Nápady na řešení
Tento článek je myšlenkou řešení. Pokud chcete, abychom obsah rozšířili o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět tím, že nám poskytnete zpětnou vazbu k GitHubu.
Přečtěte si, jak azure Machine Učení může pomoct předpovídat špičky poptávky po energetických produktech a službách.
Architektura
Stáhněte si soubor aplikace Visio s touto architekturou.
Tok dat
- Data časových řad se dají ukládat v různých formátech v závislosti na původním zdroji. Data se dají ukládat jako soubory ve službě Azure Data Lake Storage nebo v tabulkové podobě ve službě Azure Synapse nebo Azure SQL Database.
- Přečtěte si: Azure Machine Učení (ML) se může z těchto zdrojů připojit a číst. Příjem dat časových řad do služby Azure Machine Učení umožňuje automatizované strojové učení (AutoML) předem zpracovávat data a trénovat a registrovat model.
- Prvním krokem v rámci AutoML je konfigurace a předběžné zpracování dat časových řad. V tomto kroku jsou poskytnutá data připravená na trénování. Data řídí následující funkce a prognózované konfigurace:
- Imputované chybějící hodnoty
- Příprava funkcí Holiday and DateTime
- Prodlevy a posuvná okna
- Křížové ověřování původu se klouzavým původem
- Během fáze trénování používá AutoML předzpracovanou datovou sadu k trénování, výběru a vysvětlení nejlepšího modelu prognózování.
- Trénování modelů: Lze použít širokou škálu modelů strojového učení, od klasických prognóz, hlubokých neurálních sítí a regresních modelů.
- Vyhodnocení modelu: Vyhodnocení modelů umožňuje službě AutoML vyhodnotit výkon každého natrénovaného modelu a umožňuje vybrat model s nejlepším výkonem pro nasazení.
- Vysvětlitelnost: AutoML poskytuje vysvětlitelnost vybraného modelu, což vám umožní lépe pochopit, které funkce řídí výsledky modelu.
- Model s nejlepším výkonem je zaregistrovaný ve službě Azure Machine Učení pomocí AutoML, který ho zpřístupní pro nasazení.
- Nasazení: Model zaregistrovaný ve službě Azure Machine Učení je možné nasadit, což poskytuje živý koncový bod, který je možné vystavit pro odvozování.
- Nasazení je možné provést prostřednictvím služby Azure Kubernetes Service (AKS), zatímco spouštíte cluster spravovaný kubernetes, ve kterém se kontejnery nasazují z imagí uložených ve službě Azure Container Registry. Alternativně je možné místo AKS použít službu Azure Container Instances.
- Odvozování: Po nasazení modelu je možné odvozování nových dat provést prostřednictvím dostupného koncového bodu. Dávkové a blízké předpovědi v reálném čase je možné podporovat. Výsledky odvozování se dají ukládat jako dokumenty ve službě Azure Data Lake Storage nebo v tabulkové podobě ve službě Azure Synapse nebo Azure SQL Database.
- Vizualizujte: Výsledky uloženého modelu je možné využívat prostřednictvím uživatelských rozhraní, jako jsou řídicí panely Power BI nebo prostřednictvím vlastních webových aplikací. Výsledky se zapisují do možnosti úložiště v souboru nebo tabulkovém formátu a pak se správně indexují službou Azure Cognitive Search. Model běží jako dávkové odvozování a ukládá výsledky do příslušného úložiště dat.
Komponenty
- Azure Data Factory: Zpracování manipulace s daty a jejich příprava
- Automatizované počítače Azure Učení: Pomocí Azure ML můžete předpovědět poptávku po energii konkrétní oblasti.
- MLOps: Návrh, nasazení a správa pracovních postupů produkčního modelu
- Integrace Azure ML v Power BI: Využití výsledků predikce modelu v Power BI
Podrobnosti scénáře
Spotřeba energie a poptávka po energii se v průběhu času mění. Monitorování této změny v průběhu času vede k časovým řadám, které je možné využít k pochopení vzorů a k prognózování budoucího chování. Azure Machine Učení může pomoct předpovídat špičky poptávky po energetických produktech a službách.
Toto řešení je postavené na spravovaných službách v Azure:
Tyto služby se spouští v prostředí s vysokou dostupností, opravují se a je pro ně dostupná podpora. Díky tomu se můžete zaměřit na své řešení, a ne na prostředí, ve kterém se spouští.
Potenciální případy použití
Toto řešení je ideální pro energetické odvětví.
Přispěvatelé
Tento článek spravuje Microsoft. Původně byla napsána následujícími přispěvateli.
Hlavní autor:
- Dr. Carlos Santos | Vedoucí architekt cloudových řešení – AI a Datová Věda
Další kroky
Projděte si následující dokumentaci k produktu:
- Vítá vás Stream Analytics
- Co je Event Hubs?
- Dokumentace k Azure SQL
- Další informace o službě Data Factory
- Co je Azure Machine Learning?
- Prognózování Učení počítačů a časových řad
- Power BI
Další informace:
- Nastavení AutoML pro trénování modelu prognózování časových řad pomocí Pythonu
- Vyzkoušejte poznámkový blok počítače Učení pro prognózování pomocí datové sady energetické poptávky.
- Vyzkoušejte modul Microsoft Learn, použití automatizovaného strojového učení ve službě Azure Machine Učení.