Intelligente Apps mit Azure Database for PostgreSQL

App Service
Cognitive Services
Database for PostgreSQL
Machine Learning
Power BI

Lösungsidee

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!

Entwickeln Sie anspruchsvolle, transformative Apps unter Verwendung modernster Algorithmen für maschinelles Lernen und integrierter Visualisierungstools, um umsetzbare Erkenntnisse und Analysen zu erhalten.

In diesem Beispiel einer intelligenten App ist PostgreSQL das Herzstück der Architektur als Hauptdatenbank für einen gängigen KI-ML-Anwendungsfall von Textanalysen in sozialen Medien. Die Unterstützung unstrukturierter Daten durch PostgreSQL, seine Fähigkeit zur Ausführung von parallelen Abfragen und deklarative Partitionierung machen es zu einer effektiven Datenbankwahl für eine sehr datenintensive KI-ML-Aufgabe. Da PostgreSQL eine cloudbasierte Lösung ist, wird diese Architektur nicht für mobile Anwendungen empfohlen. Sie ist eher für nachgelagerte Analysen geeignet.

Aufbau

Architekturdiagramm Laden Sie eine SVG-Datei für diese Architektur herunter.

Datenfluss

  1. Daten können aus verschiedenen Quellen stammen, z. B. Event Hubs für große Datenerfassungsvolumen, oder Daten, die in Blob Storage hochgeladen werden. Eine Funktions-App in Azure wird ausgelöst, sobald neue Daten empfangen werden.
  2. Die Azure Funktions-App ruft die Textanalyse-API in Azure Cognitive Services auf, um die Daten zu analysieren, z. B. für eine Standpunktanalyse. Die Ergebnisse der Analyse werden im JSON-Format zurückgegeben.
    • Die Textanalyse-API kann die Sprache der Benutzer und die in einer Review verwendeten Kernaussagen erkennen, bestimmte benannte Entitäten identifizieren und verstehen, wie Kunden wirklich über die von ihnen gekauften Produkte denken.
  3. Die Funktions-App in Azure speichert die Daten und die Ergebnisse der Textanalyse in Azure Database for MySQL.
  4. Deep-Learning Natural-Language-Processing-(NLP)-Modelle können dann über Azure Machine Learning Studio auf die API-Erkenntnisse in PostgreSQL oder auf die ursprünglichen Rohdaten angewendet werden
    • Wenn Sie für die Komponente des maschinellen Lernens in dieser Architektur einen No-Code-Ansatz bevorzugen, können Sie weitere Textanalyse-Operationen auf den Daten ausführen, wie Feature-Hashing, Word2Vector und N-Gramm-Extraktion. Stattdessen können Sie Ihr bevorzugtes Open-Source-NLP-Modell verwenden, wenn Sie einen Code-First-Ansatz bevorzugen, und Ihr Modell als Experiment in Azure Machine Learning ausführen.
    • Die Ergebnisse dieser weiteren ML-Analyse werden wieder in PostgreSQL gespeichert.
  5. Schließlich können in Power BI über den PostgreSQL-Konnektor von Menschen interpretierbare Erkenntnisse ausgewertet werden.

Komponenten

  • Azure App Services: Eine vollständig verwaltete Plattform für das schnelle Erstellen, Bereitstellen und Skalieren von Web-Apps und APIs.
  • Azure-Funktionen
  • Event Hubs
  • Azure Cognitive Services: Erstellen einer intelligenten Anwendung mit einer Sammlung von KI-Diensten und -APIs.
  • Azure Database for PostgreSQL: Die Hochverfügbarkeit von bis zu 99,99 % SLA sowie die agile Skalierbarkeit von Azure Database for PostgreSQL ermöglichen die Konzentration auf Innovationen.
  • Azure Machine Learning Studio: Trainieren, Bereitstellen und Automatisieren von ML-Modellen in einem Webportal, das sowohl codebasierte als auch No-Code-Ansätze unterstützt.
  • Power BI: Erstellen von eindrucksvollen Visualisierungen, und Gewinnen von wertvollen Erkenntnissen aus Ihren Daten.

Überlegungen

Die Textanalyse-API von Azure Cognitive Services erlaubt maximal 5.120 Zeichen in einem einzelnen Dokument und 1 MB pro Anforderung. Datengrenzwerte und Ratenbegrenzungen anzeigen.

Je nach Volumen und Geschwindigkeit der eingehenden Daten können Sie einen von drei Bereitstellungsmodi auswählen: Einzelserver, flexibel und Hyperscale (Citus). Wenn Sie umfangreiche Workloads von Kundenmeinungen und -reviews auswerten möchten, ist Hyperscale eine empfehlenswerte Lösung. Im Microsoft Learn-Modul Anwendungsfälle für Azure Database for PostgreSQL finden Sie Informationen darüber, wann die einzelnen Bereitstellungsmodi verwendet werden sollten.

Sicherheit

Alle Daten in PostgreSQL werden automatisch verschlüsselt und gesichert. Sie können Azure Advanced Threat Protection für eine weitere Risikominderung konfigurieren. Weitere Informationen finden Sie unter Advanced Threat Protection in Azure Database for PostgreSQL.

DevOps

Sie können GitHub Actions für die Verbindung mit Ihrer Azure PostgreSQL-Datenbank konfigurieren, indem Sie die Verbindungszeichenfolge verwenden und einen Workflow einrichten. Weitere Informationen hierzu finden Sie unter Schnellstart: Verwenden von GitHub Actions zum Herstellen einer Verbindung mit Azure PostgreSQL.

Darüber hinaus können Sie Ihren Azure Machine Learning-Lebenszyklus mit Azure Pipelinesautomatisieren. Das GitHub-Repository „MLOps with Azure ML“ zeigt, wie Sie einen MLOps-Workflow umsetzen und eine CI/CD-Pipeline für Ihr Projekt erstellen können.

Preise

Die Preise für die Textanalyse-API von Azure Cognitive Services richten sich nach der ausgewählten Instanz und der Anzahl der Transaktionen pro Monat. Weitere Informationen finden Sie unter Preisrechner für Textanalyse.

Nächste Schritte