Citizen AI met de Power Platform

Machine Learning

Microsoft Power Platform

Power Apps

Power Automate

Power BI

Een algemene technologietrend is de groeiende populariteit van AI-rollen van inwoners. Dergelijke rollen zijn zakelijke gebruikers die zakelijke processen willen verbeteren met de toepassing van machine learning (ML) en AI-technologieën. Een belangrijke bijdrage aan deze trend is de toenemende volwassenheid en beschikbaarheid van hulpprogramma's met weinig code voor het ontwikkelen ML modellen.

Met een bekend hoog foutpercentage voor dergelijke initiatieven wordt de mogelijkheid om snel een prototype te maken van een AI-toepassing en deze te valideren in een echte omgeving een belangrijke enabler voor een snelle fail-benadering. Er zijn twee belangrijke hulpprogramma's voor het ontwikkelen van modellen waarmee processen worden gemoderniseerd en transformerende resultaten worden aanbesteed:

Een ML toolkit voor alle vaardigheidsniveaus
- Biedt ondersteuning voor het ontwikkelen van volledig gecodeerde ML code
- Heeft een flexibele GUI met weinig code
- Stelt gebruikers in staat om snel gegevens te bronen en voor te bereiden
- Stelt gebruikers in staat om snel modellen te bouwen en te implementeren
- Heeft geavanceerde, geautomatiseerde ML voor het ontwikkelen ML algoritmen
Een toolkit voor toepassingsontwikkeling met weinig code
- Stelt gebruikers in staat om aangepaste toepassingen en automatiseringswerkstromen te bouwen
- Hiermee maakt u werkstromen zodat consumenten en bedrijfsprocessen kunnen communiceren met een ML model

Potentiële gebruikscases

Deze toolkits minimaliseren de tijd en moeite die nodig zijn om een prototype te maken van de voordelen van een ML een bedrijfsproces. U kunt eenvoudig een prototype uitbreiden naar een toepassing op productiekwaliteit. De toepassingen voor deze technieken zijn onder andere:

Productie-ops met verouderde toepassingen die gebruikmaken van verouderde deterministische voorspellingen. Dergelijke situaties kunnen profiteren van de verbeterde nauwkeurigheid van een ML model. Het aantonen van verbeterde nauwkeurigheid vereist zowel een model- als ontwikkelingsinspanning om on-premises te integreren met oudere systemen.
Call Center Ops met verouderde toepassingen die niet worden aangepast wanneer gegevens driften. Modellen die automatisch opnieuw worden getraind, kunnen een aanzienlijke toename in verloopvoorspelling of nauwkeurigheid van risicoprofilering bieden. Validatie vereist integratie met bestaande systemen voor klantrelatiebeheer en ticketbeheer, en integratie kan duur zijn.

Architectuur

De onderstaande architectuur is een uitbreiding op het end-to-end analysescenario Azure Synapse analysescenario. Hiermee kan een aangepast ML worden getraind in Azure Machine Learning en worden geïmplementeerd met een aangepaste toepassing die is gebouwd met behulp van Microsoft Power Platform.

Azure Machine Learning voldoet aan de rol van een gui met weinig code voor ML ontwikkeling. Het heeft geautomatiseerde ML en implementatie naar batch- of realtime-eindpunten. Microsoft Power Platform, dat Microsoft Power Apps en Microsoft Power Automateomvat, biedt de toolkits om snel een aangepaste toepassing en werkstroom te bouwen waarmee uw ML-algoritme wordt geïmplementeerd. Zakelijke eindgebruikers kunnen nu toepassingen van productiekwaliteit ML om verouderde bedrijfsprocessen te transformeren.

Een Visio-bestand van deze architectuur downloaden.

Opnemen: Gebruik Azure Synapse om batchgegevens op te halen uit een groot aantal bronnen, zowel on-premises als in de cloud. Pijplijnen kunnen worden geactiveerd op basis van een vooraf gedefinieerde planning of als reactie op een gebeurtenis. Ze kunnen ook worden aangeroepen door REST API's aan te roepen. U kunt Azure Event Hubs of Azure IoT Hub gegevensstromen opnemen die zijn gegenereerd door clienttoepassingen of IoT-apparaten. Event Hubs of IoT Hub streaminggegevens op en slaat ze op, met behoud van de volgorde van de ontvangen gebeurtenissen. Consumenten kunnen verbinding maken met hub-eindpunten om berichten op te halen voor verwerking.
Opslaan: Opgenomen gegevens kunnen rechtstreeks in onbewerkte indeling worden geland en vervolgens worden getransformeerd op de Azure Data Lake. Gegevens die eenmaal zijn gecureerd en getransformeerd naar relationele structuren, kunnen worden weergegeven voor gebruik in Azure Synapse Analytics.
Model trainen en implementeren: Azure Machine Learning biedt een hoogwaardige ML voor het sneller bouwen en implementeren van modellen. Het biedt gebruikers op alle vaardigheidsniveaus een ontwerpfunctie met weinig code, geautomatiseerde ML en een gehoste Jupyter Notebook-omgeving. Modellen kunnen worden geïmplementeerd als realtime-eindpunten op Azure Kubernetes Service of als een Machine Learning beheerd eindpunt. Voor batchdeferencing van ML modellen kunt u Machine Learning pijplijnen gebruiken.
Verbruiken: Een model( batch of realtime) dat is gepubliceerd in Machine Learning kan een REST-eindpunt genereren dat kan worden gebruikt in een aangepaste toepassing die is gebouwd met behulp van het Power Apps-platform met Power Apps code. U kunt ook een realtime eindpunt aanroepen Machine Learning vanuit een Power BI om voorspellingen in bedrijfsrapporten weer te geven.

Notitie

Zowel Machine Learning als Power Platform stack hebben een reeks ingebouwde connectors om gegevens rechtstreeks op te nemen. Deze kunnen nuttig zijn voor een eenmalige MVP (Minimum Viable Product). In de secties Opnemen en Opslaan van de architectuur wordt echter geadviseerd over de rol van gestandaardiseerde gegevenspijplijnen voor de bron- en opslag van gegevens uit verschillende bronnen op schaal: patronen die doorgaans worden geïmplementeerd en onderhouden door de teams van het ondernemingsgegevensplatform.

Onderdelen

Power Platform services

Microsoft Power Platform:een set hulpprogramma's voor het analyseren van gegevens, het bouwen van oplossingen, het automatiseren van processen en het maken van virtuele agents. Het bevat Power App, Power Automate, Power BI en Power Virtual Agents.
Microsoft Power Apps:een suite met apps, services, connectors en gegevensplatform. Het biedt een snelle ontwikkelomgeving voor toepassingen om aangepaste apps te bouwen voor uw bedrijfsbehoeften.
Microsoft Power Automate:een service waarmee u geautomatiseerde werkstromen tussen uw favoriete apps en services kunt maken. Gebruik het om bestanden te synchroniseren, meldingen te ontvangen, gegevens te verzamelen, en meer.
Microsoft Power BI:een verzameling softwareservices, apps en connectors die samenwerken om uw niet-gerelateerde gegevensbronnen om te zetten in samenhangende, visueel insluitende en interactieve inzichten.

Azure-services

Azure Machine Learning:een service op bedrijf ML voor het snel bouwen en implementeren van modellen. Het biedt gebruikers op alle vaardigheidsniveaus een ontwerpfunctie met weinig code, geautomatiseerde ML en een gehoste Jupyter Notebook-omgeving ter ondersteuning van uw eigen favoriete IDE.
Machine Learning eindpunten:online eindpunten waarmee u uw model kunt implementeren zonder dat u de onderliggende infrastructuur moet maken en beheren.
Azure Kubernetes Service:Machine Learning biedt verschillende ondersteuning voor verschillende rekendoelen. Azure Kubernetes Service is een dergelijk doel, dat zeer geschikt is voor realtime model eindpunten op bedrijf niveau.
Azure Data Lake:een met Hadoop compatibel bestandssysteem. Het heeft een geïntegreerde hiërarchische naamruimte en de enorme schaal en economie van Azure Blob Storage.
Azure Synapse Analytics:een onbeperkte analyseservice die gegevensintegratie, enterprise datawarehousing en big data brengt.
Azure Event Hubs en Azure IOT Hub:beide services nemen gegevensstromen op die worden gegenereerd door clienttoepassingen of IoT-apparaten. Vervolgens worden streaminggegevens opgenomen en opgeslagen, met behoud van de volgorde van de ontvangen gebeurtenissen. Consumenten kunnen verbinding maken met de hub-eindpunten om berichten op te halen voor verwerking.

Platformservices

Als u de kwaliteit van uw Azure-oplossingen wilt verbeteren, volgt u de aanbevelingen en richtlijnen in het Azure Well-Architected Framework. Het framework bestaat uit vijf pijlers van topprestaties op het gebied van architectuur:

Kostenoptimalisatie
Operationele topprestaties
Prestatie-efficiëntie
Betrouwbaarheid
Beveiliging

Als u een ontwerp wilt maken dat deze aanbevelingen respecteert, moet u rekening houden met de volgende services:

Azure Active Directory:identiteitsservices, een aanmelding en meervoudige verificatie voor Azure-workloads.
Azure Cost Management and Billing:Financiële governance voor uw Azure-workloads.
Azure Key Vault:beveilig referentie- en certificaatbeheer.
Azure Monitor:Verzameling, analyse en weergave van telemetrie van uw Azure-resources. Gebruik Monitor om proactief problemen te identificeren, om de prestaties en betrouwbaarheid te maximaliseren.
Azure Security Center:de beveiligingsstatus van uw Azure-workloads versterken en bewaken.
Azure DevOps & GitHub:Implementeert DevOps-procedures voor het afdwingen van automatisering en naleving van uw workloadontwikkelings- en implementatiepijplijnen voor Azure Synapse en Machine Learning.
Azure Policy:implementeert organisatiestandaarden en governance voor resourceconsistentie, naleving van regelgeving, beveiliging, kosten en beheer.

Alternatieven

Een ML minimum viable product (MVP) profiteert van snelheid tot resultaat. In sommige gevallen kan aan de behoeften van een aangepast model worden voldaan door vooraf getrainde Azure Cognitive Services of door Azure Applied AI Services. In andere kunnen Power Apps AI Builder geschikt zijn voor het doelmodel.

Overwegingen

Wanneer u deze services gebruikt om een proof of concept of MVP te maken, bent u nog niet klaar. Er is meer werk om een productieoplossing te maken. Frameworks zoals het Azure Well-Architected Framework bieden naslagrichtlijnen en best practices om toe te passen op uw architectuur.

Beschikbaarheid

De meeste onderdelen die in dit voorbeeldscenario worden gebruikt, zijn beheerde services die automatisch worden geschaald. De beschikbaarheid van de services die in dit voorbeeld worden gebruikt, varieert per regio.

Apps op basis van ML vereisen doorgaans één set resources voor training en een andere voor het bedienen. Resources die vereist zijn voor training, hebben over het algemeen geen hoge beschikbaarheid nodig, omdat live productieaanvragen deze resources niet rechtstreeks raken. Resources die vereist zijn voor het verwerken van aanvragen, hebben hoge beschikbaarheid nodig.

DevOps

DevOps-procedures worden gebruikt om de end-to-end-benadering in te delen die in dit voorbeeld wordt gebruikt. Als uw organisatie nieuw is voor DevOps, kunt u aan de slag met de DevOps-controlelijst.

De Machine Learning DevOps Guide bevat best practices en leerprocessen over de ML operations (MLOps) in de onderneming met Machine Learning.

DevOps-automatisering kan worden toegepast op de Power Platform in dit voorbeeld. Zie Microsoft Power Platform Build Tools for Azure DevOps - Power Platform Power Platform | (Microsoft Power Platform Build Tools voor Azure DevOps - Power Platform |) voor meer informatie over de Power Platform | Microsoft Docs.

Dit scenario implementeren

Neem dit bedrijfsscenario: een veldagent gebruikt een app waarmee de marktprijs van een auto wordt schatten. U kunt deze Machine Learning snel een prototype van ML model van deze app. U gebruikt een ontwerpfunctie met weinig code en ML om het model te maken en het vervolgens te implementeren als een realtime REST-eindpunt.

Het model kan het concept bewijzen, maar een gebruiker heeft geen eenvoudige manier om een model te gebruiken dat als een REST API. Power Platform kunt u deze laatste mijl sluiten, zoals hieronder wordt weergegeven.

Hier ziet u een gebruikersinterface voor de app, gemaakt in Power Apps met behulp van de interface met weinig code die Power Apps biedt.

U kunt Power Automate gebruiken om een werkstroom met weinig code te maken om de invoer van de gebruiker te parseren, door te geven aan het Machine Learning eindpunt en de voorspelling op te halen. U kunt ook Power BI gebruiken om te communiceren met het Machine Learning en aangepaste zakelijke rapporten en dashboards te maken.

Als u dit end-to-end-voorbeeld wilt implementeren, volgt u stapsgewijs instructies met behulp van dit power-app-voorbeeld.

Uitgebreide scenario's

Implementeren naar Microsoft Teams

De voorbeeld-app in het bovenstaande voorbeeld kan ook worden geïmplementeerd op Microsoft Teams. Teams biedt een geweldig distributiekanaal voor uw apps en biedt uw gebruikers een gezamenlijke app-ervaring. Zie Power Apps Publish your app using Power Apps app in Teams - Teams Power Apps | (Uw app publiceren met behulp van Power Apps-app in Teams - Power Apps |) voor meer informatie over het implementeren van een Teams in Power Apps | Microsoft Docs.

De API uit meerdere apps en automatiseringen gebruiken

In dit voorbeeld configureren we een Power Automate cloudstroom om het REST-eindpunt te gebruiken als een HTTP-actie. In plaats daarvan kunnen we een aangepaste connector instellen voor het REST-eindpunt en deze rechtstreeks vanuit Power Apps of vanuit Power Automate. Deze aanpak is handig wanneer u wilt dat meerdere apps hetzelfde eindpunt gebruiken. Het biedt ook governance met behulp van het DLP-connectorbeleid in Power Platform-beheercentrum. Zie Use a custom connector from a Power Apps app | (Een aangepaste connector gebruiken vanuit een Power Apps-app) om een aangepaste connector | Microsoft Docs. Zie Beleid voor preventie van Power Platform-connector voor meer informatie over het Power Platform | Microsoft Docs.

Prijzen

Azure-prijzen: Eigen IaaS-services (Infrastructure-as-a-Service) en PaaS-services (Platform-as-a-Service) in Azure maken gebruik van een prijsmodel op basis van verbruik. Er zijn geen licentie- of abonnementskosten vereist. Over het algemeen gebruikt u de Azure-prijscalculator om de kosten te schatten. Zie Kostenoptimalisatie in het Well-Architected Framework voor andere overwegingen.

Power Platform Prijzen: Power Appszijn Power Automate en Power BI SaaS-toepassingen (Software-as-a-Service) en hebben hun eigen prijsmodellen, waaronder per app-abonnement en per gebruiker.