Application Insights (AI) en Log Analytics (LA) van Microsoft Azure bieden eenvoudige en goedkope manieren om toepassingen te gebruiken. Met behulp van slechts een instrumentatietoets kan elke toepassing operationele gegevens naar AI verzenden die vervolgens een rijke reeks hulpmiddelen kan bieden om de werking van de toepassing te controleren.
Application Insights-gegevens kunnen rechtstreeks in het Azure-portaal worden opgevraagd om rijke inzichten te bieden. Bovendien kunnen de gegevens worden geëxporteerd naar Excel voor verdere analyse, of kan deze worden opgevraagd met behulp van de voedingsquery in Excel of Power BI exact online.
Configuratie in Power Bi
De benadering hiervoor wordt gebruikt in de webconnector in Power Query, die op regelmatige basis automatisch kan worden opgefrist. De webconnector ondersteunt echter niet de directe query, dus de latentie van de gegevens in dit scenario wordt beperkt door het verversingsschema dat is geconfigureerd in Power BI. Alle functies die afhankelijk zijn van directe query (aggregaties, automatische pagina vernieuwen) zullen dan ook niet werken.
Als je met AI of LA hebt gewerkt en hebt neergezet naar de query-editor, ben je blootgesteld aan KQL, de taal van de Kusto-query. Dit is de taal die wordt gebruikt door Azure Data Explorer (ADX), of als de code naam, “Kusto”. Dit is natuurlijk geen toeval, omdat de Kusto-motor zowel AI als LA is.
Power BI Exact bevat een inheemse connector voor ADX, en als u een Adx-cluster voor jezelf kunt configureren, vul je het en werk je ermee samen in Power BI voor zowel geïmporteerde en directe querygegevens. Aangezien Adx is wat Powers AI en LA is, zou het mogelijk moeten zijn om deze connector te gebruiken om de gegevens voor AI en LA te vragen. Het blijkt dat de introductie van een nieuwe functie die bekend staat als de Adx-proxy ons zal toestaan om precies dat te doen.
Azure Data Explorer
De Adx Proxy is ontworpen om de ADX-gebruikersinterface verbinding te laten maken met instanties van AI en LA. Het hele proces wordt beschreven in de documentquery-gegevens in Azure Monitor met behulp van Azure Data Explorer.
Het document legt het proces uit, maar wat in het bijzonder interessant is, is de syntaxis die wordt gebruikt om een AI- of LA-instantie uit te drukken als een Adx-cluster. Meerdere variaties worden beschreven in het document.
Direct Query
Door in jouw abonnement-ID, je resource groepsnaam en resourcenaam te vervangen, kun je deze bronnen behandelen alsof ze Adx-clusters waren en ze in Power BI met behulp van Direct Query behandelen. Als voorbeeld kan een eenvoudige query worden gevormd met behulp van de ADX-connector:
Nadat het rapport is gebouwd, kan het worden ingezet op de Power BI-service en opgefrist met behulp van AAD-inloggegevens.
Het is belangrijk op te merken dat deze methode niet vereist dat je een eigen Adx-cluster configureert. Er is geen controle over prestatieniveaus, zoals dat bij een volledige Adx-cluster het geval zou zijn. Als de uitvoering echter voldoende is en de query’s op passende wijze zijn ontworpen, dan kan dit een goede benadering zijn om te werken met AI- en LA-gegevens met een lage latentie vereisten. Ontdek meer op AI professional voor de mogelijkheden die de toekomst kan brengen.
Voor meer informatie over ondernemen en marketing, kijk hier
