Power BI обеспечивает мощность AI

Power BI обеспечивает мощность AI

Инструмент BI для самообслуживания Microsoft вскоре позволит бизнес-аналитикам создавать и использовать модели машинного обучения с минимальным опытом и без кода. Доступ к Azure Cognitive Services и модели, размещенные в Azure Machine Learning, а также новая функция, которая объясняет результаты KPI, также включены.

Машиноведение (ML). это захватывающая технология, но для неспециалистов это может быть трудно использовать. У Microsoft слишком много утюгов в обстреле ML, что с предварительно подготовленными универсальными моделями ML, которые являются частью Azure Cognitive Services; разработчик и разработчик данных Azure Databricks, а также универсальное и ориентированное на работу Azure Machine Learning (Azure ML), но Microsoft нуждается в том, чтобы объединить эти разрозненные компоненты и сделать их более доступными.

Экран заставки «Начало работы» для создания собственных моделей ML в Power BI

Сегодня Microsoft анонсирует новые функции в Power BI, которые делают именно это, позволяя тем же бизнес-аналитикам, которые могут использовать Power BI для аналитики самообслуживания, интегрировать модели машинного обучения, созданные их учеными-учеными или Microsoft, и даже создавать свои собственные ,

Эти функции Power BI запускаются сегодня как частный Предварительный просмотр. Но Арун Улагарачаган, генеральный менеджер Microsoft по технологиям Power BI, и его команда, были достаточно любезны, чтобы предоставить мне очень подробную демонстрацию, поэтому я могу подтвердить, что продукт является реальным, а не «эфиром».

На высоком уровне история довольно проста. Microsoft представила четыре новые функции, связанные с AI в Power BI:

  • Интеграция Azure Cognitive Services
  • Интеграция моделей ML, организованных в Azure Machine Learning, в том числе встроенных в Azure Databricks
  • Возможность создавать, а затем использовать модели ML с использованием Azure Automated ML (AutoML)
  • Новая визуализация анализатора ключей, которая показывает, какие столбцы и значения определяют конкретные результаты (значения) для столбцов данных, служащих в качестве мер или ключевых показателей эффективности (KPI)

Это TL, DR. Читайте дальше для освещения каждой из этих четырех функций. В конце этого сообщения я подытожу несколько замечаний.

Доступ к когнитивным услугам
Интеграция моделей Azure Cognitive Services и Azure ML запускается из недавно анонсированной функции потока данных Power BI, которая по сути представляет собой облачную реализацию средства подготовки данных самообслуживания Power Query, доступное в Power BI Desktop (например, не говоря уже о Excel) в течение некоторого времени. Ключом к доступу к функциям AI является щелчок по новой панели инструментов «AI Insights» в пользовательском интерфейсе Data Flows.

Оттуда пользователи могут выбрать, хотят ли они использовать модель Azure Cognitive Services или модель Azure ML, созданная и совместно используемая пользователем Power BI ученым-информатиком. В любом случае пользователю Power BI не нужны никакие обеспеченные услуги Azure, арендаторы или даже подписка Azure.

Если пользователь выбирает опцию Azure Cognitive Services, она может затем дополнительно выбирать, выполнять ли определение языка, обнаружение изображения, извлечение ключевой фразы или подсчет очков. Команда уверяет меня, что больше вариантов Azure Cognitive Services будут на борту, и эти четыре услуги будут только предлагаемыми.

Выбор столбцов
После выбора службы пользователь затем должен подключить те столбцы на карте набора данных к входным параметрам для модели Cognitive Services, а затем нажать кнопку «Invoke». Оттуда предсказанный вывод модели для каждой строки в наборе данных появится в новом вычисленном столбце, добавленном в конце.

Продвинутым пользователям будет интересно узнать, что, как и в любом вычисленном столбце, содержимое этих специальных столбцов. это просто формулы, построенные на языке программирования M, используемом Power Query. Это говорит о том, что вызов Cognitive Services в Power BI может быть сценарием, а не вызван исключительно через пользовательский интерфейс.

Демонстрация, которую я получил, включала в себя набор данных с кучей отзывов клиентов о гостиницах, а модели Cognitive Services использовались для обеспечения оценки настроений по тексту обзора, извлечения ключевых фраз (которые затем визуализировались в пользовательской визуализации облачного облака) из обзора , затем извлеките и пометьте (заголовок) изображения из обзоров. Затем весь этот вывод был легко визуализирован в одностраничном отчете Power BI.

Azure ML
Для моделей, поддерживающих Azure ML, опыт аналогичен опыту Cognitive Services: выберите модель, подключите столбцы набора данных с параметрами ввода модели ML, нажмите «Вызвать» и верните результат. Основное различие заключалось в том, что полученное предсказание возвращается в виде столбца с несколькими столбцами, которое затем необходимо расширить; к счастью, Power Query и Data Flows имеют именно такую ​​функцию расширения, встроенную в нее.

Еще одно отличие. уровень подписки Power BI, необходимый для каждой из этих функций. По крайней мере, для частного предварительного просмотра, для интеграции когнитивных услуг требуется подписка на Power BI Premium. Доступ к моделям с поддержкой Azure ML (включая те, которые созданы в Azure Databricks) должен требовать только подписку на Power BI Professional.


Построй свой собственный

Коронная жемчужина в этом наборе новых особенностей AI, вероятно, является способностью создавать собственную модель, используя Azure AutoML. Вот рецепт его работы:

  • В представлении потока данных в облачном сервисе Power BI щелкните значок «мозг» для определенного потока, затем нажмите «Добавить модель обучения компьютера» в контекстном меню
  • Выберите желаемый тип модели (Binary Classification, General Classification, Regression или Forecasting, каждый из которых объясняется)
  • Укажите, какой столбец из набора данных использовать в качестве предсказанного столбца («метка» на языке данных)
  • Просмотрите столбцы уже выбран для вас с помощью AutoML для использования в качестве входных столбцов для модели («функции» на языке данных), переопределяя эти варианты, если это необходимо
  • Назовите модель и выберите значения, которые вы хотите отобразить для каждой предсказанной классификации

По завершении этих шагов мастера Power BI (и AutoML) затем выберет подходящий алгоритм и сопутствующие значения параметров для вас. все это происходит за кулисами. создайте и обучите модель и добавьте вычисленный выходной столбец к вашему набору данных. По мере добавления новых данных в базовую таблицу (какие потоки данных могут быть автоматизированы с помощью запланированного инкрементного обновления) в этот столбец будут добавлены новые предсказанные значения.

Power BI также предоставит отчет, который оценивает точность модели. Хотя этот отчет генерируется автоматически, на самом деле это всего лишь стандартный отчет Power BI, состоящий из набора визуализаций и slicer для доверительного порога. Это хорошо демонстрирует пригодность инструментов BI для управления моделью ML, и я предполагаю, что редактирование отчета поможет специалистам BI узнать много о том, как определить точность модели ML.

Анализ ключевых драйверов
Последняя функция для обсуждения. это анализ ключевых драйверов, который использует AI, но не «чувствует» себя как AI. Вместо этого пользователи просто перетаскивают специальную визуализацию в отчет и настраивают столбец «Цель» и набор столбцов «Объяснить по» в поле «Поля» в Power BI Desktop. Просто сделав это, появится визуализация, которая в представлении «Значимые влияния» показывает, какие значения для конкретных столбцов «Объяснить» значительно влияют на значение столбца «Цель». Альтернативное представление «Верхние профили» аналогично для конкретных статистически интересных комбинаций значений «Объяснить по».

Подведение итогов
Microsoft сделала здесь очень ценную работу. Начнем с того, что команда Power BI объединила множество разрозненных сервисов Azure и сделала их под ключ без необходимости в кодах или подписке Azure. Команда также использовала силу AutoML и взяла последнюю милю, чтобы стать настоящим предложением самообслуживания. Все это огромно.

Но то, что команда также сделала. это подгонка всей этой технологии ИИ в контексте BI. Функции вызываются из инструмента подготовки данных (или для анализа ключевых драйверов, специальной визуализации). Все со стороны ввода. это просто столбцы из таблицы; все на стороне вывода. это только вычисляемый столбец в той же таблице, используя стандартный язык выражения для таких столбцов. Управление моделью реализовано в стандартном отчете, и прогнозы визуализируются таким же образом, как и другие идеи.

Это означает, что все, что уже есть в Power BI, может быть принесено. Например, гистограмма, показывающая оценку настроений по бренду, может быть создана с использованием интерфейса естественного языка Power BI QA (который в мобильном приложении Power BI может управляться голосом). Необычные объединения и фильтрация данных в потоке данных могут использоваться для построения модели для наиболее релевантных строк и столбцов. Стандартные слайсеры могут быть применены к выходу анализатора ключей и любой выходной модели.

Другими словами, Power BI соответствовала многим сервисам, связанным с Azure AI, с парадигмой BI и сделала их доступными для людей с наборами навыков BI. Неспособность отрасли в целом сделать подобную работу. большая часть того, что до сих пор удерживало ИИ от более широкого внедрения, развертывания и разумной монетизации. Эти новые функции Power BI создали новый и приветствуемый прецедент.