Power platform ile vatandaşlık AI

Genel teknoloji eğilimi, vatandaşlık AI rollerinin büyüyen popülerliği ' dir. bu tür roller, machine learning (ML) ve aı teknolojilerinin uygulaması aracılığıyla iş süreçlerini geliştirmeyi isteyen iş uygulayıcıları. bu eğilim için önemli bir katkı, ML modelleri geliştirmeye yönelik düşük kod araçlarının büyüyen ve kullanılabilirliğinden oluşur.

Bu tür girişimlere yönelik iyi bilinen yüksek hata oranı sayesinde, gerçek dünyada bir AI uygulamasını hızlı bir şekilde prototip ve doğrulama özelliği, başarısız olan hızlı bir yaklaşım için önemli bir Etkinleştirici haline gelir. Modernleştirin işleme ve dönüştürme sonuçlarının sürücü tarafından geliştirilmesi için iki temel araç vardır:

• tüm beceri düzeyleri için bir ML araç seti
  • , tam olarak kodlanmış ML geliştirme için kodu destekler
  • Esnek, düşük kodlu bir GUI 'ye sahiptir
  • Kullanıcıların verileri hızla kaynak ve hazırlığını sağlar
  • Kullanıcıların modelleri hızlı bir şekilde oluşturmasını ve dağıtmasını sağlar
  • ML algoritma geliştirmenin gelişmiş, otomatikleştirilmiş ML yeteneklerine sahiptir
• Düşük kodlu bir uygulama geliştirme araç seti
  • Kullanıcıların özel uygulamalar ve Otomasyon iş akışları oluşturmasına olanak sağlar
  • tüketiciler ve iş süreçlerinin ML modeliyle etkileşime geçmesini sağlamak için iş akışları oluşturur

Olası kullanım örnekleri

bu araç takımları, bir iş işlemindeki ML modelinin avantajlarını prototip için gereken süreyi ve çabayı en aza indirir. Bir prototipi, bir üretim sınıfı uygulamasına kolayca genişletebilirsiniz. Bu teknikler için kullanımları şunlardır:

• Güncel olmayan belirleyici tahminleri kullanan eski uygulamalarla üretim Ops. bu tür durumlar, ML modelinin gelişmiş doğruluğuna yarar verebilir. İyileştirilmiş doğruluk, şirket içi eski sistemlerle tümleştirme için hem model hem de geliştirme çabasına gerek duyar.
• Veri Driftszaman ayarlamamayan eski uygulamalarla çağrı merkezi Ops. Otomatik olarak yeniden eğiteleyen modeller, karmaşıklık tahmini veya risk profil oluşturma doğruluğu açısından önemli bir yukarı yük sağlayabilir. Doğrulama, mevcut müşteri ilişkisi yönetimi ve bilet yönetim sistemleriyle tümleştirme gerektirir ve tümleştirme pahalı olabilir.

Mimari

Aşağıdaki mimari, Azure SYNAPSE senaryosu Ile Analytics uçtan uca genişletilir. özel bir ML modelinin Azure Machine Learning eğitime ve Microsoft Power Platform kullanılarak oluşturulan özel bir uygulamayla uygulanması için izin verir.

Azure Machine Learning , ML geliştirme için düşük kodlu bir guı 'nin rolünü yerine getirir. otomatik ML ve toplu iş veya gerçek zamanlı uç noktalara dağıtım yapılır. microsoft Power Apps ve microsoft Power Automateiçeren microsoft Power Platform, ML algoritmanızı uygulayan özel bir uygulamayı ve iş akışını hızlı bir şekilde oluşturmak için araç setleri sağlar. son iş kullanıcıları artık eski iş süreçlerini dönüştürmek için üretim sınıfı ML uygulamalar oluşturabilir.

Bu mimarinin bir Visio dosyasını indirin.

1. Alma : Hem şirket içinde hem de buluttaki çok çeşitli kaynaklardan toplu işlem verileri çekmek için Azure SYNAPSE işlem hatlarını kullanın. Pipelines, önceden tanımlanmış bir zamanlamaya göre veya bir olaya yanıt olarak tetiklenebilir. REST API 'Leri çağırarak da çağrılabilir. İstemci uygulamaları veya IoT cihazları tarafından oluşturulan veri akışlarını almak için azure Event Hubs veya azure IoT Hub kullanabilirsiniz. Alınan olayların sırasını koruyarak Event Hubs veya IoT Hub ve akış verilerini depolar. Tüketiciler, iletileri işlenmek üzere almak için hub uç noktalarına bağlanabilir.
2. Mağaza: Alınan veriler doğrudan ham biçimde alınabilir ve sonra Azure Data Lakedönüştürülür. Azure SYNAPSE Analytics'te kullanıma sunulduktan ve ilişkisel yapılara dönüştürüldükten sonra veriler sunulabilir.
3. modeli eğitme ve dağıtma:Azure Machine Learning modelleri daha hızlı oluşturmak ve dağıtmak için kurumsal düzeyde bir ML hizmeti sağlar. kullanıcılar, düşük kod tasarlayıcısı, otomatik ML ve barındırılan bir jupyter not defteri ortamıyla tüm beceri düzeylerinde kullanıcı sağlar. modeller Azure kubernetes hizmetinde gerçek zamanlı uç noktalar olarak veya Machine Learning yönetilen bir uç noktaolarak dağıtılabilir. ML modellerinin toplu iş zinciri için Machine Learning işlem hatlarınıkullanabilirsiniz.
4. Tüketme: Machine Learning ' de yayımlanan bir model — toplu veya gerçek zamanlı — düşük kod Power Apps platformu kullanılarak oluşturulan özel bir uygulamadatüketilebilen bir REST uç noktası oluşturabilir. ayrıca, iş raporlarında tahminleri sunmak için bir Power BI raporundan gerçek zamanlı Machine Learning uç noktası çağırabilirsiniz.

Bileşenler

Güç platformu Hizmetleri

• Microsoft Power platform: verileri çözümlemeye, çözümler oluşturmaya, işlemlerin otomatikleştirilmesine ve sanal aracılar oluşturmaya yönelik bir araç kümesi. Power App, Power Automate, Power BI ve Power Virtual Agents dahildir.
• Microsoft Power Apps: bir uygulamalar, hizmetler, bağlayıcılar ve veri platformu paketi. İş gereksinimleriniz için özel uygulamalar oluşturmak üzere hızlı bir uygulama geliştirme ortamı sağlar.
• Microsoft Power Automate: en sevdiğiniz uygulamalar ve hizmetler arasında otomatik iş akışları oluşturmanıza yardımcı olan bir hizmet. Dosyaları senkronize etmek, bildirimler almak, veri toplamak vb. için kullanın.
• Microsoft Power BI: ilişkisiz veri kaynaklarınızı tutarlı, görsel olarak derinlikli ve etkileşimli öngörüler 'e dönüştürmek için birlikte çalışan yazılım hizmetleri, uygulamalar ve bağlayıcılar koleksiyonu.

Azure hizmetleri

• Azure Machine Learning: modelleri hızlı bir şekilde oluşturmak ve dağıtmak için kurumsal sınıf bir ML hizmeti. tercih ettiğiniz kendi tercih ettiğiniz ıde 'yi desteklemek için düşük kod tasarlayıcısı, otomatik ML ve barındırılan bir jupyter not defteri ortamıyla tüm beceri düzeylerinde kullanıcılara olanak sağlar.
• Machine Learning yönetilen uç noktalar: temel altyapıyı oluşturmak ve yönetmek zorunda kalmadan modelinizi dağıtmanıza imkan tanıyan çevrimiçi uç noktalar.
• Azure kubernetes hizmeti: Machine Learning farklı işlem hedefleri arasında değişen desteğe sahiptir. Azure Kubernetes hizmeti, kurumsal düzeyde gerçek zamanlı model uç noktalarına çok uygun olan bir hedeftir.
• Azure Data Lake: Hadoop uyumlu bir dosya sistemi. tümleşik bir hiyerarşik ad alanı ve Azure Blob Depolama geniş ölçekli ve ekonomisi vardır.
• Azure SYNAPSE Analytics: veri tümleştirmesi, kurumsal veri ambarı ve büyük veri analizlerini birlikte getiren sınırsız bir analiz hizmetidir.
• Azure Event Hubs ve Azure IoT Hub: her iki hizmet de istemci uygulamaları veya IoT cihazları tarafından oluşturulan veri akışlarını içerir. Daha sonra akış verilerini alıp depolar ve alınan olayların sırasını korur. Tüketiciler iletileri işlenmek üzere almak için Merkez uç noktalarına bağlanabilir.

Platform hizmetleri

Azure çözümlerinizin kalitesini artırmak için azure Well-Architected çerçevesindekiönerileri ve yönergeleri izleyin. Framework, mimari üstün beş ile oluşur:

• Maliyet İyileştirmesi
• İşlem Mükemmelliği
• Performans Verimliliği
• Güvenilirlik
• Güvenlik

Bu önerilere dikkat eden bir tasarım oluşturmak için aşağıdaki hizmetleri göz önünde bulundurun:

• Azure Active Directory: Azure iş yükleri arasında kimlik hizmetleri, çoklu oturum açma ve çok faktörlü kimlik doğrulaması.
• Azure maliyet yönetimi ve faturalama: Azure iş yüklerinizde finansal idare.
• Azure Key Vault: güvenli kimlik bilgileri ve sertifika yönetimi.
• Azure izleyici: Azure kaynaklarınızdan telemetri toplama, analiz ve görüntüleme. Performansı ve güvenilirliği en üst düzeye çıkarmak için Izleyici 'yi kullanarak sorunları önceden belirleyebilirsiniz.
• Bulut Için Microsoft Defender: Azure iş yüklerinizin güvenlik duruşunu güçlendirin ve izleyin.
• Azure DevOpsGitHub: Azure Synapse ve Machine Learning için iş yükü geliştirme ve dağıtım işlem hatlarınız için otomasyon ve uyumluluğu zorlamak üzere DevOps uygulamalar uygulayın.
• Azure ilkesi: kaynak tutarlılığı, mevzuata uyumluluk, güvenlik, maliyet ve yönetim için kuruluş standartları ve idare uygulayın.

Alternatifler

hızdan sonuca kadar en az uygulanabilir ürün (MVP) avantajları ML. Bazı durumlarda, özel bir modelin ihtiyaçları, önceden eğitilen Azure bilişsel Hizmetler veya Azure 'un uyguladığı AI Hizmetleritarafından karşılamayabilir. diğer bir deyişle, Power Apps aı oluşturucusu amaç modeline uygun bir uyum sağlayabilir.

Dikkat edilmesi gerekenler

Bu hizmetleri, kavram kanıtı veya MVP 'yi oluşturmak için kullandığınızda işiniz yapılmaz. Üretim çözümü oluşturmak için daha fazla iş vardır. Azure Well-Architected Framework gibi çerçeveler, mimarinize uygulamak için başvuru kılavuzu ve en iyi uygulamalar sağlar.

Kullanılabilirlik

Bu örnek senaryoda kullanılan bileşenlerin çoğu, otomatik olarak Ölçeklendirilecek yönetilen hizmetlerdir. Bu örnekte kullanılan Hizmetlerin kullanılabilirliği bölgeye göre değişir.

ML tabanlı uygulamalar genellikle eğitim için bir kaynak kümesi ve başka bir hizmet sunmak için gerekir. Canlı üretim istekleri doğrudan bu kaynaklara ulaşmıyorsa, eğitim için gereken kaynakların genellikle yüksek kullanılabilirliğe ihtiyacı yoktur. İsteklere hizmet vermek için gereken kaynakların yüksek oranda kullanılabilir olması gerekir.

DevOps

DevOps uygulamalar, bu örnekte kullanılan uçtan uca yaklaşımı düzenlemek için kullanılır. kuruluşunuz DevOps için yeni ise, DevOps denetim listesi başlamanıza yardımcı olabilir.

Machine Learning DevOps kılavuzu , Machine Learning ile kuruluşta ML işlemleri (mlops) benimseme konusunda en iyi uygulamaları ve dersleri sunar.

DevOps otomasyon, bu örnekte belirtilen güç platformu çözümüne uygulanabilir. güç platformu DevOps hakkında daha fazla bilgi için bkz. Microsoft Power Platform Build Tools for Azure DevOps-Power platform | Microsoft Docs.

Bu senaryoyu dağıtın

Bu iş senaryosunu göz önünde bulundurun: bir alan Aracısı, bir otomobil pazar fiyatını tahmin eden bir uygulama kullanır. Machine Learning, bu uygulamanın bir ML modelini hızlıca prototipi yapmak için kullanabilirsiniz. model oluşturmak için düşük kod tasarlayıcı ve ML özellikleri kullanın ve ardından bunu gerçek zamanlı bir REST uç noktası olarak dağıtabilirsiniz.

Model kavramı kanıtlayabileceği gibi, bir kullanıcının REST API olarak uygulanan bir modeli tüketmenin kolay bir yolu yoktur. Power platform aşağıda gösterildiği gibi bu son mil 'i kapatmaya yardımcı olabilir.

aşağıda, Power Apps tarafından sağlanan düşük kod arabirimi kullanılarak Power Apps oluşturulan uygulama için bir kullanıcı arabirimi verilmiştir.

kullanıcı girişini ayrıştırmak, Machine Learning uç noktasına geçirmek ve tahmini almak için düşük kod iş akışı oluşturmak üzere Power Automate kullanabilirsiniz. ayrıca , Machine Learning modeliyle etkileşim kurmak ve özel iş raporları ve panolar oluşturmak için Power BI de kullanabilirsiniz.

Bu uçtan uca örneği dağıtmak için Bu örnek güç uygulamasını kullanarak adım adım yönergeleriizleyin.

Genişletilmiş senaryolar

Microsoft Teams dağıtma

Yukarıdaki örnekte belirtilen örnek uygulama, Microsoft Teams için de dağıtılabilir. Teams, uygulamalarınız için harika bir dağıtım kanalı sağlar ve kullanıcılarınıza işbirliğine dayalı bir uygulama deneyimi sağlar. Teams Power Apps dağıtma hakkında daha fazla bilgi için bkz. Power Apps uygulama kullanarak uygulamanızı yayımlama Teams-Power Apps | Microsoft Docs.

Birden çok uygulamadan ve otomasyondan API 'YI kullanma

bu örnekte, bir Power Automate bulut akışını REST uç noktasını bir HTTP eylemi olarak kullanacak şekilde yapılandıracağız. bunun yerine, REST uç noktası için özel bir bağlayıcı ayarlayabiliriz ve doğrudan Power Apps veya Power Automate 'tan tüketebilir. Bu yaklaşım, birden fazla uygulamanın aynı uç noktayı kullanmasını istiyoruz. Ayrıca Power Platform Yönetim Merkezi 'ndeki bağlayıcı DLP ilkesini kullanarak idare sağlar. Özel bağlayıcı oluşturmak için, bkz. Power Apps uygulamadan özel bağlayıcı kullanma | Microsoft Docs. Power platform bağlayıcı DLP hakkında daha fazla bilgi için bkz. veri kaybı önleme ilkeleri-güç platformu | Microsoft Docs.

Fiyatlandırma

Azure fiyatlandırması: Azure 'daki ilk taraf hizmet olarak altyapı (IaaS) ve hizmet olarak platform (PaaS) Hizmetleri, tüketim tabanlı bir fiyatlandırma modeli kullanır. Lisans veya abonelik ücreti gerektirmez. Genel olarak, maliyetleri tahmin etmek için Azure Fiyatlandırma hesaplayıcısı ' nı kullanın. Diğer konular için Well-Architected çerçevesinde Maliyet iyileştirmesi konusuna bakın.

güç platformu fiyatlandırması:Power Apps, Power Automate ve Power BI , hizmet olarak yazılım (SaaS) uygulamaları ve uygulama planı başına ve kullanıcı başına kendi fiyatlandırma modellerine sahiptir.

Sonraki adımlar

• Azure Machine Learning nasıl çalışır: Mimari ve kavramlar
• Azure SYNAPSE ile uçtan uca analiz
• Kenarda bilgisayar vizyonu kullanarak uçtan uca üretim

İlgili kaynaklar

• Birinci sınıf yapay zeka özelliklerine sahip akıllı uygulamalar oluşturun
• Yapay zeka (AI)
• Microsoft 'tan ML ürünlerini ve teknolojilerini karşılaştırın
• Uygun ölçekte makine öğrenimi
• Machine Learning işlemleri (MLOps) çerçevesi Azure Machine Learning makine öğrenimi yaşam döngüsünü yukarı ölçeklendirme