.

Optimalizace nákladů

Optimalizace nákladů se zabývá způsoby, jak snížit zbytečné výdaje a zlepšit efektivitu provozu. Další informace najdete v tématu Přehled pilíře optimalizace nákladů.

Přispěvatelé

Tento článek spravuje Microsoft. Původně byla napsána následujícími přispěvateli.

Hlavní autoři:

Pokud chcete zobrazit neveřejné profily LinkedIn, přihlaste se na LinkedIn.

Další kroky

Projděte si dokumentaci ke klíčovým službám v tomto řešení:

Projděte si související doprovodné materiály k Centru architektury Azure: