Citizen AI with the Power Platform

Machine Learning

Microsoft Power Platform

Power Apps

Power Automate

Power BI

Obecný technologický trend je stále oblíbenost rolí AI pro občany. Těmito rolemi jsou firemní specialisté, kteří hledají zlepšení obchodních procesů prostřednictvím využití strojového učení (ML) a technologií AI. Významným přispěvatelem k tomuto trendu je rostoucí vyspělost a dostupnost nástrojů s nízkým kódem pro vývoj ML modelů.

Díky dobře známé vysoké míry selhání takových iniciativ se schopnost rychle vytvořit prototyp a ověřit aplikaci AI v reálném světě stává klíčovým prvkem rychlého selhání. Existují dva klíčové nástroje pro vývoj modelů, které modernizují procesy a řídí transformativní výsledky:

Sada ML pro všechny úrovně dovedností
- Podporuje bez kódu pro plně za codedovaný ML vývoji.
- Má flexibilní grafické uživatelské rozhraní s nízkým kódem.
- Umožňuje uživatelům rychle nasaovat a připravovat data.
- Umožňuje uživatelům rychle vytvářet a nasazovat modely.
- Má pokročilé automatizované funkce ML pro vývoj ML algoritmů.
Sada nástrojů pro vývoj aplikací s nízkým kódem
- Umožňuje uživatelům vytvářet vlastní aplikace a pracovní postupy automatizace.
- Vytvoří pracovní postupy, aby spotřebitelé a obchodní procesy mohli komunikovat s ML modelem.

Potenciální případy použití

Tyto sady nástrojů minimalizují čas a úsilí potřebné k prototypování výhod ML modelu obchodního procesu. Prototyp můžete snadno rozšířit do produkční aplikace. Mezi použití těchto technik patří:

Výrobní operace se staršími aplikacemi, které používají zastaralé deterministické předpovědi. Takové situace mohou těžit z vyšší přesnosti modelu ML dat. Prokazování lepší přesnosti vyžaduje integraci modelu i vývoje se staršími místními systémy.
Call Center ops with legacy applications that don't adjust when data drifts. Modely, které automaticky přetrénují, mohou výrazně zvýšit predikci četnosti změn nebo přesnost profilace rizik. Ověřování vyžaduje integraci se stávajícími systémy pro správu vztahů se zákazníky a systémy správy lístků a integrace by mohla být nákladná.

Architektura

Níže uvedená architektura rozšiřuje analýzu od konce až po Azure Synapse scénář. Umožňuje vytrénování vlastního ML v Azure Machine Learning a implementaci s vlastní aplikací sestavenou pomocí Microsoft Power Platform.

Azure Machine Learning plní roli grafického uživatelského rozhraní s nízkým kódem pro ML vývoj. Má automatizované ML a nasazení do koncových bodů dávky nebo v reálném čase. Microsoft Power Platform, který zahrnuje Microsoft Power Apps a Microsoft Power Automate, poskytuje sady nástrojů pro rychlé vytvoření vlastní aplikace a pracovního postupu, který implementuje váš ML algoritmus. Koncoví podniková uživatelé teď mohou vytvářet produkční ML aplikace pro transformaci starších obchodních procesů.

Stáhněte si soubor aplikace Visio s touto architekturou.

Ingestování: Pomocí Azure Synapse můžete natahovat dávková data z široké škály místních i cloudových zdrojů. Pipelines aktivovat na základě předem definovaného plánu nebo v reakci na událost. Volají se také voláním rozhraní REST API. Můžete použít Azure Event Hubs nebo Azure IoT Hub ingestování datových proudů generovaných klientskými aplikacemi nebo zařízeními IoT. Event Hubs nebo IoT Hub ingestuje a ukládá streamovaná data, přičemž se zachová posloupnost přijatých událostí. Spotřebiteli se mohou připojit ke koncovým bodům centra a načítat zprávy pro zpracování.
Store (Obchod): Ingestovaná data je možné převést přímo v nezpracované podobě a pak je transformovat v Azure Data Lake. Data po kurátorování a transformaci na relační struktury lze prezentovat ke spotřebě v Azure Synapse Analytics.
Trénování a nasazení modelu: Azure Machine Learning poskytuje podnikovou službu pro ML a nasazování modelů rychleji. Poskytuje uživatelům na všech úrovních dovednosti návrháře s nízkým kódem, automatizovaného ML a hostovaného prostředí poznámkového bloku Jupyter. Modely je možné nasadit buď jako koncové body v reálném čase Azure Kubernetes Service,nebo jako Machine Learning spravovaný koncový bod . K dávkového odvozování ML modelů můžete použít Machine Learning kanály.
Spotřeba: Model ( dávky nebo v reálném čase) publikovaný v Machine Learning může generovat koncový bod REST, který je možné využívat ve vlastní aplikaci vytvořené pomocí platformy s Power Apps kódem. Můžete také volat koncový bod z Machine Learning v reálném čase a Power BI predikce v obchodních sestavách.

Poznámka

Oba Machine Learning i Power Platform mají řadu integrovaných konektorů, které pomáhají ingestovat data přímo. Ty mohou být užitečné pro jeden nebo více než minimální realizovatelné produkty (MVP). Oddíly architektury Ingest a Store však radí roli standardizovaných datových kanálů pro zdroje a ukládání dat z různých zdrojů ve velkém měřítku – vzory, které jsou obvykle implementované a udržované týmy podnikové datové platformy.

Komponenty

Power Platform služby

Microsoft Power Platform:Sada nástrojů pro analýzu dat, vytváření řešení, automatizaci procesů a vytváření virtuálních agentů. Zahrnuje Power App, Power Automate, Power BI a Power Virtual Agents.
Microsoft Power Apps:Sada aplikací, služeb, konektorů a datové platformy. Poskytuje prostředí pro rychlý vývoj aplikací pro vytváření vlastních aplikací pro vaše obchodní potřeby.
Microsoft Power Automate:Služba, která vám pomůže vytvářet automatizované pracovní postupy mezi vašimi oblíbenými aplikacemi a službami. Umožňuje synchronizovat soubory, dostávat oznámení, shromažďovat data atd.
Microsoft Power BI:Kolekce softwarových služeb, aplikací a konektorů, které společně převedou vaše nesouvisející zdroje dat na koherentní, vizuálně imerzivní a interaktivní přehledy.

Služby Azure

Azure Machine Learning:Podniková služba ML pro rychlé vytváření a nasazování modelů. Poskytuje uživatelům na všech úrovních dovednosti návrháře s nízkým kódem, automatizovaného ML a hostovaného prostředí poznámkového bloku Jupyter, které podporuje vaše oblíbené integrované vývojové prostředí (IDE).
Machine Learning spravované koncové body:Online koncové body, které umožňují nasadit model bez nutnosti vytvářet a spravovat základní infrastrukturu.
Azure Kubernetes Service:Machine Learning má různou podporu napříč různými cílovými výpočetními funkcemi. Azure Kubernetes Service takový cíl, který se skvěle hodí pro koncové body modelu na podnikové úrovni v reálném čase.
Azure Data Lake:Systém souborů kompatibilní s Hadoopem. Má integrovaný hierarchický obor názvů a masivní škálování a ekonomiku služby Azure Blob Storage.
Azure Synapse Analytics:Neomezené analytické služby, které sdružují integraci dat, skladování podnikových dat a analýzu velkých dat.
Azure Event Hubs a Azure IOT Hub:Obě služby ingestují datové proudy generované klientskými aplikacemi nebo zařízeními IoT. Potom ingestují a ukládají streamovaná data a zachovávají posloupnost přijatých událostí. Spotřebiteli se mohou připojit ke koncovým bodům centra a načítat zprávy pro zpracování.

Služby platformy

Pokud chcete zlepšit kvalitu řešení Azure, postupujte podle doporučení a pokynů v části Azure Well-Architected Framework. Architektura se skládá z pěti pilířů špičkové architektury:

Optimalizace nákladů
Efektivita provozu
Efektivita výkonu
Spolehlivost
Zabezpečení

Pokud chcete vytvořit návrh, který bude respektovat tato doporučení, zvažte následující služby:

Azure Active Directory:Služby identit, jednotné přihlašování a vícefaktorové ověřování napříč úlohami Azure.
Azure Cost Management and Billing:Finanční zásady správného řízení pro vaše úlohy Azure.
Azure Key Vault:Zabezpečení správy přihlašovacích údajů a certifikátů.
Azure Monitor:Shromažďování, analýza a zobrazení telemetrie z vašich prostředků Azure. Pomocí služby Monitor můžete aktivně identifikovat problémy, abyste maximalizovali výkon a spolehlivost.
Azure Security Center:Posílit a monitorovat stav zabezpečení vašich úloh Azure.
Azure DevOps & GitHub:Implementujte DevOps pro vynucování automatizace a dodržování předpisů kanálů vývoje a nasazení úloh pro Azure Synapse a Machine Learning.
Azure Policy:Implementujte organizační standardy a zásady správného řízení pro zajištění konzistence prostředků, dodržování právních předpisů, zabezpečení, nákladů a správy.

Alternativy

Minimální ML MVP (Minimum Viable Product) těží z rychlosti a výsledku. V některých případech mohou potřeby vlastního modelu splnit předem natrénované služby Azure Cognitive Services služby Azure Applied AI. V jiných Power Apps AI Builder model může být vhodný pro účelový model.

Požadavky

Když tyto služby použijete k vytvoření důkazu konceptu nebo MVP, nesníníte to. Existuje více práce na tom, aby se produkční řešení nasadělo. Architektury, jako je Azure Well-Architected Framework, poskytují referenční pokyny a osvědčené postupy pro vaši architekturu.

Dostupnost

Většina komponent použitých v tomto příkladu scénáře jsou spravované služby, které se automaticky škálují. Dostupnost služeb použitých v tomto příkladu se liší podle oblastí.

Aplikace založené na ML obvykle vyžadují jednu sadu prostředků pro trénování a druhou pro obsluhu. Prostředky vyžadované pro školení obecně nepotřebují vysokou dostupnost, protože živé požadavky na produkci přímo nevyhovují těmto prostředkům. Prostředky požadované pro obsluhu požadavků vyžadují vysokou dostupnost.

DevOps

postupy DevOps slouží k orchestraci koncového přístupu používaného v tomto příkladu. pokud je vaše organizace v DevOps nová, kontrolní seznam DevOps vám může pomáhat začít.

příručka Machine Learning DevOps obsahuje osvědčené postupy a učení o přijetí MLch operací (MLOps) v podniku s Machine Learning.

v tomto příkladu můžete použít automatizaci DevOps pro řešení Power Platform. další informace o DevOps power platform najdete v tématu Microsoft Power Platform Build Tools for Azure DevOps-Power platform | Microsoft Docs.

Nasazení tohoto scénáře

Vezměte v úvahu tento obchodní scénář: agent pole používá aplikaci, která odhadne cenu na trhu automobilu. Machine Learning můžete použít k rychlému vytvoření prototypu MLho modelu této aplikace. pro vytvoření modelu se používá návrhář s nízkým kódem a ML funkce a pak ho nasadíte jako koncový bod REST v reálném čase.

Model může ukázat koncept, ale uživatel nemá snadný způsob, jak využít model implementovaný jako REST API. Power Platform může pomáhat zavřít toto poslední kilometry, jak je znázorněno níže.

zde je uživatelské rozhraní pro aplikaci vytvořené v Power Apps pomocí rozhraní s nízkým kódem, které Power Apps poskytuje.

pomocí Power Automate můžete vytvořit pracovní postup s nízkým kódem pro analýzu vstupu uživatele, předat ho do koncového bodu Machine Learning a načíst předpověď. Power BI můžete použít také k interakci s modelem Machine Learning a vytváření vlastních obchodních sestav a řídicích panelů.

Pro nasazení tohoto uceleného příkladu postupujte podle podrobných pokynů v této ukázkové aplikaci Power.

Rozšířené scénáře

Nasadit do Microsoft Teams

Ukázková aplikace uvedená v předchozím příkladu se dá nasadit taky na Microsoft Teams. Teams poskytuje skvělý distribuční kanál pro vaše aplikace a poskytuje vašim uživatelům prostředí aplikací pro spolupráci. další informace o nasazení Power Apps do Teams najdete v tématu publikování aplikace pomocí Power Apps aplikace v Teams-Power Apps | Microsoft Docs.

Využívání rozhraní API z více aplikací a automatizace

v tomto příkladu nakonfigurujeme Power Automate cloudový tok, který bude využívat koncový bod REST jako akci HTTP. místo toho můžeme nastavit vlastní konektor pro koncový bod REST a spotřebovat ho přímo z Power Apps nebo z Power Automate. Tento přístup je užitečný, když chceme, aby se stejný koncový bod využívalo ve více aplikacích. Poskytuje taky zásady správného řízení pomocí zásad ochrany před únikem informací z konektoru v centru pro správu Power Platform. Pokud chcete vytvořit vlastní konektor, přečtěte si téma použití vlastního konektoru z aplikace Power Apps | Microsoft Docs. Další informace o ochraně před únikem informací z konektoru Power Platform najdete v tématu Zásady ochrany před únikem informací – Power Platform | Microsoft Docs.

Ceny

Ceny Azure: Služba infrastruktury jako služby (IaaS) a platforma jako služba (PaaS) první strany v Azure využívá cenový model založený na spotřebě. Nevyžadují licenci ani poplatek za předplatné. Obecně platí, že pomocí cenové kalkulačky Azure můžete odhadnout náklady. Další informace najdete v tématu věnovaném optimalizaci nákladů v Well-Architected Framework.

ceny pro Power Platform: Power Apps, Power Automate a Power BI jsou aplikace typu Software jako služba (SaaS) a mají své vlastní cenové modely, včetně plánu jednotlivých aplikací a jednotlivých uživatelů.