El Proyecto | Sobre nosotros | Contribuir | Donaciones | Licencia

HOME

En este módulo, exploraremos las tendencias emergentes y futuras en la plataforma de Azure. A medida que la tecnología avanza, Azure continúa evolucionando para satisfacer las necesidades cambiantes de las empresas y los desarrolladores. Este módulo te proporcionará una visión de las direcciones en las que Azure está avanzando y cómo puedes prepararte para aprovechar estas tendencias.

Inteligencia Artificial y Machine Learning

Conceptos Clave

Servicios Cognitivos de Azure: Azure está ampliando continuamente sus servicios cognitivos, que permiten a los desarrolladores integrar capacidades de IA como reconocimiento de voz, visión por computadora y análisis de texto en sus aplicaciones.
Azure Machine Learning: Una plataforma robusta para construir, entrenar y desplegar modelos de machine learning a escala.

Ejemplo Práctico

# Ejemplo de uso de Azure Cognitive Services para análisis de sentimiento
from azure.ai.textanalytics import TextAnalyticsClient
from azure.core.credentials import AzureKeyCredential

# Configuración del cliente
endpoint = "https://<your-endpoint>.cognitiveservices.azure.com/"
key = "<your-key>"

# Autenticación
credential = AzureKeyCredential(key)
client = TextAnalyticsClient(endpoint=endpoint, credential=credential)

# Análisis de sentimiento
documents = ["I love programming with Azure!", "I am not happy with the service."]
response = client.analyze_sentiment(documents=documents)

for doc in response:
    print(f"Document sentiment: {doc.sentiment}")

Ejercicio Práctico

Tarea: Utiliza Azure Machine Learning para entrenar un modelo de clasificación de imágenes utilizando un conjunto de datos de tu elección. Despliega el modelo y realiza predicciones sobre nuevas imágenes.

Solución:

Configura un workspace de Azure Machine Learning.
Carga y preprocesa tu conjunto de datos.
Entrena un modelo utilizando un algoritmo de clasificación de imágenes.
Despliega el modelo como un servicio web.
Realiza predicciones sobre nuevas imágenes utilizando el servicio desplegado.

Computación sin Servidor (Serverless)

Conceptos Clave

Azure Functions: Permite ejecutar código sin necesidad de gestionar la infraestructura del servidor.
Durable Functions: Extensión de Azure Functions que permite la creación de flujos de trabajo complejos y de larga duración.

Ejemplo Práctico

// Ejemplo de una Azure Function en C#
using System.IO;
using Microsoft.AspNetCore.Mvc;
using Microsoft.Azure.WebJobs;
using Microsoft.Azure.WebJobs.Extensions.Http;
using Microsoft.AspNetCore.Http;
using Microsoft.Extensions.Logging;

public static class HttpTriggerFunction
{
    [FunctionName("HttpTriggerFunction")]
    public static async Task<IActionResult> Run(
        [HttpTrigger(AuthorizationLevel.Function, "get", "post", Route = null)] HttpRequest req,
        ILogger log)
    {
        log.LogInformation("C# HTTP trigger function processed a request.");

        string name = req.Query["name"];

        return name != null
            ? (ActionResult)new OkObjectResult($"Hello, {name}")
            : new BadRequestObjectResult("Please pass a name on the query string or in the request body");
    }
}

Ejercicio Práctico

Tarea: Crea una Azure Function que se active mediante un evento de Blob Storage y procese el contenido del blob.

Solución:

Configura una cuenta de Azure Storage y un contenedor de blobs.
Crea una Azure Function que se active cuando se agregue un nuevo blob al contenedor.
Escribe el código para procesar el contenido del blob (por ejemplo, convertir un archivo de texto a mayúsculas).
Despliega y prueba la función.

Edge Computing

Conceptos Clave

Azure IoT Edge: Extiende las capacidades de Azure IoT al borde de la red, permitiendo el procesamiento de datos más cerca de donde se generan.
Módulos de IoT Edge: Componentes que se pueden desplegar en dispositivos IoT Edge para realizar tareas específicas.

Ejemplo Práctico

// Configuración de un módulo de IoT Edge en JSON
{
  "modulesContent": {
    "$edgeAgent": {
      "properties.desired": {
        "modules": {
          "SampleModule": {
            "type": "docker",
            "settings": {
              "image": "mcr.microsoft.com/azureiotedge-simulated-temperature-sensor:1.0",
              "createOptions": ""
            }
          }
        }
      }
    },
    "$edgeHub": {
      "properties.desired": {
        "routes": {
          "route": "FROM /messages/* INTO $upstream"
        }
      }
    }
  }
}

Ejercicio Práctico

Tarea: Configura un dispositivo IoT Edge y despliega un módulo que procese datos de sensores en tiempo real.

Solución:

Configura un dispositivo IoT Edge en el portal de Azure.
Crea un módulo de IoT Edge que procese datos de sensores (por ejemplo, filtrado de datos).
Despliega el módulo en el dispositivo IoT Edge.
Verifica que el módulo esté procesando los datos correctamente.

Infraestructura como Código (IaC)

Conceptos Clave

Azure Resource Manager (ARM) Templates: Plantillas JSON que definen la infraestructura y la configuración de Azure.
Terraform: Herramienta de IaC que permite definir y gestionar la infraestructura de Azure utilizando un lenguaje declarativo.

Ejemplo Práctico

// Ejemplo de una plantilla ARM para desplegar una máquina virtual
{
  "$schema": "https://schema.management.azure.com/schemas/2019-04-01/deploymentTemplate.json#",
  "contentVersion": "1.0.0.0",
  "resources": [
    {
      "type": "Microsoft.Compute/virtualMachines",
      "apiVersion": "2019-12-01",
      "name": "myVM",
      "location": "[resourceGroup().location]",
      "properties": {
        "hardwareProfile": {
          "vmSize": "Standard_DS1_v2"
        },
        "osProfile": {
          "computerName": "myVM",
          "adminUsername": "azureuser",
          "adminPassword": "P@ssw0rd!"
        },
        "storageProfile": {
          "imageReference": {
            "publisher": "Canonical",
            "offer": "UbuntuServer",
            "sku": "18.04-LTS",
            "version": "latest"
          }
        },
        "networkProfile": {
          "networkInterfaces": [
            {
              "id": "[resourceId('Microsoft.Network/networkInterfaces', 'myNIC')]"
            }
          ]
        }
      }
    }
  ]
}

Ejercicio Práctico

Tarea: Utiliza Terraform para desplegar una red virtual y una máquina virtual en Azure.

Solución:

Instala Terraform y configura las credenciales de Azure.
Define un archivo de configuración de Terraform para crear una red virtual y una máquina virtual.
Ejecuta los comandos de Terraform para desplegar la infraestructura.
Verifica que los recursos se hayan creado correctamente en el portal de Azure.

Conclusión

En este módulo, hemos explorado algunas de las tendencias futuras más importantes en Azure, incluyendo inteligencia artificial, computación sin servidor, edge computing e infraestructura como código. Estas tecnologías están transformando la manera en que las empresas y los desarrolladores interactúan con la nube, ofreciendo nuevas oportunidades para innovar y optimizar sus operaciones. Mantente al día con estas tendencias para aprovechar al máximo las capacidades de Azure y estar preparado para el futuro de la computación en la nube.

Tendencias futuras en Azure

Inteligencia Artificial y Machine Learning

Conceptos Clave

Ejemplo Práctico

Ejercicio Práctico

Computación sin Servidor (Serverless)

Conceptos Clave

Ejemplo Práctico

Ejercicio Práctico

Edge Computing

Conceptos Clave

Ejemplo Práctico

Ejercicio Práctico

Infraestructura como Código (IaC)

Conceptos Clave

Ejemplo Práctico

Ejercicio Práctico

Conclusión

Curso de Azure

Módulo 1: Introducción a Azure

Módulo 2: Servicios principales de Azure

Módulo 3: Bases de datos de Azure

Módulo 4: Seguridad en Azure

Módulo 5: Azure DevOps

Módulo 6: Servicios avanzados de Azure

Módulo 7: Monitoreo y gestión

Módulo 8: Gestión y optimización de costos

Módulo 9: Estudios de caso y mejores prácticas