Dlaczego AI zaczyna się od danych
Model nie zna automatycznie firmowej definicji marży, reguł oceny jakości ani właściwego poziomu zapasu. Potrzebny kontekst znajduje się w danych i procesach. Platforma danych pomaga go uporządkować, a integracje udostępniają modelowi informacje odpowiednie dla danego użytkownika i zadania.
Predykcja rekomendacje i agenci
Predykcja obejmuje np. prognozy popytu i szacowanie ryzyka awarii. Rekomendacje podpowiadają działanie przy określonym stanie procesu. Agenci mogą wyszukiwać informacje, wykonywać analizy i korzystać z narzędzi w przyznanym zakresie. Osobną grupą zastosowań jest analiza obrazu, np. wspieranie kontroli jakości na podstawie zdjęć produktów.
Usługi Microsoft jako moduły rozwiązania
- Azure Databricks - przygotowanie dużych zbiorów danych, eksperymenty analityczne i rozwój modeli uczenia maszynowego.
- Azure Machine Learning - trenowanie, wdrażanie i zarządzanie modelami; Azure Machine Learning studio jest interfejsem do pracy z usługą.
- Microsoft Fabric - podstawa danych i narzędzia analityczne, które mogą zasilać modele oraz udostępniać ich wyniki.
- Microsoft Foundry i Azure AI Search - komponenty do budowy aplikacji generatywnej AI i wyszukiwania treści, np. asystenta korzystającego z dokumentów firmowych.
- Power Apps, Azure Static Web Apps lub Power BI - udostępnianie rekomendacji, prognoz i odpowiedzi użytkownikom w odpowiednim kontekście.
Zamknięta pętla decyzji
Dane zasilają model, wynik trafia do użytkownika lub aplikacji, następnie uruchamiane jest działanie i mierzony jego efekt. Przykładowo prognoza zapotrzebowania może być oceniana przez planistę, a zatwierdzona zmiana trafiać do dalszego procesu. W ten sposób AI staje się częścią pracy organizacji, a wyniki i korekty pomagają oceniać jej przydatność.
Przykład połączenia usług
Dział planowania chce lepiej przewidywać popyt. Fabric integruje historię sprzedaży i dane o produktach. Model rozwijany w Azure Machine Learning lub Azure Databricks wylicza prognozy, które trafiają do warstwy danych i raportów Power BI. Planista weryfikuje rekomendacje, a aplikacja pozwala zapisać korekty. Trafność prognoz jest porównywana z rzeczywistą sprzedażą, co pomaga oceniać jakość rozwiązania.
Governance AI i rola człowieka
Potrzebne są zasady dostępu do danych, testy jakości, rejestracja działań i wyraźna odpowiedzialność za decyzje. Asystenta korzystającego z dokumentów należy oceniać pod kątem zgodności odpowiedzi ze źródłami. Wyszukiwanie RAG pomaga dostarczać kontekst, ale nie eliminuje błędów. Działania o większych konsekwencjach mogą wymagać zatwierdzenia, a jakość modeli predykcyjnych powinna być monitorowana po wdrożeniu.
Najczęstsze pytania
Czy trzeba mieć Fabric żeby wdrażać AI?
Nie. Fabric może dostarczać wspólną podstawę danych i narzędzia analityczne, ale rozwiązanie AI może również korzystać z istniejących baz, usług Azure, Azure Databricks lub innych platform. Architekturę dobiera się do danych, zastosowania i sposobu utrzymania.
Czy każde AI wymaga budowy modelu od zera?
Nie. Wiele zastosowań wykorzystuje gotowe modele, usługi AI lub wyszukiwanie w dokumentach połączone z generowaniem odpowiedzi. Własne modele i dodatkowe trenowanie są uzasadnione wtedy, gdy wymagają tego zadanie, dane i oczekiwana skuteczność.
Powiązane materiały
Potrzebujesz wdrożenia lub audytu
MicrosoftBI wyjaśnia podejście i architekturę. Jeżeli chcesz przejść do realizacji, sprawdź usługę Antdata odpowiadającą temu obszarowi.