Neuerungen im Azure Architecture Center
Das Azure Architecture Center (AAC) unterstützt Sie beim Entwerfen, Erstellen und Betreiben von Lösungen in Azure. Informieren Sie sich über Architekturstile und Entwurfsmuster für die Cloud. Anhand der Technologieoptionen und Leitfäden entscheiden Sie, welche Dienste für Ihre Lösung am geeignetsten sind. Die Empfehlungen basieren auf allen Aspekten der Entwicklung für die Cloud, z. B. Betrieb, Sicherheit, Zuverlässigkeit, Leistung und Kostenoptimierung.
Die folgenden neuen und aktualisierten Artikel wurden kürzlich im Azure Architecture Center veröffentlicht.
Mai 2024
Neue Artikel
- Auswählen eines Azure-Diensts für die Vektorsuche
- Implementieren der mandantenübergreifenden Kommunikation mithilfe von mehrinstanzenfähigen Anwendungen
- Zugriff auf Azure OpenAI und andere große Sprachmodelle über ein Gateway
- Verwenden eines vor mehreren Azure OpenAI-Bereitstellungen oder -Instanzen hinzugefügten Gateways
- Verwenden von HDInsight und Delta Lake zum Verwalten von Ereignisdaten
Aktualisierte Artikel
- AKS - Tag-2 - Leitfaden: Patch- und Upgradeleitfaden (#2881355c9e)
- Valetschlüsselmuster (#392626fa9b)
- Umfangreiche Verarbeitung von benutzerdefinierten natürlichen Sprachen in Azure (#aa9967e7d1)
- Multi-Model-Machine-Learning im großen Stil mit Azure Machine Learning (#aa9967e7d1)
- Multi-Model-Machine Learning mit Spark (#aa9967e7d1)
- Erstellen personalisierter Marketinglösungen (#aa9967e7d1)
- Bestimmen der Kundenlebensdauer und Abwanderung mit Azure KI-Diensten (#8420397885)
April 2024
Neue Artikel
- Migrieren von Mainframedaten zu Azure
- Supply Chain Management: Überwachen und Nachverfolgen mit dem von Azure unterstützten Kaleido Blockchain as a Service
- IBM z/OS-Mainframemigration mit Avanade AMT
- Verwenden einer Split-Brain-DNS-Konfiguration zum Hosten einer Webanwendung
- Verlagern von AIX-Workloads auf eine Plattform in Azure
Aktualisierte Artikel
- Muster für die Anspruchsprüfung (#7cd4a5fc06)
- Konzepte und Muster der Architektur von Azure Mainframe und Midrange (#d4096a7e81)
- Zuverlässiges Web-App-Muster für .NET: Anwenden des Musters (#c8dc2d83ac)
- Zuverlässiges Web-App-Muster für .NET: Planen der Implementierung (#c8dc2d83ac)
- Zuverlässiges Web-App-Muster für Java: Anwenden des Musters (#c8dc2d83ac)
- Zuverlässiges Web-App-Muster für Java: Planen der Implementierung (#c8dc2d83ac)
- Zuverlässiges Web-App-Muster (#c8dc2d83ac)
- Choreography-Muster (#44545f677e)
- Sharding-Muster (#53dea81b8b)
- Unisys-Mainframemigration mit Avanade AMT (#ef52a9c4b8)
- Verwenden von Azure-Dateifreigaben in einer Hybridumgebung (#78c1ee7b97)
- Azure Enterprise Cloud-Dateifreigabe (#d392845160)
- Entkoppelte KI am Rande mit Azure Stack Hub (#5c8a0bfe5b)
- Azure Machine Learning Architektur (#5c8a0bfe5b)
- Vorhersage der Kundenabwanderung mithilfe von Echtzeit-Analysen (#5c8a0bfe5b)
- Kundenbetreuung und Feedback-Analyse (#5c8a0bfe5b)
- Einsatz von KI und maschinellem Lernen am Rande der Wertschöpfungskette (#5c8a0bfe5b)
- Machine Learning Operations-Framework (MLOps) zum Hochskalieren des Machine Learning-Lebenszyklus mit Azure Machine Learning (#9597e138f4)
- Prüfliste zur Netzwerksicherheit für MLOps-Lösungen (#9597e138f4)
- Abfragebasierte Dokumentzusammenfassung (#9597e138f4)
- KI am Edge mit Azure Stack Hub (#9597e138f4)
- Erstellen und Bereitstellen einer Lösung für Social Media-Analysen (#f2fe7193e5)
- Bildklassifizierung in Azure (#f2fe7193e5)
- Serverlose Ereignisverarbeitung (#863c1fb294)
- Serverlose Webanwendung (#08aa3d6222)
- Architekturansätze für IoT in mehrinstanzenfähigen Lösungen (#95dfc35ea1)
- Sichere Forschungsumgebung für regulierte Daten (#5be601f9c0)
- Erstellen einer Transkriptionspipeline für die Spracherkennung (Sprache-in-Text) zum Analysieren aufgezeichneter Unterhaltungen (#5be601f9c0)
- Konversationszusammenfassung (#5be601f9c0)
- Implementieren von benutzerdefinierten Spracherkennungslösungen, die KI verwenden (#5be601f9c0)
- Bereitstellen einer benutzerdefinierten Spracherkennungslösung, die KI verwendet (#5be601f9c0)
- Microsoft-Produkte für maschinelles Lernen (#5be601f9c0)
- Machine Learning Operations (MLOps) v2 (#5be601f9c0)
- MLOps für Python mit Azure Machine Learning (#171d0a834e)
- Pipes- und Filters-Muster (#b872e39b9a)
- Consumer-Health-Portal in Azure (#4d8d14cfb0)
- Analysieren von Videoinhalten mit maschinellem Sehen und Azure Machine Learning (#678b1208d7)
- Automatisieren der Dokumentklassifizierung in Azure (#678b1208d7)
- Automatisieren der Dokumentenverarbeitung mit AI Document Intelligence (#678b1208d7)
- Automatisieren der PDF-Formularverarbeitung (#678b1208d7)
- Batchbewertung mit R-Modellen zur Vorhersage des Umsatzes (#678b1208d7)
- Batchbewertung in Azure für Deep Learning-Modelle (#678b1208d7)
- Verwenden des Application Gateway-Eingangsdatencontrollers (AGIC) mit einer AKS-Instanz (Azure Kubernetes Service) mit mehreren Mandanten (#f926f21c96)
- Azure DNS Private Resolver (#826d234caa)
März 2024
Neue Artikel
- SaaS und mehrinstanzenfähige Lösungsarchitektur
- Bereitstellungsmuster für Microsoft Fabric
- Verwaltung des Lebenszyklus von Zertifikaten in Azure
- Azure Governance Visualizer Accelerator Anleitung
- SWIFT Alliance Remote Gateway mit Alliance Connect Virtual auf Azure
Aktualisierte Artikel
- Mainframedateireplikation und -synchronisierung in Azure (#fd5382616c)
- Entwurf einer virtuellen Desktop-Architektur (#1f503526df)
- Azure Landing Zones – Überlegungen zur Gestaltung von Azure Virtual Desktop Landing Zones (#1f503526df)
- Entwurf einer Datenbankarchitektur (#48b8f2e522)
- Valet-Key-Muster (#ea584f3338)
- Computerforensische Überwachungskette in Azure (#8450c5fe34)
- Muster und Implementierungen für eine Transformation der Banking Cloud (#f6f9920d52)
- Automatisieren der Dokumentklassifizierung in Azure (#412e82c5e5)
- Vergleich von AWS- und Azure-Diensten: (#412e82c5e5)
- Entwurf mit Blick auf Selbstreparatur (#412e82c5e5)
- Verwenden von PaaS-Optionen (Platform as a Service) (#9e1d8db29a)
- Bewährte Methoden beim Web-API-Design (#88d40e307f)
- Web-API-Implementierung (#88d40e307f)
- Anleitung für Hintergrundaufträge (#88d40e307f)
- Allgemeine Architekturüberlegungen für die Auswahl eines Azure-Containerdiensts (#759e0e1733)
- Grundlegende Architektur für einen AKS-Cluster (#b5595d9697)
- Behebung von Netzwerkproblemen in AKS-Clustern (#cf8b9215de)
- IPv6 Hub-Spoke-Netzwerktopologie (#fb6207130d)
- Muster für die Überwachung von Gesundheitsendpunkten (#87e9972941)
- Index Tabellenmuster (#87e9972941)
- Leader Election-Muster (#87e9972941)
- Materialized View-Muster (#87e9972941)
- Messaging Bridge-Muster (#87e9972941)
- Pipes- und Filters-Muster (#87e9972941)
- Priority Queue-Muster (#87e9972941)
- Publisher-Subscriber-Muster (#87e9972941)
- Quarantine-Muster (#87e9972941)
- Queue-Based Load Leveling-Muster (#87e9972941)
- Rate Limiting-Muster (#87e9972941)
- Retry-Muster (#87e9972941)
- Scheduler Agent Supervisor Muster (#87e9972941)
- Sequential Convoy-Muster (#87e9972941)
- Sharding-Muster (#87e9972941)
- Sidecar-Muster (#87e9972941)
- Static Content Hosting-Muster (#87e9972941)
- Strangler Fig-Muster (#87e9972941)
- Throttling-Muster (#87e9972941)
- Intelligente E-Commerce-Produktsuchmaschine (#b227ec9aa9)
Februar 2024
Neue Artikel
- Migrieren von Amazon Elastic Kubernetes Service (EKS) zu Azure Kubernetes Service (AKS)
- Hosten einer Murex MX.3-Workload in Azure mithilfe von SQL
- IPv6-Hub-Spoke-Netzwerktopologie
- Quarantänemuster
Aktualisierte Artikel
- Entwurf einer Datenbankarchitektur (#3ba5551b02)
- Gruppenmanageraufgaben im Team Data Science Process (#e970efb5a8)
- Kundenakzeptanzphase des Team Data Science Process Lebenszyklus (#e970efb5a8)
- Phase des Geschäftsverständnisses im Team Data Science Process lifecycle (#e970efb5a8)
- Phase der Datenerfassung und des Datenverständnisses im Lebenszyklus des Team Data Science Process (#e970efb5a8)
- Bereitstellungsphase des Team Data Science Process-Lebenszyklus (#e970efb5a8)
- Modellierungsphase des Team Data Science Process Lebenszyklus (#e970efb5a8)
- Der Lebenszyklus des Team Data Science-Prozesses (#e970efb5a8)
- Verschieben von Blob-Storage-Daten mit SSIS-Konnektoren (#e970efb5a8)
- Was ist der Team Data Science-Prozess (TDSP)? (#e970efb5a8)
- Vorbereiten von Daten für Machine Learning Studio (classic) (#e970efb5a8)
- Aufgaben des einzelnen Mitarbeiters im Team Data Science Process (#e970efb5a8)
- Projektleitungsaufgaben im Team Data Science Process (#e970efb5a8)
- Rollen und Aufgaben im Team Data Science Prozess (#e970efb5a8)
- Team Data Science Prozess für Datenwissenschaftler (#e970efb5a8)
- Teamleitungsaufgaben im Team Data Science Process (#e970efb5a8)
- Pipes and Filters-Muster (#3384d4cef1)
- Azure-Symbole (#e57764588e)
- Durchsuchen und Abfragen einer Wissensdatenbank im Unternehmen mit Azure OpenAI oder Azure AI Search (#f8cde6690c)
- Allgemeine Architekturüberlegungen für die Auswahl eines Azure-Containerdiensts (#b91e17155e)
- Zero Trust-Netzwerk für Webanwendungen mit Azure Firewall und Application Gateway (#7dd617e4dd)
- Firewall, App Gateway für virtuelle Netzwerke (#31392db970)
- Ambassador-Muster (#64f6bb1215)
- Anti-corruption Layer-Muster (#64f6bb1215)
- Asynchronous Request-Reply-Muster (#64f6bb1215)
- Backends for Frontends-Muster (#64f6bb1215)
- Bulkhead-Muster (#64f6bb1215)
- Cache-Aside-Muster (#64f6bb1215)
- Choreography-Muster (#64f6bb1215)
- Circuit Breaker-Muster (#64f6bb1215)
- Claim-Check-Muster (#64f6bb1215)
- Compensating Transaction-Muster (#64f6bb1215)
- Competing Consumers-Muster (#64f6bb1215)
- Compute Resource Consolidation-Muster (#64f6bb1215)
- CQRS-Muster (#64f6bb1215)
- Deployment Stamps-Muster (#64f6bb1215)
- Event Sourcing-Muster (#64f6bb1215)
- External Configuration Store-Muster (#64f6bb1215)
- Federated Identity-Muster (#64f6bb1215)
- Gatekeeper-Muster (#64f6bb1215)
- Gateway Aggregation-Muster (#64f6bb1215)
- Gateway Offloading-Muster (#64f6bb1215)
- Gateway Routing-Muster (#64f6bb1215)
- Geode-Muster (#64f6bb1215)
- Multitenancy and Azure Event Hubs (#67b065b5a7)
- Bereitstellen von Azure-Zielzonen (#851289722f)
- Erstellen von CNCF-Projekten mit Azure Kubernetes Service (#adc0cbe6cd)
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unterFeedback senden und anzeigen für