Power Platform ile Vatandaş yapay zekası

Aşağıdaki mimari, Azure Synapse Analytics senaryosuyla analizi uçtan uca genişletir. Özel makine öğrenmesi (ML) modelinin Azure Machine Learning'de eğitilmesine ve Microsoft Power Platform kullanılarak oluşturulan özel bir uygulamayla uygulanmasına olanak tanır.

Mimari

Bu mimarinin Visio dosyasını indirin.

İş Akışı

İş akışı aşağıdaki adımlardan oluşur:

• Alma
• Store
• Modeli eğitme ve dağıtma
• Tüketim

Alma

Azure Synapse Pipelines'ı kullanarak hem şirket içindeki hem de buluttaki çeşitli kaynaklardan toplu iş verilerini çekin. Bu lambda mimarisinde iki veri alımı akışı vardır: akış ve toplu iş. Bunlar burada açıklanmıştır:

• Akış: Önceki mimari diyagramının üst yarısında akış veri akışları (örneğin, büyük veri akışları ve IoT cihazları) bulunur.
  • İstemci uygulamaları veya IoT cihazları tarafından oluşturulan veri akışlarını almak için Azure Event Hubs veya Azure IoT Hub'ı kullanabilirsiniz. Event Hubs veya IoT Hub, alınan olayların sırasını koruyarak akış verilerini alır ve depolar. Tüketiciler, işlenmek üzere iletileri almak üzere hub uç noktalarına bağlanabilir.
• Batch: Mimari diyagramının alt yarısında veriler şu şekilde toplu olarak alınıp işlenir:

  • Yapılandırılmamış veriler (örneğin, video, resimler, ses ve serbest metin)

  • Yarı yapılandırılmış veriler (örneğin, JSON, XML, CSV ve günlükler)

  • Yapılandırılmış veriler (örneğin, ilişkisel veritabanları ve Azure Veri Hizmetleri)

    Azure Synapse Link , Azure Cosmos DB ile Azure Synapse Analytics arasında sıkı bir sorunsuz tümleştirme oluşturur. Azure Synapse Pipelines önceden tanımlanmış bir zamanlamaya göre veya bir olaya yanıt olarak tetiklenebilir. Rest API'leri çağrılarak da çağrılabilir.

Store

Alınan veriler doğrudan ham biçimde inebilir ve ardından Azure Data Lake'e dönüştürülebilir. Seçilen ve ilişkisel yapılara dönüştürülen veriler Azure Synapse Analytics'te kullanıma sunulabilir.

Modeli eğitme ve dağıtma

Machine Learning , modelleri daha hızlı oluşturmak ve dağıtmak için kurumsal düzeyde bir ML hizmeti sağlar. Tüm beceri düzeylerindeki kullanıcılara düşük kod tasarımcısı, otomatik ML ve barındırılan bir Jupyter not defteri ortamı sağlar. Modeller, Azure Kubernetes Service'te gerçek zamanlı uç noktalar olarak veya Machine Learning yönetilen uç noktası olarak dağıtılabilir. ML modellerinin toplu çıkarımını için Machine Learning işlem hatlarını kullanabilirsiniz.

Tüketim

Machine Learning'de yayımlanan bir toplu iş veya gerçek zamanlı model, düşük kodlu Power Apps platformu kullanılarak oluşturulan özel bir uygulamada kullanılabilecek bir REST uç noktası oluşturabilir. Ayrıca, iş raporlarında tahminler sunmak için bir Power BI raporundan gerçek zamanlı bir Machine Learning uç noktasını çağırabilirsiniz.

Bileşenler

Aşağıdaki bileşenleri kullanabilirsiniz.

Microsoft Power Platform hizmetleri

• Power Platform: Verileri analiz etmeye, çözüm oluşturmaya, işlemleri otomatikleştirmeye ve sanal aracı oluşturmaya yönelik bir dizi araç. Power Apps, Power Automate, Power BI ve Microsoft Copilot Studio (eski adıyla Power Virtual Agents) içerir.
• Power Apps: Uygulama, hizmet, bağlayıcı ve veri platformu paketi. İş gereksinimlerinize yönelik özel uygulamalar oluşturmak için hızlı bir uygulama geliştirme ortamı sağlar.
• Power Automate: Sık kullandığınız uygulamalar ve hizmetler arasında otomatik iş akışları oluşturmanıza yardımcı olan bir hizmettir. Dosyaları eşitlemek, bildirim almak, veri toplamak vb. için bunu kullanın.
• Power BI: İlişkili olmayan veri kaynaklarınızı tutarlı, görsel olarak çevreleyici ve etkileşimli içgörülere dönüştürmek için birlikte çalışan yazılım hizmetleri, uygulamalar ve bağlayıcılardan oluşan bir koleksiyon.

Azure hizmetleri

• Machine Learning: Modelleri hızla oluşturmaya ve dağıtmaya yönelik kurumsal düzeyde bir ML hizmeti. Tüm beceri düzeylerindeki kullanıcılara tercih ettiğiniz IDE'yi desteklemek için düşük kodlu tasarımcı, otomatik ML ve barındırılan jupyter not defteri ortamı sağlar.
• Machine Learning yönetilen uç noktaları: Temel altyapıyı oluşturmak ve yönetmek zorunda kalmadan modelinizi dağıtmanızı sağlayan çevrimiçi uç noktalar.
• Azure Kubernetes Service: ML, farklı işlem hedefleri arasında değişen desteğe sahiptir. Azure Kubernetes Service, kurumsal düzeyde gerçek zamanlı model uç noktaları için mükemmel bir seçenek olan bu hedeflerden biridir.
• Azure Data Lake: Hadoop uyumlu bir dosya sistemi. Tümleşik bir hiyerarşik ad alanına ve Azure Blob Depolama'nin muazzam ölçeğine ve ekonomisine sahiptir.
• Azure Synapse Analytics: Veri tümleştirmesi, kurumsal veri ambarı ve büyük veri analizini bir araya getiren sınırsız analiz hizmeti.
• Event Hubs ve IoT Hub: Her iki hizmet de istemci uygulamaları veya IoT cihazları tarafından oluşturulan veri akışlarını alır. Ardından alınan olayların sırasını koruyarak akış verilerini alır ve depolar. Tüketiciler, işlenmek üzere iletileri almak için hub uç noktalarına bağlanabilir.

Platform hizmetleri

Azure çözümlerinizin kalitesini artırmak için Azure İyi Tasarlanmış Çerçeve'deki önerileri ve yönergeleri izleyin. Çerçeve, mimari mükemmelliği beş yapıdan oluşur:

• Maliyet iyileştirme
• Operasyonel mükemmellik
• Performans verimliliği
• Güvenilirlik
• Güvenlik

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

• Microsoft Entra Id: Azure iş yüklerinde kimlik hizmetleri, çoklu oturum açma ve çok faktörlü kimlik doğrulaması.
• Microsoft Maliyet Yönetimi: Azure iş yükleriniz üzerinde finansal idare.
• Azure Key Vault: Kimlik bilgilerinin ve sertifika yönetiminin güvenliğini sağlama.
• Azure İzleyici: Azure kaynaklarınızdan telemetri verilerini toplama, analiz ve görüntüleme. Performansı ve güvenilirliği en üst düzeye çıkarmak için sorunları proaktif olarak belirlemek için İzleyici'yi kullanın.
• Bulut için Microsoft Defender: Azure iş yüklerinizin güvenlik duruşunu güçlendirin ve izleyin.
• Azure DevOps ve GitHub: Azure Synapse Analytics ve Machine Learning için iş yükü geliştirme ve dağıtım işlem hatlarınızın otomasyon ve uyumluluğunu zorlamak için DevOps uygulamaları uygulayın.
• Azure İlkesi: Kaynak tutarlılığı, mevzuat uyumluluğu, güvenlik, maliyet ve yönetim için kurumsal standartlar ve idare uygulayın.

Alternatifler

Makine öğrenmesi MVP'leri, hızdan sonuca kadar avantaj sağlar. Bazı durumlarda özel modelin gereksinimleri önceden eğitilmiş Azure Bilişsel Hizmetler veya Azure Uygulaması yapay zeka Hizmetleri tarafından karşılanabilir. Diğer durumlarda Power Apps AI Builder, bir amaç modeline uygun olabilir.

Senaryo ayrıntıları

Genel bir teknoloji eğilimi, vatandaş yapay zekası rollerinin artan popülerliğidir. Bu roller, ML ve yapay zeka teknolojilerinin uygulanmasıyla iş süreçlerini geliştirmek isteyen iş uygulayıcılarıdır. Bu eğilime önemli bir katkıda bulunan, ML modelleri geliştirmek için düşük kodlu araçların artan olgunluğu ve kullanılabilirliğidir.

Bu tür girişimlerde iyi bilinen yüksek başarısızlık oranı nedeniyle yapay zeka uygulamasının gerçek dünya ayarında hızlı bir şekilde prototip oluşturma ve doğrulama özelliği, hızlı başarısız yaklaşımın önemli bir etkinleştiricisi haline gelir. Süreçleri modernleştiren ve dönüştürücü sonuçlara yol gösteren modeller geliştirmeye yönelik iki temel araç vardır:

• Tüm beceri düzeyleri için ml araç seti
  • Tam kodlanmış ML geliştirme için kod yok desteği sağlar
  • Esnek, düşük kodlu grafik kullanıcı arabirimine (GUI) sahiptir
  • Kullanıcıların verileri hızla kaynaklayıp hazırlamasını sağlar
  • Kullanıcıların modelleri hızla oluşturmasını ve dağıtmasını sağlar
  • ML algoritması geliştirme için gelişmiş, otomatik ML özelliklerine sahiptir
• Düşük kodlu uygulama geliştirme araç seti
  • Kullanıcıların özel uygulamalar ve otomasyon iş akışları oluşturmasına olanak tanır
  • Tüketicilerin ve iş süreçlerinin ml modeliyle etkileşim kurabilmesi için iş akışları oluşturur

Makine Öğrenmesi , ML geliştirme için düşük kodlu gui rolünü yerine getirmektedir. Toplu veya gerçek zamanlı uç noktalara otomatik ML ve dağıtıma sahiptir. Power Apps ve Power Automate'i içeren Power Platform, ML algoritmanızı uygulayan özel bir uygulama ve iş akışını hızla oluşturmak için araç setleri sağlar. İş kullanıcıları artık eski iş süreçlerini dönüştürmek için üretim sınıfı ML uygulamaları oluşturabilir.

Olası kullanım örnekleri

Bu araç setleri, ml modelinin avantajlarını bir iş sürecine göre prototip yapmak için gereken süreyi ve çabayı en aza indirir. Prototipi üretim sınıfı bir uygulamaya kolayca genişletebilirsiniz. Bu tekniklerin kullanımları şunlardır:

• Eski deterministik tahminleri kullanan eski uygulamalarla Üretim İşlemleri. Bu tür durumlar ml modelinin geliştirilmiş doğruluğundan yararlanabilir. İyileştirilmiş doğruluğu kanıtlamak, şirket içi eski sistemlerle tümleştirmek için hem bir model hem de geliştirme çalışması gerektirir.
• Veri kaydığında ayar oluşturmayan eski uygulamalarla Çağrı Merkezi İşlemleri. Otomatik olarak yeniden eğiten modeller değişim sıklığı tahmininde veya profil oluşturma doğruluğunda önemli bir yükseltme sağlayabilir. Doğrulama, mevcut müşteri ilişkileri yönetimi ve bilet yönetimi sistemleriyle tümleştirme gerektirir. Tümleştirme pahalı olabilir.

Dikkat edilmesi gereken noktalar

Kavram kanıtı veya MVP oluşturmak için bu hizmetleri kullandığınızda işiniz bitmemiştir. Üretim çözümü oluşturmak için daha fazla çalışma vardır. İyi Tasarlanmış Çerçeve gibi çerçeveler, mimarinize uygulanacak başvuru kılavuzları ve en iyi yöntemler sağlar.

Kullanılabilirlik

Bu örnek senaryoda kullanılan bileşenlerin çoğu otomatik olarak ölçeklendirilen yönetilen hizmetlerdir. Bu örnekte kullanılan hizmetlerin kullanılabilirliği bölgeye göre değişir.

ML tabanlı uygulamalar genellikle eğitim için bir kaynak kümesi ve hizmet için başka bir kaynak kümesi gerektirir. Canlı üretim istekleri bu kaynaklara doğrudan ulaşmadiğinden, eğitim için gereken kaynaklar genellikle yüksek kullanılabilirliğe ihtiyaç duymaz. İstekleri sunma için gereken kaynakların yüksek kullanılabilirliğe sahip olması gerekir.

DevOps

DevOps uygulamaları, bu örnekte kullanılan uçtan uca yaklaşımı yönetmek için kullanılır. Machine Learning DevOps kılavuzu, Machine Learning ile kuruluştaki ML işlemlerini (MLOps) benimsemeye yönelik en iyi yöntemleri ve öğrenmeleri sunar.

DevOps otomasyonu, bu örnekte sağlanan Microsoft Power Platform çözümüne uygulanabilir. Microsoft Power Platform DevOps hakkında daha fazla bilgi için bkz . Azure DevOps için Power Platform Derleme Araçları: Power Platform.

Maliyet iyileştirme

Maliyet iyileştirmesi, gereksiz giderleri azaltmanın ve operasyonel verimlilikleri iyileştirmenin yollarını aramaktır. Daha fazla bilgi için bkz . Maliyet iyileştirme sütununa genel bakış.

Azure fiyatlandırması: Azure'da birinci taraf hizmet olarak altyapı (IaaS) ve hizmet olarak platform (PaaS) hizmetleri tüketim tabanlı fiyatlandırma modeli kullanır. Lisans veya abonelik ücreti gerektirmezler. Genel olarak, maliyetleri tahmin etmek için Azure fiyatlandırma hesaplayıcısını kullanın. Diğer önemli noktalar için bkz . İyi Tasarlanmış Çerçeve'de maliyet iyileştirme .

Power Platform fiyatlandırması: Power Apps, Power Automate ve Power BI hizmet olarak yazılım (SaaS) uygulamalarıdır ve uygulama planı ve kullanıcı başına dahil olmak üzere kendi fiyatlandırma modellerine sahiptir.

Bu senaryoyu dağıtın

Bu iş senaryolarını göz önünde bulundurun. Alan aracısı, bir arabanın pazar fiyatını tahmin eden bir uygulama kullanır. Machine Learning'i kullanarak bu uygulamanın ML modelinin prototipini hızlı bir şekilde oluşturabilirsiniz. Modeli oluşturmak için düşük kodlu bir tasarımcı ve ML özellikleri kullanır ve ardından bunu gerçek zamanlı rest uç noktası olarak dağıtırsınız.

Model kavramı kanıtlayabilir, ancak kullanıcının REST API olarak uygulanan bir modeli kullanmanın kolay bir yolu yoktur. Microsoft Power Platform, burada gösterildiği gibi bu son mili kapatmaya yardımcı olabilir.

Power Apps'in sağladığı düşük kodlu arabirim kullanılarak Power Apps'te oluşturulan uygulama için bir kullanıcı arabirimi aşağıdadır.

Kullanıcının girişini ayrıştırmak, Machine Learning uç noktasına geçirmek ve tahmini almak üzere düşük kodlu bir iş akışı oluşturmak için Power Automate'i kullanabilirsiniz. Ayrıca Power BI'ı kullanarak Machine Learning modeliyle etkileşimde bulunabilir ve özel iş raporları ile panolar oluşturabilirsiniz.

Bu uçtan uca örneği dağıtmak için Araba Fiyatı Tahmin Aracı - Azure ML + Power App Çözümü başlığı altındaki adım adım yönergeleri izleyin.

Genişletilmiş senaryolar

Aşağıdaki senaryoları inceleyin.

Teams'e dağıtma

Önceki örnekte sağlanan örnek uygulama Microsoft Teams'e de dağıtılabilir. Teams, uygulamalarınız için harika bir dağıtım kanalı sağlar ve kullanıcılarınıza işbirliğine dayalı bir uygulama deneyimi sunar. Power Apps kullanarak Teams'e uygulama dağıtma hakkında daha fazla bilgi için bkz . Teams'de Power Apps kullanarak uygulamanızı yayımlama: Power Apps.

API'yi birden çok uygulama ve otomasyondan kullanma

Bu örnekte, REST uç noktasını HTTP eylemi olarak kullanacak bir Power Automate bulut akışı yapılandıracağız. Bunun yerine REST uç noktası için özel bir bağlayıcı ayarlayabilir ve bunu doğrudan Power Apps'ten veya Power Automate'ten kullanabiliriz. Bu yaklaşım, birden çok uygulamanın aynı uç noktayı kullanmasını istediğimizde yararlıdır. Ayrıca Microsoft Power Platform yönetim merkezinde bağlayıcı veri kaybı önleme (DLP) ilkesini kullanarak idare sağlar. Özel bağlayıcı oluşturmak için bkz . Power Apps uygulamasından özel bağlayıcı kullanma. Microsoft Power Platform bağlayıcısı DLP hakkında daha fazla bilgi için bkz . Veri kaybı önleme ilkeleri: Power Platform.

Katkıda Bulunanlar

Bu makale Microsoft tarafından yönetilir. İlk olarak şu şekilde yazılmıştır:

• Vyas Dev Venugopalan | Uzman - Azure Veri ve Yapay Zeka

Sonraki adımlar

• Machine Learning nasıl çalışır: Mimari ve kavramlar
• Birinci sınıf yapay zeka özelliklerine sahip akıllı uygulamalar oluşturun

İlgili kaynaklar

• Azure Synapse Analytics ile uçtan uca analiz
• Uçta görüntü işleme kullanarak uçtan uca üretim
• Yapay zeka (AI)
• Microsoft'un ML ürünlerini ve teknolojilerini karşılaştırma