Bearbeiten

Azure Machine Learning-Architektur

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

Lösungsmöglichkeiten

Dieser Artikel ist ein Lösungsvorschlag. Wenn Sie möchten, dass wir diesen Artikel um weitere Informationen ergänzen, z. B. potenzielle Anwendungsfälle, alternative Dienste, Überlegungen zur Implementierung oder Preisempfehlungen, lassen Sie es uns über Feedback auf GitHub wissen.

Diese Architektur veranschaulicht die Komponenten, mit denen Sie hochwertige Modelle mit Azure Machine Learning, einem Dienst für den gesamten ML-Lebenszyklus, erstellen, bereitstellen und verwalten können.

Aufbau

Diagram of a machine learning solution architecture using Azure Machine Learning with Azure services for storage, data analysis, monitoring, authenticating, and secure deployment.

Laden Sie eine Visio-Datei dieser Architektur herunter.

Hinweis

Die in diesem Artikel beschriebene Architektur basiert auf der CLI und dem Python SDK v1 von Azure Machine Learning. Weitere Informationen zum neuen v2 SDK und der CLI finden Sie unter Was sind die CLI und das SDK v2?.

Datenfluss

  1. Stellen Sie alle strukturierten, unstrukturierten und halbstrukturierten Daten (Protokolle, Dateien und Medien) in Azure Data Lake Storage Gen2 zusammen.
  2. Verwenden Sie Apache Spark in Azure Synapse Analytics, um Datasets zu bereinigen, zu transformieren und zu analysieren.
  3. Erstellen und trainieren Sie Machine Learning-Modelle in Azure Machine Learning.
  4. Steuern Sie den Zugriff und die Authentifizierung für Daten und den ML-Arbeitsbereich mit Microsoft Entra ID und Azure Key Vault. Verwalten Sie Container mit Azure Container Registry.
  5. Stellen Sie das Machine Learning-Modell mithilfe von Azure Kubernetes Service in einem Container bereit, und sichern Sie die Bereitstellung mit Azure-VNets und Azure Load Balancer.
  6. Werten Sie die Modellleistung mithilfe der Protokollmetriken und Überwachungsfunktionen von Azure Monitor aus.
  7. Trainieren Sie Modelle nach Bedarf in Azure Machine Learning neu.
  8. Visualisieren Sie Datenausgaben mit Power BI.

Komponenten

  • Azure Machine Learning ist ein Machine Learning-Dienst(ML) für den gesamten ML-Lebenszyklus, der für Unternehmen konzipiert wurde.
  • Azure Synapse Analytics ist ein vereinheitlichter Dienst, mit dem Sie Daten für aktuelle BI- und Machine Learning-Anforderungen erfassen, untersuchen, aufbereiten, transformieren, verwalten und verarbeiten können.
  • Azure Data Lake Storage Gen2 ist ein hochgradig skalierbarer und sicherer Data Lake für Ihre Hochleistungs-Analyseworkloads.
  • Azure Container Registry ist eine Registrierung für Docker- und OCI-Images (Open Container Initiative), die alle OCI-Artefakte unterstützt. Erstellen, speichern, sichern, scannen, replizieren und verwalten Sie Containerimages und Artefakte mit einer vollständig verwalteten, georeplizierten Instanz der OCI-Distribution.
  • Azure Kubernetes Service: Azure Kubernetes Service (AKS) bietet eine serverlose Kubernetes-Plattform, eine Benutzeroberfläche für Continuous Integration und Continuous Delivery (CI/CD) sowie Sicherheit und Governance auf Unternehmensniveau. Stellen Sie containerisierte Anwendungen einfacher mit einem vollständig verwalteten Kubernetes-Dienst bereit, und verwalten Sie sie.
  • Mit Azure Monitor können Sie Telemetriedaten aus Ihren Azure- und lokalen Umgebungen sammeln, analysieren und auf sie reagieren. Azure Monitor ermöglicht Ihnen, die Leistung und Verfügbarkeit Ihrer Anwendungen zu maximieren und Probleme proaktiv in Sekundenschnelle zu identifizieren.
  • Azure Key Vault schützt kryptografische Schlüssel und andere Geheimnisse mithilfe von Cloud-Apps und -diensten.
  • Azure Load Balancer führt Lastenausgleiche für Internet- und privaten Netzwerkdatenverkehr mit hoher Leistung und geringer Latenz durch. Load Balancer funktioniert bei virtuellen Computern, VM-Skalierungsgruppen und IP-Adressen.
  • Power BI ist eine Suite von Business Analytics-Tools, die für Ihre gesamte Organisation Erkenntnisse bereitstellen. Stellen Sie eine Verbindung mit Hunderten von Datenquellen her, vereinfachen Sie die Datenvorbereitung und führen Sie ungeplante Analysen durch. Erzeugen Sie hochwertige Berichte, und veröffentlichen Sie sie dann für Ihre Organisation zur Nutzung im Web und auf mobilen Geräten.

Szenariodetails

Erstellen Sie hochwertige Modelle, stellen Sie sie bereit, und verwalten Sie sie mit Azure Machine Learning, einem Dienst für den gesamten ML-Lebenszyklus. Verwenden Sie branchenführende MLOps (Machine Learning-Vorgänge), Open-Source-Interoperabilität sowie integrierte Tools auf einer sicheren, vertrauenswürdigen Plattform, die zum verantwortungsbewussten maschinellen Lernen (ML) konzipiert wurde.

Mögliche Anwendungsfälle

  • Verwenden von maschinellem Lernen als Dienst.
  • Einfache und flexible Schnittstelle zum Erstellen.
  • Breites Spektrum unterstützter Algorithmen.
  • Einfache Implementierung von Webdiensten.
  • Umfassende Dokumentation zu Machine Learning-Lösungen.

Überlegungen

Diese Überlegungen beruhen auf den Säulen des Azure Well-Architected Frameworks, d. h. einer Reihe von Grundsätzen, mit denen die Qualität von Workloads verbessert werden kann. Weitere Informationen finden Sie unter Microsoft Azure Well-Architected Framework.

Kostenoptimierung

Bei der Kostenoptimierung geht es um die Suche nach Möglichkeiten, unnötige Ausgaben zu reduzieren und die Betriebseffizienz zu verbessern. Weitere Informationen finden Sie unter Übersicht über die Säule „Kostenoptimierung“.

Beitragende

Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:

Hauptautoren:

Melden Sie sich bei LinkedIn an, um nicht öffentliche LinkedIn-Profile anzuzeigen.

Nächste Schritte

Weitere Informationen zu den wichtigsten Diensten in dieser Lösung finden Sie in der Dokumentation:

Hier finden Sie weitere Anleitungen zu Azure Architecture Center: