Arquiteturas de soluções do Azure

Crie elevada disponibilidade na sua estratégia de BCDR

As máquinas virtuais (VMs) estão fisicamente separadas nas zonas e uma rede virtual é criada com balanceadores de carga em cada local. Estas localizações estão perto o suficiente para replicação de elevada disponibilidade, pelo que as suas aplicações permanecem em execução, apesar de quaisquer problemas nas localizações físicas.

Otimização de Campanhas com Clusters do Azure HDInsight Spark

Esta solução demonstra como criar e implementar um modelo de aprendizagem automática com o Microsoft R Server nos clusters do Azure HDInsight Spark para recomendar ações para maximizar a taxa de compra das oportunidades potenciais visadas por uma campanha. Esta solução permite o processamento eficiente de macrodados no Spark com o Microsoft R Server.

Cliente 360

Um profundo entendimento entre os interesses e os padrões de compra do cliente é um elemento essencial de qualquer operação de business intelligence do setor de retalho. Esta solução implementa um processo de agregação de dados do cliente num perfil “360 graus” e utiliza modelos avançados de aprendizagem automática, apoiados pela fiabilidade e potência de processamento do Azure, para fornecer informações preditivas sobre clientes simulados.

Dimensionamento entre clouds com o Azure e o Azure Stack

O software moderno está cada vez mais ligado e distribuído. A consistência do Azure Stack com os serviços de plataforma e a infraestrutura do Azure permite-lhe dimensionar recursos entre clouds para atender ao aumento de carga, conforme necessário, e diminuir os recursos à medida que a procura baixa. Otimize os custos e maximize a eficiência dos recursos ao mesmo tempo que mantém a conformidade com a arquitetura entre clouds.

Otimização do Abastecimento Energético

Numa rede energética, os consumidores de energia interagem com vários tipos de componentes de abastecimento, comercialização e armazenamento de energia, tais como subestações, baterias, parques eólicos e painéis solares, micro-turbinas, bem como ofertas de resposta à procura, para fazer face às respetivas necessidades e minimizar o custo de alocação de energia. Para tal, o operador da rede tem de determinar a quantidade de energia que cada tipo de recurso deve alocar durante um período de tempo, atendendo aos preços de solicitação de diferentes tipos de recursos e às capacidades e características físicas dos mesmos.

Macrocomputação com o Azure Batch

As cargas de trabalho de macrocomputação e de computação de alto desempenho (HPC) são, normalmente, de computação intensiva e podem ser executadas em paralelo, ao tirar partido das capacidades de dimensionamento e da flexibilidade da cloud. As cargas de trabalho são, muitas vezes, executadas de forma assíncrona com processamento em lotes, com os recursos de computação necessários para executar o trabalho e o agendamento de tarefas necessário para especificar o trabalho. Exemplos de cargas de trabalho de Macrocomputação e de HPC incluem simulações Monte Carlo de risco financeiro, composição de imagens, transcodificação de multimédia, processamento de ficheiros e simulações científicas ou de engenharia.