Power Platform 的公民 AI

以下架構會以 Azure Synapse Analytics 案例擴充端對端分析。 它可讓自訂機器學習 (ML) 模型在 Azure Machine Learning 中訓練，並透過使用 Microsoft Power Platform 以自訂應用程式來實作。

架構

下載此架構的 Visio 檔案。

工作流程

工作流程包含下列步驟：

• 擷取
• 儲存
• 訓練和部署模型
• 取用

擷取

使用 Azure Synapse 管線從內部部署和雲端中的各種來源提取批次資料。 此 Lambda 架構有兩個資料擷取流程：串流和批次。 其描述於此：

• 串流：在上述架構圖表的上半部是串流資料流 (例如巨量資料串流和 IoT 裝置)。
  • 您可以使用 Azure 事件中樞 或 Azure IoT 中樞 來擷取用戶端應用程式或 IoT 裝置所產生的資料流。 事件中樞或 IoT 中樞擷取和儲存串流資料，並保留收到的事件序列。 客戶可以連線到中樞端點，以擷取處理訊息。
• 批次：在架構圖表的下半部，資料會擷取並處理批次，例如：

  • 非結構化資料 (例如影片、影像、音訊和任意文字)

  • 半結構化資料 (例如 JSON、XML、CSV 和記錄)

  • 結構化資料 (例如關聯式資料庫和 Azure 資料服務)。

    Azure Synapse Link 會在 Azure Cosmos DB 與 Azure Synapse Analytics 之間建立緊密順暢的整合。 Azure Synapse 管線可以根據預先定義的排程或回應事件來觸發。 您也可以呼叫 REST API 來叫用它們。

儲存

擷取的資料可以直接以原始格式登陸，然後在 Azure Data Lake 上轉換。 在 Azure Synapse Analytics 中，資料經過策劃並轉換成關係結構後，即可呈現供取用。

訓練和部署模型

Machine Learning 提供企業級 ML 服務，用於更快地建置和部署模型。 它提供所有技能層級的使用者，具有低程式碼設計工具、自動化 ML 和裝載的 Jupyter Notebook 環境。 模型可以部署為 Azure Kubernetes Service 上的即時端點，也可以部署為 Machine Learning 受控端點。 針對 ML 模型的批次推斷，您可以使用 Machine Learning 管線。

取用

Machine Learning 中的批次或即時發佈模型可以產生 REST 端點，而此端點可以在使用低程式碼 Power Apps 平台建置的自訂應用程式中取用。 您也可以呼叫從 Power BI 報表的即時 Machine Learning 端點，以在商務報表中呈現預測。

元件

您可以使用下列元件。

Microsoft Power Platform 服務

• Power Platform：一組工具，適用於分析資料、建置解決方案、自動化程式，以及建立虛擬代理程式。 其中包含 Power Apps、Power Automate、Power BI 和 Power Virtual Agents。
• Power Apps：一套應用程式、服務、連接器和資料平台。 其提供可用於快速應用程式碼開發環境，以針對您的業務需求建立自訂應用程式。
• Power Automate：一項服務，可説明您在喜愛的應用程式和服務之間建立自動化工作流程。 使用它來同步處理檔案、取得通知、收集資料等等。
• Power BI：是軟體服務、應用程式和連接器的集合，可共同運作並將不相關的資料來源轉換成一致、融入視覺及互動的見解。

Azure 服務

• Machine Learning：企業級 ML 服務，用於快速建置和部署模型。 它提供所有技能層級的使用者，具有低程式碼設計工具、自動化 ML 和裝載的 Jupyter Notebook 環境，以支援您自己偏好的 IDE。
• Machine Learning 受控端點：可讓您部署模型的線上端點，而不需要建立和管理基礎結構。
• «»Azure Kubernetes Service：ML 在不同計算目標之間有不同的支援。 Azure Kubernetes Service 是這類目標之一，非常適合企業級即時模型端點。
• Azure Data Lake：與 Hadoop 相容的檔案系統。 它具有整合式階層命名空間，以及 Azure Blob 儲存體的超大規模和經濟性。
• Azure Synapse Analytics：一項無限制的分析服務，可將資料整合、企業資料倉儲和巨量資料分析整合在一起。
• 事件中樞和 IoT 中樞：這兩個服務都會擷取用戶端應用程式或 IoT 裝置所產生的資料流。 然後，它們會擷取並儲存串流資料，並保留收到的事件序列。 消費者可以連線到中樞端點，以擷取處理訊息。

平台服務

請遵循 Azure Well-Architected Framework 中定義的建議和指導方針，改善 Azure 解決方案的品質。 該架構包含五個卓越的架構要素：

• 成本最佳化
• 卓越營運
• 效能效益
• 可靠性
• 安全性

若要建立符合這些建議的設計，請考慮下列服務：

• Microsoft Entra 識別碼：跨 Azure 工作負載的身分識別服務、單一登入和多重要素驗證。
• Microsoft 成本管理：Azure 工作負載的財務治理。
• Azure Key Vault：安全憑據和證書管理。
• Azure 監視器：從 Azure 資源收集、分析和顯示遙測。 使用 Monitor 主動識別問題，以最大限度地提高性能和可靠性。
• 適用於雲端的 Microsoft Defender：加強和監控 Azure 工作負載的安全狀況。
• Azure DevOps & GitHub：實作 DevOps 做法，以針對 Azure Synapse Analytics 和 Machine Learning 強制執行工作負載開發和部署管線的自動化和合規性。
• Azure 原則：實施資源一致性、法規遵循、安全、成本和管理的組織標準和治理。

替代項目

機器學習 MVP 受益於速度到結果。 在某些情況下，預先定型的 Azure 認知服務或 Azure 應用 AI 服務可以符合自訂模型的需求。 在其他案例中，Power Apps AI Builder 可能會提供適合的用途模型。

案例詳細資料

一般技術趨勢是公民 AI 角色越來越受歡迎。 這類角色是企業從業者，想要透過 ML 和 AI 技術的應用來改善商務程序。 此趨勢的重要貢獻者是開發 ML 模型的低程式碼工具的成熟度和可用性。

由於這類計劃的已知高失敗率，在真實世界設定中快速建立原型及驗證 AI 應用程式的能力，會成為失敗快速方法的關鍵啟用者。 開發模型有兩個關鍵工具，可將程序現代化並推動轉型結果：

• 適用於所有技能層級的 ML 工具組
  • 支援無程式碼以完全編碼的 ML 開發
  • 具有彈性、低程式碼的圖形使用者介面 (GUI)
  • 可讓使用者快速來源和準備資料
  • 可讓使用者快速建置和部署模型
  • 具有適用於 ML 演算法開發的進階自動化 ML 功能
• 低程式碼應用程式開發工具組
  • 可讓使用者建置自訂應用程式和自動化工作流程
  • 建立工作流程，讓取用者和商務程序可以與 ML 模型互動

Machine Learning 履行低程式碼 GUI 的角色來進行 ML 開發。 它已將 ML 自動化並部署至批次或即時端點。 Power Platform 包含 Power Apps 和 Power Automate，提供工具組，以快速建置可實作 ML 演算法的自訂應用程式和工作流程。 商務用戶現在可以建置生產等級 ML 應用程式，以轉換舊版商務程序。

潛在使用案例

這些工具組可將建立 ML 模型在商務程序上優點原型所需的時間和精力降到最低。 您可以輕鬆地將原型延伸至生產等級的應用程式。 這些技術的用途包括：

• 使用過時決定性預測的舊版應用程式製造 Ops。 這類情況可以受益於 ML 模型的改善精確度。 證明改善的精確度需要模型和開發工作，才能與內部部署舊版系統整合。
• 通話中心 Ops 與舊版應用程式在資料漂移時不會調整。 自動重新定型的模型可能會大幅提升流失率預測或風險分析精確度。 驗證需要與現有的客戶關係管理和票證管理系統整合。 整合成本可能很高。

考量

當您使用這些服務來建立概念證明或 MVP 時，您還沒有完成。 製作生產解決方案還有更多工作。 Well-Architected Framework 之類的架構提供參考指引和最佳做法，以套用至您的架構。

可用性

此範例案例中使用的大部分元件都是自動調整的受控服務。 此範例中使用的服務可用性會因區域而不同而有所不同。

以 ML 為基礎的應用程式通常需要一組資源來進行訓練，另一組資源則用於服務。 訓練所需資源通常不需要高可用性，因為即時生產要求並不會直接點擊`這些資源。 服務要求所需的資源需要高可用性。

DevOps

DevOps 做法可用來協調此範例中使用的端對端方法。 Machine Learning DevOps 指南提供在企業中藉由 Machine Learnin 採用 ML 作業 (MLOps) 的最佳做法和學習。

DevOps 自動化可以套用至此範例中提供的 Microsoft Power Platform 解決方案。 如需Microsoft Power Platform DevOps 的詳細資訊，請參閱 適用於 Azure DevOps 的 Power Platform Build Tools：Power Platform。

成本最佳化

成本最佳化是關於考慮如何減少不必要的費用，並提升營運效率。 如需詳細資訊，請參閱成本最佳化要素的概觀。

Azure 定價：在 Azure 上提供基礎結構即服務 (IaaS) 和平台即服務 (PaaS) 服務的第一方服務，會使用以用量為主的定價模型。 他們不需要授權或訂用帳戶費用。 通常會使用 Azure 定價計算機估算成本。 如需其他考量，請參閱 Well-Architected Framework 中的成本最佳化。

Power Platform 定價：Power Apps、Power Automate 和 Power BI 是軟體即服務 (SaaS) 應用程式，並有自己的定價模式，包括每個應用程式方案和每個使用者。

部署此案例

請考慮此商業案例。 現場代理程式會使用估計汽車市場價格的應用程式。 您可以使用 Machine Learning 快速製作此應用程式的 ML 模型原型。 您可以使用低程式碼設計工具與 ML 功能來建立模型，然後將其部署為即時 REST 端點。

此模型可能會證明概念，但使用者無法輕易地取用實作為 REST API 的模型。 Microsoft Power Platform 可協助關閉最後一英里，如這裡所示。

以下是使用 Power Apps 所提供的低程式碼介面，在 Power Apps 中建立的應用程式使用者介面。

您可以透過使用 Power Automate 建置低程式碼工作流程，以剖析使用者的輸入、將該資料傳遞至 Machine Learning 端點，以及擷取預測。 您也可以使用Power BI與 Machine Learning 模型互動，並建立自訂商務報表和儀表板。

若要部署此端對端範例，請遵循汽車價格預測工具 - Azure ML + Power App 解決方案中的逐步指示。

延伸案例

請考慮下列情況。

部署至 Teams

上述範例中提供的範例應用程式也可以部署到 Microsoft Teams。 Teams 為您的應用程式提供絕佳的發佈通道，並為使用者提供共同作業應用程式體驗。 如需如何使用 Power Apps 將應用程式部署至 Teams 的詳細資訊，請參閱在 Teams 中使用 Power Apps 發佈您的應用程式：Power Apps。

從多個應用程式和自動化取用 API

在此範例中，我們會設定 Power Automate 雲端流程，以使用 REST 端點做為 HTTP 動作。 我們可以改為設定 REST 端點的自訂連接器，並直接從 Power Apps 或 Power Automate 取用。 當我們想要多個應用程式取用相同的端點時，此方法很有用。 它也會在 Microsoft Power Platform 系統管理中心中使用連接器資料遺失防護 (DLP) 原則來提供控管。 若要建立自訂連接器，請參閱從 Power Apps 應用程式使用自訂連接器。 如需 Microsoft Power Platform 連接器 DLP 的詳細資訊，請參閱 資料遺失防護原則：Power Platform。

參與者

本文由 Microsoft 維護。 初始作者：

• Vyas Dev Venugopalan | 資深專員 - Azure 資料 & AI

下一步

• Machine Learning 的運作方式：架構和概念
• 打造融入世界級 AI 的智慧型應用程式

相關資源

• 使用 Azure Synapse Analytics 分析端對端
• 使用邊緣上的電腦視覺進行端對端製造
• 人工智慧 (AI)
• 比較 Microsoft 的 ML 產品和技術