Megoldási ötletek
Ez a cikk egy megoldási ötlet. Ha azt szeretné, hogy további információkkal bővítsük a tartalmat, például a lehetséges használati eseteket, alternatív szolgáltatásokat, megvalósítási szempontokat vagy díjszabási útmutatást, a GitHub visszajelzésével tudassa velünk.
Megtudhatja, hogyan segíthet az Azure Machine Tanulás az energiatermékek és -szolgáltatások iránti megnövekedett kereslet előrejelzésében.
Felépítés
Töltse le az architektúra Visio-fájlját.
Adatfolyam
- Az idősoradatok az eredeti forrástól függően különböző formátumban tárolhatók. Az adatok tárolhatók fájlként az Azure Data Lake Storage-ban, vagy táblázatos formában az Azure Synapse-ban vagy az Azure SQL Database-ben.
- Olvasás: Az Azure Machine Tanulás (ML) képes csatlakozni és olvasni az ilyen forrásokból. Az idősoradatok Azure Machine Tanulás való betöltése lehetővé teszi az automatikus gépi tanulást (AutoML) az adatok előzetes feldolgozásához, valamint egy modell betanításához és regisztrálásához.
- Az AutoML első lépése az idősoradatok konfigurálása és előfeldolgozása. Ebben a lépésben a megadott adatok előkészítve lesznek a betanításhoz. Az adatok a következő funkciókat és előrejelzett konfigurációkat hajtják végre:
- Hiányzó értékek felrótt értéke
- Holiday és DateTime funkciófejlesztés
- Késések és gördülő ablakok
- Gördülő eredetű keresztérvényesítés
- A betanítási szakaszban az AutoML az előre feldolgozott adatkészletet használja a legjobb előrejelzési modell betanítására, kiválasztására és magyarázatára.
- Modellbetanítás: A gépi tanulási modellek széles választéka használható, a klasszikus előrejelzéstől, a mély neurális hálózatoktól és a regressziós modellektől kezdve.
- Modellértékelés: A modellek kiértékelése lehetővé teszi, hogy az AutoML felmérje az egyes betanított modellek teljesítményét, és lehetővé teszi a legjobban teljesítő modell kiválasztását az üzembe helyezéshez.
- Magyarázhatóság: Az AutoML magyarázattal szolgál a kiválasztott modellhez, így jobban megértheti, hogy milyen funkciók vezetik a modell eredményeit.
- A legjobb teljesítményt biztosító modellt az Azure Machine Tanulás regisztrálja az AutoML használatával, ami elérhetővé teszi az üzembe helyezéshez.
- Üzembe helyezés: Az Azure Machine-Tanulás regisztrált modell üzembe helyezhető, amely egy élő végpontot biztosít, amely a következtetés érdekében közzétehető.
- Az üzembe helyezés az Azure Kubernetes Service -n (AKS) keresztül végezhető el, miközben futtat egy Kubernetes által felügyelt fürtöt, ahol a tárolók az Azure Container Registryben tárolt rendszerképekből vannak üzembe helyezve. Alternatív megoldásként az Azure Container Instances is használható az AKS helyett.
- Következtetés: A modell üzembe helyezése után az új adatok következtetése az elérhető végponton keresztül végezhető el. A batch és a közel valós idejű előrejelzések támogatottak. A következtetési eredmények dokumentumként tárolhatók az Azure Data Lake Storage-ban, vagy táblázatos formában az Azure Synapse-ban vagy az Azure SQL Database-ben.
- Vizualizáció: A tárolt modell eredményei felhasználhatók felhasználói felületeken, például Power BI-irányítópultokon vagy egyéni webalkalmazásokon keresztül. Az eredményeket fájl- vagy táblázatos formátumban egy tárolási beállításba írja, majd az Azure Cognitive Search megfelelően indexeli. A modell kötegelt következtetésként fut, és az eredményeket a megfelelő adattárban tárolja.
Összetevők
- Azure Data Factory: Adatkezelés és előkészítés kezelése.
- Azure Automated Machine Tanulás: Az Azure ML használatával előrejelzhető egy adott régió energiaigénye.
- MLOps: Éles modell munkafolyamatainak tervezése, üzembe helyezése és kezelése.
- Power BI Azure ML-integráció: Modell-előrejelzési eredmények felhasználása a Power BI-ban.
Forgatókönyv részletei
Az energiafogyasztás és az energiaigény idővel változik. A változás időbeli monitorozása idősorokat eredményez, amelyek felhasználhatók a minták megértésére és a jövőbeli viselkedések előrejelzésére. Az Azure Machine Tanulás segíthet előre jelezni az energiatermékek és szolgáltatások iránti megnövekedett keresletet.
Ez a megoldás az alábbi, Azure által felügyelt szolgáltatásokra épül:
Ezek a szolgáltatások magas rendelkezésre állású környezetben futnak javítások és támogatás mellett, ami lehetővé teszi, hogy a környezet helyett a megoldásra tudjon fókuszálni.
Lehetséges használati esetek
Ez a megoldás ideális az energiaipar számára.
Közreműködők
Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.
Fő szerző:
- Dr. Carlos Santos | Vezető felhőmegoldás-tervező – AI &Adattudomány
További lépések
Tekintse meg a következő termékdokumentációt:
- Üdvözli a Stream Analytics
- Mi az Event Hubs?
- Azure SQL-dokumentáció
- További információ a Data Factoryről
- Mi az Azure Machine Learning?
- Gépi Tanulás és idősorok előrejelzése
- Power BI
További információ:
- Az AutoML beállítása idősorozat-előrejelzési modell betanításához a Pythonnal
- Próbálja ki a Machine Tanulás Notebookot az energiaigény-adatkészlet használatával történő előrejelzéshez.
- Próbálja ki a Microsoft Learn modult, az Automatizált gépi tanulás használata az Azure Machine Tanulás.