Modifier

Architecture Azure Machine Learning

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

Idées de solution

Cet article présente une idée de solution. Si vous souhaitez nous voir développer le contenu avec d’autres informations, telles que des cas d’usage potentiels, d’autres services, des considérations d’implémentation ou un guide des prix, faites-le-nous savoir avec les Commentaires de GitHub.

Cette architecture vous présente les composants utilisés pour construire, déployer et gérer des modèles de haute qualité avec Azure Machine Learning, un service pour le cycle de vie machine learning de bout en bout.

Architecture

Diagramme d’une architecture de solution Machine Learning utilisant Azure Machine Learning avec des services Azure pour le stockage, l’analyse des données, le monitoring, l’authentification et le déploiement sécurisé.

Téléchargez un fichier Visio de cette architecture.

Notes

L’architecture décrite dans cet article s’appuie sur l’interface CLI et le SDK Python v1 d’Azure Machine Learning. Pour plus d’informations sur le nouveau SDK v2 et l’interface CLI, consultez la présentation de l’interface CLI et du SDK v2.

Dataflow

  1. Regroupez toutes vos données structurées, non structurées et semi-structurées (journaux, fichiers et médias) dans Azure Data Lake Storage Gen2.
  2. Utilisez Apache Spark dans Azure Synapse Analytics pour nettoyer, transformer et analyser des jeux de données.
  3. Créez et entraînez des modèles Machine Learning dans Azure Machine Learning.
  4. Contrôlez l’accès et l’authentification des données et de l’espace de travail Machine Learning avec Microsoft Entra ID et Azure Key Vault. Gérez les conteneurs avec Azure Container Registry.
  5. Déployez le modèle Machine Learning dans un conteneur à l’aide d’Azure Kubernetes Service, en sécurisant et en gérant le déploiement avec des réseaux virtuels Azure et Azure Load Balancer.
  6. En utilisant la surveillance et des métriques de journal à partir d’Azure Monitor, évaluez les performances du modèle.
  7. Reformez les modèles en fonction des besoins dans Azure Machine Learning.
  8. Visualisez les sorties de données avec Power BI.

Composants

  • Azure Machine Learning est un service de machine learning de niveau entreprise pour le cycle de vie du machine learning de bout en bout.
  • Azure Synapse Analytics est un service unifié qui vous permet d’ingérer, d’explorer, de préparer, de transformer, de gérer et de fournir des données pour des besoins immédiats en BI et Machine Learning.
  • Azure Data Lake Storage Gen2 est un lac de données éminemment évolutif et sécurisé pour vos charges de travail d’analytique hautes performances.
  • Azure Container Registry est un registre d’images Docker et OCI (Open Container Initiative), avec prise en charge de tous les artefacts OCI. Créez, stockez, sécurisez, analysez, répliquez et gérez des images conteneurs et des artefacts avec une instance de distribution OCI géo-répliquée et complètement managée.
  • Azure Kubernetes Service offre une instance Kubernetes serverless, une expérience intégrée d’intégration continue et livraison continue (CI/CD), ainsi qu’une sécurité et une gouvernance de classe Entreprise. Déployez et gérez des applications conteneurisées plus facilement avec un service Kubernetes complètement managé.
  • Azure Monitor vous permet de collecter, d’analyser et d’exploiter les données de télémétrie de vos environnements Azure et locaux. Azure Monitor vous aide à optimiser les performances et la disponibilité de vos applications et à identifier de manière proactive les problèmes en quelques secondes.
  • Azure Key Vault protège les clés de chiffrement et autres secrets utilisés par les applications et services cloud.
  • Azure Load Balancer équilibre la charge du trafic réseau Internet et privé avec des performances élevées et une faible latence. Load Balancer fonctionne sur les machines virtuelles, les groupes de machines virtuelles identiques et les adresses IP.
  • Power BI est une suite d’outils d’analytique métier qui fournit des insights à l’échelle de votre organisation. Connectez-vous à des centaines de sources de données, simplifiez la préparation des données et effectuez des analyses non planifiées. Créez de superbes rapports, puis publiez-les pour que votre organisation les utilise sur le web et sur des appareils mobiles.

Détails du scénario

Créez, déployez et gérez des modèles de haute qualité avec Azure Machine Learning, un service pour l’ensemble du cycle de vie Machine Learning. Utilisez MLOps (opérations d’apprentissage automatique), l’interopérabilité open source et les outils intégrés sur une plateforme sécurisée et sécurisée, conçue pour le machine learning responsable.

Cas d’usage potentiels

  • Utilisez le Machine Learning en tant que service.
  • Interface de construction facile et flexible.
  • Large gamme d’algorithmes pris en charge.
  • Implémentation facile des services web.
  • Documentation idéale pour les solutions de Machine Learning.

Considérations

Ces considérations implémentent les piliers d’Azure Well-Architected Framework qui est un ensemble de principes directeurs qui permettent d’améliorer la qualité d’une charge de travail. Pour plus d’informations, consultez Microsoft Azure Well-Architected Framework.

Optimisation des coûts

L’optimisation des coûts consiste à examiner les moyens de réduire les dépenses inutiles et d’améliorer l’efficacité opérationnelle. Pour plus d’informations, consultez Vue d’ensemble du pilier d’optimisation des coûts.

Contributeurs

Cet article est géré par Microsoft. Il a été écrit à l’origine par les contributeurs suivants.

Auteurs principaux :

Pour afficher les profils LinkedIn non publics, connectez-vous à LinkedIn.

Étapes suivantes

Consultez la documentation pour connaître les principaux services fournis dans cette solution :

Consultez les conseils associés sur le Centre des architectures Azure :