Features vergelijken

Logic apps is voornamelijk gericht op meer technische gebruikers, terwijl Power Automate zich echt richt op non professionele gebruikers. Dit zie je terug in minder geavanceerde features en meer gebruiksvriendelijke opties.

Voor de meeste bedrijven is een Power Automate licentie met de standaard connectoren al onderdeel van de Microsoft office licentie. Als je daar bovenop ook over premium connectoren wilt kunnen beschikken, is een premium licentie nodig. Voor Logic Apps betaal je altijd alleen wanneer je de applicatie runt.

Hieronder worden drie verschillen als voorbeeld genoemd:

• Power Automate integreert goed met tools op het Power Platform, Logic Apps goed met tools op Azure.
• Logic Apps heeft ondersteuning voor versiecontrole
• Power Automate ondersteunt robotisering.

Om verder in te haken op het verschil in licenties hebben we het in hoofdlijnen hieronder uiteen gesteld:

• Logic Apps: Je betaalt wanneer je applicatie aan het runnen is.
• Power Automate: Je betaalt een vast bedrag per maand, per gebruiker, en het zit vaak al bij je Microsoft office licentie.

Belangrijke details

Power Automate is onderdeel van de Microsoft 365 omgeving en het Power Platform, het hoofddoel van de applicatie is het automatiseren van taken en processen binnen het Power Platform. Ter vergelijking is Logic Apps een van de oplossingen binnen de Microsoft Azure Integration Services en wordt deze tool dus vaker gebruikt voor ETL processen en data integratie. Logic Apps heeft dus goede integratie binnen Azure, maar mist deze integratie met het Power Platform. Uiteindelijk hangt het van je situatie af welke oplossing het beste is voor je bedrijf.

Neem bijvoorbeeld de volgende voorbeelden:

• Een manager wilt een mail ontvangen wanneer een bepaalde KPI bereikt is in Power BI, afhankelijk van de situatie kan dit in Power Automate of Logic Apps.
• Een finance medewerker moet op een paar knoppen drukken in een legacy applicatie, dit kan geautomatiseerd worden met Power Automate RPA.
• Data moet van A naar B verplaatst worden richting een data warehouse, hiervoor is Logic Apps de beste tool.
• Een maandelijkse vragenlijst moet verstuurd worden, hiervoor is Power Automate het beste.
• Een proces moet goedgekeurd worden via een knop op een dashboard, vanwege de integratie met het Power Platform is hier Power Automate het beste voor.

Vergelijk zelf

Benieuwd naar de kracht van beide platforms? Wij hebben artikelen die dieper duiken in zowel Logic Apps als Power Automate en al hun voor en nadelen.

Machine learning in het kort

Machine learning is een vorm van artificial intelligence (kunstmatige intelligentie) waar, door middel van software en computer code, een computer historische data gebruikt om voorspellingen te doen over de toekomst. Met deze complexe computer codes, ook wel algoritmes genoemd, worden modellen gemaakt. Deze machine learning modellen maken gebruik van algoritmes om patronen of relaties in de data te vinden, hiermee kan een model vervolgens waardes voorspelling op basis van nieuwe data.

Wat is Azure Machine Learning?

Azure Machine Learning is Microsofts antwoord op de stijgende vraag naar Machine Learning as a Service oplossingen. Met Azure Machine Learning biedt Microsoft een cloud omgeving binnen het Azure platform waarmee data science projecten uitgevoerd en beheerd kunnen worden. De machine learning diensten sluiten naadloos aan bij de andere cloud computing diensten die Microsoft via het Azure platform aanbiedt. Azure Machine Learning geeft je de mogelijkheid om modellen te ontwikkelen op basis van open source machine learning tools zoals Pytoch, TensorFlow, scikit-learn en vele andere resources.

Wat biedt Azure Machine Learning Workspace?

• Auto ML
• Een drag & drop interface voor citizen data scientists genaamd Designer
• Schaalbaarheid van rekenkracht en opslag van data
• Integratie met de rest van het Azure platform
• Brede selectie van algoritmes voor verschillende machine learning doeleinden
• Je kunt je machine learning model gemakkelijk omzetten naar een web service
• Versie beheer van modellen

De verschillende mogelijkheden binnen Azure Machine Learning

1. Notebooks
   In de machine learning workspace kun je een notebook aanmaken die vergelijkbaar werkt met een Jupyter Notebook. Jupyter Notebooks worden al jaren gebruikt om code mee te ontwikkelen voor data science projecten. In een notebook kunnen in cellen stukjes code worden geschreven waarmee data kan worden bewerkt en een model kan worden getraind.
2. Automated ML
   Als je gestructureerde en schone data hebt, dan kun je gebruik maken van Auto ML. Hierbij voer je de data aan en ga je stapsgewijs door een menu heen waar je verschillende instellingen kunt bepalen. Je geeft hier bijvoorbeeld aan welke waarde je wilt voorspellen met je model en welke error metric gebruikt moet worden om de verschillende modellen te vergelijken. Als je alles hebt ingesteld, gaat Auto ML aan de slag met het trainen en testen van modellen. Na dit proces krijg jij het beste model voorgeschoteld. Het aansturen van Auto ML voor eenvoudige use cases werkt goed via het menu interface, maar wanneer het ingewikkelder wordt zul je vanuit een notebook de Auto ML aan moeten sturen.
3. Designer
   Designer is de drag & drop interface van Azure Machine Learning. Dit onderdeel is te vergelijken met de manier waarop in Alteryx een machine learning project op een intuïtieve manier gebouwd kan worden. In het designer canvas kunnen zogenaamde pipelines gemaakt worden waarbij je visueel de data vanaf de ruwe input tot het getrainde model kunt neerzetten.

Use-case voor Auto ML: Het trainen van meerdere modellen

Een belangrijke ontwikkeling van de afgelopen jaren op het gebied van data science is de opkomst van Auto ML. Deze ontwikkeling automatiseert delen van het data science ontwikkelproces die voorheen vaak repetitief en tijdrovend waren. De meest moderne Auto ML oplossingen kunnen met goed gestructureerde data zelfs bijna het hele ontwikkelproces uitvoeren. Echter is data in de meeste gevallen niet zo gestructureerd en is hier nog altijd voorbereidend werk nodig. Big data moet getraind worden voordat het in een model gebruikt kan worden. Waar Auto ML echt grote waarde toevoegt is bij het trainen en testen van verschillende modellen. Voorheen moest de data scientist na het opschonen en structureren van big data bepalen welke modellen getraind moeten worden en de data hier voor testen. Het proces van verschillende modellen trainen en testen is een tijdrovende taak en kost vaak veel rekenkracht van de computer, mede daarom wordt er vaak gekozen om maar een beperkte selectie aan algoritmes te trainen en testen. Auto ML stelt de data scientist in staat om een veel grotere selectie aan algoritmes te trainen en testen op schaalbare cloud computers. Op deze manier hoeft de data scientist niet elk algoritme zelf trainen en testen. Met Auto ML geeft de data scientist zelf aan welke algoritmes getest en getraind dienen te worden en welke op welke error metric en/of statistieken resultaten vergeleken moeten worden. Je kunt het vergelijken met fietsen. Voorheen reed een data scientist rond op een stadsfiets zonder versnellingen, maar met de ontwikkeling van Auto ML krijgt een data scientist een elektrische fiets met trapondersteuning. Er wordt nog steeds zelf gefietst, maar er is ondersteuning van technologie die data scientists sneller op de plaats van bestemming brengt.

Voordelen van Microsoft Azure Machine Learning

1. Schaalbaarheid
2. Heldere documentatie
3. Goed te implementeren
4. Integratie met Microsoft Azure platform
5. ML as a service

Rockfeather & Azure Machine Learning

Bij Rockfeather zijn wij ons ook bewust van de voordelen die Azure Machine Learning biedt ten opzichte van de conventionele data science tools. Het gebruik van Azure Machine Learning stelt ons in staat om beter en sneller resultaat te leveren aan onze klanten op het gebied van data science. Een van de projecten waar wij bij Rockfeather effectief gebruik hebben gemaakt van Azure Machine Learning is het voorspellen van verkoopaantallen voor één van onze klanten. Deze voorspellingen, of forecasting zoals het officieel heet, is een tak van data science waarbij historische data gebruikt wordt om voorspellingen te doen over de toekomst. Goede voorspellingen zijn voor deze klant belangrijk omdat het kosten en verspilling bespaart. De uitdaging bij dit project was dat er een groot assortiment van verschillende producten was en dat voor al deze producten dus verkoopaantallen voorspeld moesten worden. Het handmatig trainen en testen van modellen voor een groot assortiment kost veel tijd en daarom hebben wij Auto ML toegepast in deze situatie. Door de schaalbaarheid van rekenkracht die Azure Machine Learning bied, kunnen wij per product een selectie van verschillende algoritmes trainen en testen om zo het meest effectieve algoritme voor ieder product te vinden. Deze modellen worden allemaal in Azure Machine Learning bewaard en kunnen na het trainen gebruikt worden om daadwerkelijk voorspellingen te doen over toekomstige verkoopaantallen.