Pomysły dotyczące rozwiązań
Ten artykuł jest pomysłem na rozwiązanie. Jeśli chcesz, abyśmy rozszerzyli zawartość o więcej informacji, takich jak potencjalne przypadki użycia, alternatywne usługi, zagadnienia dotyczące implementacji lub wskazówki dotyczące cen, daj nam znać, przekazując opinię w usłudze GitHub.
Dowiedz się, jak usługa Azure Machine Edukacja może pomóc w prognozowaniu skoków zapotrzebowania na produkty i usługi energetyczne.
Architektura
Pobierz plik programu Visio z tą architekturą.
Przepływ danych
- Dane szeregów czasowych mogą być przechowywane w różnych formatach, w zależności od oryginalnego źródła. Dane mogą być przechowywane jako pliki w usłudze Azure Data Lake Storage lub w formie tabelarycznej w usłudze Azure Synapse lub Usłudze Azure SQL Database.
- Przeczytaj: usługa Azure Machine Edukacja (ML) może łączyć się i odczytywać z takich źródeł. Pozyskiwanie danych szeregów czasowych do usługi Azure Machine Edukacja umożliwia automatyczne uczenie maszynowe (AutoML) wstępne przetwarzanie danych oraz trenowanie i rejestrowanie modelu.
- Pierwszym krokiem w ramach rozwiązania AutoML jest konfiguracja i wstępne przetwarzanie danych szeregów czasowych. W tym kroku podane dane są przygotowane do trenowania. Dane napędzają następujące funkcje i prognozowane konfiguracje:
- Imputed missing values (Imputed missing values)
- Inżynieria funkcji Holiday i DateTime
- Opóźnienia i okna stopniowe
- Krzyżowe sprawdzanie poprawności początkowego źródła
- Na etapie trenowania rozwiązanie AutoML używa wstępnie przetworzonego zestawu danych do trenowania, wybierania i wyjaśniania najlepszego modelu prognozowania.
- Trenowanie modelu: można używać szerokiego zakresu modeli uczenia maszynowego, od klasycznych prognoz, głębokich sieci neuronowych i modeli regresji.
- Ocena modelu: ocena modeli umożliwia usłudze AutoML ocenę wydajności każdego wytrenowanego modelu i umożliwia wybranie najlepszego modelu do wdrożenia.
- Wyjaśnienie: Rozwiązanie AutoML zapewnia objaśnienie wybranego modelu, co pozwala lepiej zrozumieć, jakie funkcje napędzają wyniki modelu.
- Model o najlepszej wydajności jest rejestrowany w usłudze Azure Machine Edukacja przy użyciu rozwiązania AutoML, który udostępnia go do wdrożenia.
- Wdrażanie: model zarejestrowany w usłudze Azure Machine Edukacja można wdrożyć, co zapewnia dynamiczny punkt końcowy, który można uwidocznić na potrzeby wnioskowania.
- Wdrożenie można wykonać za pośrednictwem usługi Azure Kubernetes Service (AKS), uruchamiając klaster zarządzany przez platformę Kubernetes, w którym kontenery są wdrażane z obrazów przechowywanych w usłudze Azure Container Registry. Alternatywnie można użyć usługi Azure Container Instances zamiast usługi AKS.
- Wnioskowanie: po wdrożeniu modelu wnioskowanie nowych danych można wykonać za pośrednictwem dostępnego punktu końcowego. Przewidywania wsadowe i niemal w czasie rzeczywistym mogą być obsługiwane. Wyniki wnioskowania mogą być przechowywane jako dokumenty w usłudze Azure Data Lake Storage lub w formie tabelarycznej w usłudze Azure Synapse lub Usłudze Azure SQL Database.
- Wizualizacja: przechowywane wyniki modelu mogą być używane za pośrednictwem interfejsów użytkownika, takich jak pulpity nawigacyjne usługi Power BI lub za pomocą niestandardowych aplikacji internetowych. Wyniki są zapisywane w magazynie w formacie pliku lub tabelarycznym, a następnie są prawidłowo indeksowane przez usługę Azure Cognitive Search. Model działa jako wnioskowanie wsadowe i przechowuje wyniki w odpowiednim magazynie danych.
Elementy
- Azure Data Factory: obsługa manipulowania danymi i przygotowywania.
- Azure Automated Machine Edukacja: użyj usługi Azure ML, aby prognozować zapotrzebowanie na energię określonego regionu.
- Metodyka MLOps: projektowanie, wdrażanie i zarządzanie przepływami pracy modelu produkcyjnego.
- Integracja usługi Azure ML z usługą Power BI: korzystanie z wyników przewidywania modelu w usłudze Power BI.
Szczegóły scenariusza
Zużycie energii i zapotrzebowanie na energię zmieniają się w czasie. Monitorowanie tej zmiany w czasie powoduje szeregi czasowe, których można użyć do zrozumienia wzorców i prognozowania przyszłych zachowań. Usługa Azure Machine Edukacja może pomóc w prognozowaniu skoków zapotrzebowania na produkty i usługi energetyczne.
To rozwiązanie zostało utworzone w oparciu o usługi zarządzane Azure:
Usługi te działają w środowisku o wysokiej dostępności, zapewniającym poprawki i pomoc techniczną, co pozwala na koncentrację na rozwiązaniu, a nie środowisku, w którym działają usługi.
Potencjalne przypadki użycia
To rozwiązanie jest idealne dla branży energetycznej.
Współautorzy
Ten artykuł jest obsługiwany przez firmę Microsoft. Pierwotnie został napisany przez następujących współautorów.
Główny autor:
- Dr Carlos Santos | Starszy architekt rozwiązań w chmurze — sztuczna inteligencja i Nauka o danych
Następne kroki
Zapoznaj się z następującą dokumentacją produktu:
- Usługa Stream Analytics — Zapraszamy!
- Co to jest usługa Event Hubs?
- Dokumentacja usługi Azure SQL
- Dowiedz się więcej o usłudze Data Factory
- Co to jest Azure Machine Learning?
- Prognozowanie Edukacja maszyn i szeregów czasowych
- Power BI
Więcej informacji:
- Konfigurowanie rozwiązania AutoML do trenowania modelu prognozowania szeregów czasowych przy użyciu języka Python
- Wypróbuj notes usługi Machine Edukacja na potrzeby prognozowania przy użyciu zestawu danych zapotrzebowania na energię.
- Wypróbuj moduł Microsoft Learn. Użyj zautomatyzowanego uczenia maszynowego w usłudze Azure Machine Edukacja.