AI na hraničních zařízeních s využitím Azure Stack Hubu – s odpojením

HDInsight
Kubernetes Service
Machine Learning
Azure Stack Hub
Storage
Virtual Machines

Nápad řešení Solution Idea

Pokud se chcete podívat, jak nás rozšířit tento článek o další informace, podrobnosti implementace, doprovodné materiály nebo příklady kódu, dejte nám vědět s názory na GitHubu.If you'd like to see us expand this article with more information, implementation details, pricing guidance, or code examples, let us know with GitHub Feedback!

Pomocí nástrojů a cloudové platformy Azure AI můžou další generace hybridních aplikací s podporou AI běžet tam, kde jsou vaše data život.With the Azure AI tools and cloud platform, the next generation of AI-enabled hybrid applications can run where your data lives. Pomocí centra Azure Stack můžete do hraničních zařízení přinášet model AI a integrovat je s vašimi aplikacemi pro analýzu s nízkou latencí, a to bez jakýchkoli nástrojů nebo procesových změn pro místní aplikace.With Azure Stack Hub, bring a trained AI model to the edge and integrate it with your applications for low-latency intelligence, with no tool or process changes for local applications. Pomocí centra Azure Stack můžete zajistit, aby vaše cloudová řešení fungovala i po odpojení od Internetu.With Azure Stack Hub, you can ensure that your cloud solutions work even when disconnected from the internet.

ArchitekturaArchitecture

Diagram architektury Stáhnout SVG této architektury.Architecture diagram Download an SVG of this architecture.

Data FlowData Flow

  1. Odborníci přes data proškolují model pomocí Azure Machine Learning Studio (Classic) a clusteru HDInsight.Data scientists train a model using Azure Machine Learning Studio (classic) and an HDInsight cluster. Model je kontejnerový a do Azure Container Registry.The model is containerized and put in to an Azure Container Registry.
  2. Model je nasazený prostřednictvím kroků, které nejsou reprezentované v diagramu, do clusteru Kubernetes na rozbočovači Azure Stack.The model is deployed via steps not represented in the diagram to a Kubernetes cluster on Azure Stack Hub.
  3. Koncoví uživatelé poskytují data, která jsou skóre pro model.End users provide data that is scored against the model.
  4. Přehledy a anomálie z bodování jsou uloženy do úložiště pro pozdější nahrání.Insights and anomalies from scoring are placed into storage for later upload.
  5. V globální aplikaci jsou k dispozici globálně relevantní a kompatibilní přehledy.Globally-relevant and compliant insights are available in the global app.
  6. Data z bodování Edge se používají ke zlepšení modelu.Data from edge scoring is used to improve the model.

KomponentyComponents

Další krokyNext steps