Citizen AI med Power Platform

En allmän tekniktrend är att deras AI-roller blir allt populärare. Sådana roller är affärstekniker som vill förbättra affärsprocesser genom att använda maskininlärning (ML) och AI-tekniker. En viktig bidragande faktor till den här trenden är den växande mognaden och tillgängligheten av verktyg med lite kod för att utveckla ML modeller.

Med en välkänd hög felfrekvens för sådana initiativ blir möjligheten att snabbt skapa prototyper och validera ett AI-program i en verklig miljö en viktig faktor för en snabb metod för haveri. Det finns två viktiga verktyg för att utveckla modeller som moderniserar processer och driver transformerande resultat:

• En ML verktygslåda för alla kunskapsnivåer
  • Stöder icke-kod till fullständigt kodad ML utveckling
  • Har ett flexibelt grafiskt användargränssnitt med lite kod
  • Gör det möjligt för användare att snabbt källa och förbereda data
  • Gör det möjligt för användare att snabbt skapa och distribuera modeller
  • Har avancerade, automatiserade ML funktioner för utveckling ML algoritmen
• Ett verktyg för programutveckling med lite kod
  • Gör det möjligt för användare att skapa anpassade program och arbetsflöden för automatisering
  • Skapar arbetsflöden så att konsumenter och affärsprocesser kan interagera med en ML modell

Potentiella användningsfall

Dessa verktyg minimerar den tid och det arbete som krävs för att skapa prototyper av ML en modell i en affärsprocess. Du kan enkelt utöka en prototyp till ett program i produktionsklass. Användningsområden för dessa tekniker är:

• Tillverkning av ops med äldre program som använder inaktuella deterministiska förutsägelser. Sådana situationer kan dra nytta av den förbättrade noggrannheten hos en ML modell. Att förbättra noggrannheten kräver både en modell- och utvecklingsinsats för att integrera med äldre system lokalt.
• Call Center Ops med äldre program som inte justeras när data driver. Modeller som automatiskt tränas om kan ge en betydande ökning av omsättningsförutsägelser eller riskprofileringsprecision. Valideringen kräver integrering med befintlig hantering av kundrelationer och biljetthanteringssystem, och integreringen kan bli kostsam.

Arkitektur

Arkitekturen nedan sträcker sig från analytics-scenariot från Azure Synapse slut. Det gör att en anpassad ML-modell kan tränas i Azure Machine Learning och implementeras med ett anpassat program som skapats med hjälp av Microsoft Power Platform.

Azure Machine Learning har rollen som ett grafiskt användargränssnitt med lite kod för ML utveckling. Den har automatiserad ML och distribution till batchslutpunkter eller realtidsslutpunkter. Microsoft Power Platform, som innehåller Microsoft Power Apps och Microsoft Power Automate, tillhandahåller verktyg för att snabbt skapa ett anpassat program och arbetsflöde som implementerar din ML algoritm. Slutanvändare kan nu skapa program i produktionsklass ML för att omvandla äldre affärsprocesser.

Ladda ned en Visio-fil med den här arkitekturen.

1. Äter: Använd Azure Synapse pipelines för att hämta batchdata från en mängd olika källor, både lokalt och i molnet. Pipelines kan utlösas baserat på ett fördefinierat schema eller som svar på en händelse. De kan också anropas genom att anropa REST-API:er. Du kan använda Azure Event Hubs eller Azure IoT Hub för att mata in dataströmmar som genereras av klientprogram eller IoT-enheter. Event Hubs eller IoT Hub in och lagrar strömmande data, vilket bevarar sekvensen med mottagna händelser. Konsumenter kan ansluta till hubbslutpunkter för att hämta meddelanden för bearbetning.
2. Lagra: Indata kan landas direkt i rådataformat och sedan transformeras på Azure Data Lake. Data som väl har curated och transformerats till relationsstrukturer kan presenteras för förbrukning i Azure Synapse Analytics.
3. Träna och distribuera modell:Azure Machine Learning en tjänst i företagsklass för ML att skapa och distribuera modeller snabbare. Den ger användare på alla kunskapsnivåer en designer med lite kod, automatiserad ML och en värdbaserade Jupyter Notebook-miljö. Modeller kan distribueras antingen som realtidsslutpunkter på Azure Kubernetes Service eller som en Machine Learning hanterad slutpunkt. För batch-inferens av ML-modeller kan du använda Machine Learning pipelines.
4. Konsumera: En modell – antingen batch eller realtid – som publiceras i Machine Learning kan generera en REST-slutpunktsom kan användas i ett anpassat program som skapats med hjälp av den Power Apps plattformen . Du kan också anropa en slutpunkt i Machine Learning realtid från en Power BI för att presentera förutsägelser i affärsrapporter.

Komponenter

Power Platform tjänster

• Microsoft Power Platform:En uppsättning verktyg för att analysera data, skapa lösningar, automatisera processer och skapa virtuella agenter. Den innehåller Power App, Power Automate, Power BI och Power Virtual Agents.
• Microsoft Power Apps:En uppsättning appar, tjänster, anslutningsappar och dataplattform. Det ger en snabb programutvecklingsmiljö för att skapa anpassade appar för dina affärsbehov.
• Microsoft Power Automate:En tjänst som hjälper dig att skapa automatiserade arbetsflöden mellan dina favoritappar och tjänster. Använd den för att synkronisera filer, få meddelanden, samla in data och så vidare.
• Microsoft Power BI:En samling programvarutjänster, appar och anslutningsappar som fungerar tillsammans för att förvandla dina orelaterade datakällor till sammanhängande, visuellt fördjupande och interaktiva insikter.

Azure-tjänster

• Azure Machine Learning:En tjänst i företagsklass ML för att snabbt skapa och distribuera modeller. Den ger användare på alla kunskapsnivåer en designer med lite kod, automatiserad ML och en värdbaserade Jupyter Notebook-miljö för att stödja din egen önskade IDE.
• Machine Learning hanterade slutpunkter:Onlineslutpunkter som gör att du kan distribuera din modell utan att behöva skapa och hantera den underliggande infrastrukturen.
• Azure Kubernetes Service:Machine Learning har olika stöd för olika beräkningsmål. Azure Kubernetes Service är ett sådant mål, vilket passar bra för slutpunkter för realtidsmodeller i företagsklass.
• Azure Data Lake:Ett Hadoop-kompatibelt filsystem. Det har en integrerad hierarkisk namnrymd och den enorma skalning och ekonomi som Azure Blob Storage.
• Azure Synapse Analytics:En obegränsad analystjänst som sammanför dataintegrering, informationslager i företag och stordataanalys.
• Azure Event Hubs och Azure IOT Hub:Båda tjänsterna matar in dataströmmar som genereras av klientprogram eller IoT-enheter. De matar sedan in och lagrar strömmande data, vilket bevarar sekvensen med mottagna händelser. Konsumenter kan ansluta till hubbslutpunkterna för att hämta meddelanden för bearbetning.

Plattformstjänster

Om du vill förbättra kvaliteten på dina Azure-lösningar följer du rekommendationerna och riktlinjerna i Azure Well-Architected Framework. Ramverket består av fem grundpelare för en utmärkt arkitektur:

• Kostnadsoptimering
• Driftseffektivitet
• Prestandaeffektivitet
• Tillförlitlighet
• Säkerhet

Tänk på följande tjänster för att skapa en design som respekterar dessa rekommendationer:

• Azure Active Directory:Identitetstjänster, enkel inloggning och multifaktorautentisering mellan Azure-arbetsbelastningar.
• Azure Cost Management and Billing:Ekonomisk styrning över dina Azure-arbetsbelastningar.
• Azure Key Vault:Säker hantering av autentiseringsuppgifter och certifikat.
• Azure Monitor:Insamling, analys och visning av telemetri från dina Azure-resurser. Använd Monitor för att proaktivt identifiera problem för att maximera prestanda och tillförlitlighet.
• Microsoft Defender för moln:Förbättra och övervaka säkerhetsstatusen för dina Azure-arbetsbelastningar.
• Azure DevOpsGitHub:Implementera DevOps-metoder för att tillämpa automatisering och efterlevnad av dina pipelines för arbetsbelastningsutveckling och distribution för Azure Synapse och Machine Learning.
• Azure Policy:Implementera organisationsstandarder och styrning för resurskonsekvens, regelefterlevnad, säkerhet, kostnad och hantering.

Alternativ

En ML minsta gångbara produkt (MVP) drar nytta av hastighet till resultat. I vissa fall kan behoven för en anpassad modell uppfyllas av förtränade Azure Cognitive ServicesAzure Applied AI Services. I andra fall Power Apps AI Builder kan ge en lämplig modell.

Överväganden

När du använder dessa tjänster för att skapa ett konceptbevis eller MVP är du inte klar. Det finns mer arbete med att skapa en produktionslösning. Ramverk som Azure Well-Architected Framework ger referensvägledning och metodtips för din arkitektur.

Tillgänglighet

De flesta komponenter som används i det här exempelscenariot är hanterade tjänster som skalas automatiskt. Tillgängligheten för de tjänster som används i det här exemplet varierar beroende på region.

Appar som baseras ML kräver vanligtvis en uppsättning resurser för träning och en annan för att betjäna. Resurser som krävs för träning behöver vanligtvis inte hög tillgänglighet, eftersom live-produktionsbegäranden inte träffar dessa resurser direkt. Resurser som krävs för att betjäna begäranden behöver hög tillgänglighet.

DevOps

DevOps-metoder används för att orkestrera den metod från slutet till slut som används i det här exemplet. Om DevOps är nytt för din organisation kan checklistan för DevOps hjälpa dig att komma igång.

I Machine Learning DevOps-guiden presenteras metodtips och lärdomar om ML (MLOps) i företaget med Machine Learning.

DevOps-automatisering kan tillämpas på den Power Platform som tillhandahålls i det här exemplet. Mer information om Power Platform DevOps finns i Microsoft Power Platform Build Tools för Azure DevOps – Power Platform | Microsoft Docs.

Distribuera det här scenariot

Tänk dig det här affärsscenariot: en fältagent använder en app som beräknar priset på en bil. Du kan använda Machine Learning för att snabbt skapa en prototyp ML modell av den här appen. Du använder en designer med lite kod ML funktioner för att skapa modellen och distribuerar den sedan som en REST-slutpunkt i realtid.

Modellen kan bevisa konceptet, men det finns inget enkelt sätt för en användare att använda en modell som implementerats som en REST API. Power Platform kan hjälpa dig att stänga den sista milen enligt nedan.

Här är ett användargränssnitt för appen som skapats i Power Apps med hjälp av det lågkodsgränssnitt som Power Apps tillhandahåller.

Du kan använda Power Automate för att skapa ett arbetsflöde med lite kod för att parsa användarens indata, skicka den till Machine Learning slutpunkten och hämta förutsägelsen. Du kan också använda Power BI för att interagera med Machine Learning och skapa anpassade affärsrapporter och instrumentpaneler.

Om du vill distribuera det här exemplet från start till slut följer du stegvisa instruktioner med hjälp av det här Power App-exemplet.

Utökade scenarier

Distribuera till Microsoft Teams

Exempelappen i exemplet ovan kan också distribueras till Microsoft Teams. Teams en bra distributionskanal för dina appar och ger användarna en gemensam appupplevelse. Mer information om hur du distribuerar en Power Apps till Teams finns i Publicera din app med Power Apps i Teams – Power Apps | Microsoft Docs.

Använda API:et från flera appar och automatiseringar

I det här exemplet konfigurerar vi ett Power Automate molnflöde för att använda REST-slutpunkten som en HTTP-åtgärd. Vi kan i stället konfigurera en anpassad anslutningsapp för REST-slutpunkten och använda den direkt från Power Apps eller från Power Automate. Den här metoden är användbar när vi vill att flera appar ska använda samma slutpunkt. Den ger också styrning genom att använda DLP-principen för anslutning i Power Platform-administratörscenter. Information om hur du skapar en anpassad anslutningsapp finns i Använda en anpassad anslutningsapp Power Apps en | Microsoft Docs. Mer information om DLP Power Platform-anslutningsappen finns i Principer för dataförlustskydd – Power Platform | Microsoft Docs.

Prissättning

Priser för Azure: Tjänsterna Infrastruktur som en tjänst (IaaS) och Plattform som en tjänst (PaaS) från första part i Azure använder en förbrukningsbaserad prismodell. De kräver ingen licens- eller prenumerationsavgift. I allmänhet använder du priskalkylatorn för Azure för att beräkna kostnader. Andra överväganden finns i Kostnadsoptimering i Well-Architected Framework.

Power Platform Priser:Power Apps,Power Automate och Power BI är SaaS-program (programvara som en tjänst) och har egna prismodeller, inklusive per appplan och per användare.

Nästa steg

• Så här fungerar Azure Machine Learning: Arkitektur och koncept
• Analys från Azure Synapse
• Tillverkning från end-to-end med hjälp av datorseende vid gränsen

Relaterade resurser

• Skapa intelligenta program med AI i världsklass
• Artificiell intelligens (AI)
• Jämföra ML produkter och tekniker från Microsoft
• Maskininlärning i skala
• MLOps-ramverket (Machine Learning Operations) för att skala upp livscykeln för maskininlärning med Azure Machine Learning