Power BI는 AI 성능을 제공합니다.

머신러닝(ML)은 흥미로운 기술이지만 비전문가가 활용하기 어려울 수 있습니다. Microsoft는 ML 분야에서도 많은 철칙을 갖고 있습니다. 사전 훈련된 다목적 ML 모델은 다음과 같습니다. Azure 인지 서비스; 개발자 및 데이터 과학자 친화적인 Azure 데이터브릭스 다목적 및 운영 지향적 Azure 기계 학습 (Azure ML)이지만 Microsoft에는 이러한 서로 다른 구성 요소를 통합하고 보다 광범위하게 액세스할 수 있는 기능이 필요했습니다.

오늘 Microsoft는 다음과 같은 새로운 기능을 발표했습니다. 파워 BI 셀프 서비스 분석을 위해 Power BI를 사용할 수 있는 동일한 비즈니스 분석가가 이를 수행할 수 있도록 해줍니다. 자체 데이터 과학자나 Microsoft가 구축한 기계 학습 모델을 통합하고 심지어 소유하다.

또한 읽어보세요: Microsoft Power BI: 성적표
또한 읽어보세요: Microsoft, 새로운 Power BI 및 Azure Data Warehouse 기능 공개

이러한 Power BI 기능은 오늘 출시됩니다. 사적인 시사. 그러나 Microsoft의 Power BI 엔지니어링 총괄 관리자인 Arun Ulagaratchagan과 그의 팀은 아주 친절하게도 매우 상세한 데모를 제공해주셔서 제품이 실제가 아니라 가짜임을 증명할 수 있습니다. "에테르."

높은 수준에서 이야기는 매우 간단합니다. Microsoft는 Power BI에 네 가지 새로운 AI 관련 기능을 도입했습니다.

• Azure Cognitive Services 통합
• Azure Databricks에 내장된 모델을 포함하여 Azure Machine Learning에서 호스팅되는 ML 모델 통합
• 다음을 사용하여 ML 모델을 생성하고 사용하는 기능 Azure 자동화된 ML (자동ML)
• 측정값 또는 KPI(핵심 성과 지표) 역할을 하는 데이터 열의 특정 결과(값)를 유도하는 열과 값을 보여주는 새로운 핵심 동인 분석 시각화

그것이 바로 TL입니다. 박사. 이 네 가지 기능 각각에 대한 내용을 읽어보세요. 이번 포스팅을 마치면서 몇 가지 관찰 사항을 요약해 보겠습니다.

인지 서비스에 대한 액세스
Azure Cognitive Services와 Azure ML 호스팅 모델의 통합은 다음에서 시작됩니다. Power BI가 최근 발표한 데이터 흐름 기능이는 본질적으로 클라우드에서 호스팅되는 구현입니다. 파워 쿼리 Power BI Desktop(Excel은 물론이고)에서 한동안 사용할 수 있었던 셀프 서비스 데이터 준비 기능입니다. AI 기능에 액세스하는 열쇠는 데이터 흐름 사용자 인터페이스에서 새로운 "AI Insights" 도구 모음 버튼을 클릭하는 것입니다.

여기에서 사용자는 Azure Cognitive Services 모델을 사용할지 아니면 데이터 과학자가 Power BI 사용자와 생성하고 공유하는 Azure ML 호스팅 모델을 사용할지 선택할 수 있습니다. 두 경우 모두 Power BI 사용자에게는 프로비저닝된 Azure 서비스, 테넌트 또는 Azure 구독이 필요하지 않습니다.

사용자가 Azure Cognitive Services 옵션을 선택하면 언어 감지, 이미지 감지, 핵심 문구 추출 또는 감정 채점을 수행할지 여부를 추가로 선택할 수 있습니다. 팀에서는 더 많은 Azure Cognitive Services 옵션이 탑재될 것이며 이 네 가지 서비스는 제공되는 초기 서비스일 뿐이라고 확신합니다.

열 선택
서비스를 선택한 후 사용자는 데이터 세트 맵의 어느 열을 Cognitive Services 모델의 입력 매개 변수에 연결한 다음 "호출" 버튼을 클릭해야 합니다. 여기에서 데이터 세트의 각 행에 대한 예측 모델 출력은 끝에 추가된 새로운 계산 열에 표시됩니다.

고급 사용자는 모든 계산된 열과 마찬가지로 이러한 특수 열의 내용이 단지 M 프로그래밍 언어 파워 쿼리에서 사용됩니다. 이는 Power BI에서 Cognitive Services 호출이 UI를 통해서만 실행되는 것이 아니라 스크립팅될 수 있음을 의미합니다.

제가 받은 데모에는 여러 호텔 고객 리뷰가 포함된 데이터 세트가 포함되어 있으며 Cognitive Services 모델은 리뷰에 대한 감정 점수를 제공하는 데 사용되었습니다. 텍스트를 작성하고, 리뷰에서 핵심 문구(단어 클라우드 사용자 정의 시각화로 시각화됨)를 추출한 다음, 리뷰에서 이미지를 추출하고 태그(캡션)합니다. 리뷰. 이 모든 출력은 단일 페이지 Power BI 보고서로 쉽게 시각화되었습니다.

Azure ML
Azure ML 호스팅 모델의 경우 환경은 Cognitive Services의 경우와 유사합니다. 모델을 선택하고, ML 모델 입력 매개 변수로 데이터 세트 열을 연결하고, "호출"을 클릭하고 결과를 가져옵니다. 주요 차이점은 결과 예측이 확장이 필요한 다중 열 열 레코드로 다시 돌아온다는 것입니다. 다행히 파워 쿼리와 데이터 흐름에는 이러한 확장 기능이 내장되어 있습니다.

또 다른 차이점은 이러한 각 기능에 필요한 Power BI 구독 수준입니다. 적어도 비공개 미리보기의 경우 파워 BI 프리미엄 Cognitive Services 통합을 위해서는 구독이 필요합니다. Azure ML 호스팅 모델(Azure Databricks에서 생성된 모델 포함)에 액세스하려면 Power BI 전문가 신청.

또한 읽어보세요: Microsoft의 Power BI Premium은 엔터프라이즈급 기능과 대량 할인을 제공합니다.

나만의 것을 만들어보세요
이 새로운 AI 기능 세트의 핵심은 아마도 Azure AutoML을 사용하여 자신만의 모델을 구축하는 능력일 것입니다. 작동시키는 방법은 다음과 같습니다.

• Power BI 클라우드 서비스의 데이터 흐름 보기에서 특정 흐름에 대한 "브레인" 아이콘을 클릭한 다음 상황에 맞는 메뉴에서 "기계 학습 모델 추가"를 클릭합니다.
• 원하는 모델 유형을 선택합니다(이진 분류, 일반 분류, 회귀 또는 예측, 각각 설명됨)
• 예측 열(데이터 과학 용어로 "레이블")로 사용할 데이터 세트의 열을 지정합니다.
• 열 검토 이미 당신을 위해 선택되었습니다 AutoML을 통해 모델의 입력 열(데이터 과학 용어로 "기능")로 사용하고 원하는 경우 이러한 선택 사항을 재정의합니다.
• 모델 이름을 지정하고 각 예측 분류에 대해 표시하려는 값을 선택하세요.

이러한 마법사와 같은 단계가 완료되면 Power BI(및 AutoML)는 적절한 알고리즘과 관련 매개 변수를 선택합니다. 가치를 제공합니다. 이 모든 작업은 뒤에서 발생합니다. 모델을 생성 및 학습하고 계산된 출력 열을 데이터에 추가합니다. 세트. 새 데이터가 기본 테이블(예약된 증분 새로 고침을 통해 데이터 흐름에서 자동화할 수 있음)에 추가되면 새 예측 값이 해당 열에 추가됩니다.

Power BI는 모델의 정확성을 평가하는 보고서도 제공합니다. 이 보고서는 자동으로 생성되지만 실제로는 시각화 컬렉션과 신뢰도 임계값을 위한 슬라이서로 구성된 표준 Power BI 보고서입니다. 이는 ML 모델 관리를 위한 BI 도구의 적합성을 잘 보여주며, 보고서를 편집하면 BI 전문가가 ML 모델 정확성을 결정하는 방법에 대해 많은 것을 배우는 데 도움이 될 것 같습니다.

주요 동인 분석
마지막으로 논의할 기능은 AI를 사용하지만 AI처럼 "느끼지" 않는 핵심 동인 분석입니다. 대신 사용자는 특수 시각화를 보고서로 끌어서 Power BI Desktop의 필드 웰에서 "대상" 열과 "설명 기준" 열 컬렉션을 구성하기만 하면 됩니다. 간단히 이렇게 하면 "주요 영향 요인" 보기에 특정 "설명 기준" 열의 값이 "대상" 열의 값에 가장 큰 영향을 미치는 것을 보여주는 시각화가 나타납니다. 대체 "상위 프로필" 보기는 "설명 기준" 열 값의 통계적으로 흥미로운 특정 조합에 대해서도 마찬가지입니다.

재고를 쌓다
Microsoft는 여기서 매우 귀중한 작업을 수행했습니다. 우선 Power BI 팀은 여러 가지 서로 다른 Azure 서비스를 통합하여 코드나 Azure 구독 없이 턴키 방식으로 만들었습니다. 또한 팀은 AutoML의 강력한 기능을 활용하여 진정한 셀프 서비스 제품이 되기 위한 최종 단계를 밟았습니다. 그 모든 것이 엄청납니다.

하지만 팀이 한 일은 이 모든 AI 기술을 BI의 맥락에 맞추는 것입니다. 기능은 데이터 준비 도구(또는 주요 동인 분석의 경우 특수 시각화)에서 호출됩니다. 입력측의 모든 것은 실제로는 테이블의 열일 뿐입니다. 출력 측의 모든 항목은 해당 열에 표준 표현식 언어를 사용하여 동일한 테이블의 계산된 열입니다. 모델 관리는 표준 보고서에서 구현되며 예측은 다른 통찰력과 동일한 방식으로 시각화됩니다.

이는 이미 Power BI에 있는 모든 것을 활용할 수 있음을 의미합니다. 예를 들어 브랜드별 감정 점수를 표시하는 막대형 차트는 Power BI의 Q&A 자연어 인터페이스(Power BI 모바일 애플리케이션에서는 음성 구동 가능)를 사용하여 생성될 수 있습니다. 데이터 흐름에서 멋진 조인과 데이터 필터링을 사용하면 가장 관련성이 높은 행과 열에 모델을 구축할 수 있습니다. 표준 슬라이서는 주요 동인 분석 결과 및 모든 모델 결과에도 적용할 수 있습니다.

즉, Power BI는 많은 Azure AI 관련 서비스를 BI 패러다임에 맞춰 BI 기술 세트를 갖춘 사람들이 액세스할 수 있도록 했습니다. 업계 전반에서 유사한 작업을 수행하지 못한 것이 지금까지 AI의 광범위한 채택, 배포 및 합리적인 수익 창출을 방해하는 큰 부분을 차지했습니다. 이러한 새로운 Power BI 기능은 새롭고 환영받는 선례를 설정했습니다.