Bezkontaktní rozhraní IoT s využitím inteligentních hraničních zařízení Azure

Azure AI services
Azure IoT Edge
Azure IoT Hub
Azure Storage
Azure Machine Learning

Nápady na řešení

Tento článek je myšlenkou řešení. Pokud chcete, abychom obsah rozšířili o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět tím, že nám poskytnete zpětnou vazbu k GitHubu.

Nekontaktní podnikání je nový normální. Svět se stal více vědomý a ohrožených povrchů, které se mnoho lidí každý den dotýkalo. Bezkontaktní rozhraní omezují nebo eliminují fyzické kontaktní body, jako jsou tlačítka na semaforech, dotykové obrazovky, kliky nebo ovládací panely výtahů, a zajišťují bezkontaktní prostředí, která jsou bezpečná a atraktivní pro uživatele.

Avanade a úloha Microsoftu COVID-19, která jsou partnerkou pro vývoj bezkontaktních rozhraní pomocí inteligentní hraniční platformy Azure. Toto řešení kombinuje inteligentní a perceptivní hraniční zařízení IoT (Internet věcí) s možnostmi úložiště, computingu, umělé inteligence (AI) a strojového učení (ML) cloudu Azure.

Zařízení IoT Edge můžou pomocí zpracování onboardingu rychle rozpoznat řeč, obrázek, gesto nebo multimodální vstup a reagovat na ně. Azure IoT Hub v cloudu řídí zařízení a připojuje je k prostředkům Azure. Azure Cognitive Services a machine Učení průběžně přetrénovat a aktualizovat modely, aby se zlepšila přesnost a výkon rozhraní.

Potenciální případy použití

  • Veřejné touchpointy můžete převést na dotyková rozhraní pro použití, jako je budova a přístup k místnosti, ovládání výtahu, prodej prodejních a prodejních strojů a dopravní signály.
  • Používejte hlasové nebo jiné ovládací prvky bez kontaktu s typickými mobilními koncovými body, jako jsou telefony.

Architektura

Architecture diagram: Contactless interfaces and other IoT edge devices used as part of an Azure intelligent cloud solution.

Stáhněte si soubor aplikace Visio s touto architekturou.

  1. Koncové body, jako jsou mikrofony, kamery a dotykové obrazovky, shromažďují data.
  2. Nasazení jednotek pro zpracování hlasu na zařízeních IoT Edge používá sady kognitivních dovedností a aktualizované modely strojového učení na místní data.
  3. Centrum IoT v cloudu Azure řídí a komunikuje s hraničními zařízeními, přijímá data a odesílá aktualizované modely.
  4. Azure Storage ukládá nahraná data.
  5. Azure Machine Učení používá data k opětovnému natrénování modelů AI.
  6. IoT Hub odešle aktualizované modely strojového učení do hraničních zařízení.

Komponenty

  • Služba Azure IoT Edge nasazuje cloudové úlohy pro spouštění na zařízeních IoT Edge prostřednictvím standardních kontejnerů. Moduly můžou spouštět AI, další služby Azure a služby třetích stran nebo vlastní obchodní logiku. Inteligentní zařízení IoT Edge můžou rychle a offline reagovat a omezit náklady předzpracováním a odesíláním pouze nezbytných dat do cloudu.
  • Azure IoT Hub poskytuje back-end hostovaný v cloudu pro připojení prakticky jakéhokoli zařízení IoT ke službám Azure. IoT Hub umožňuje vysoce zabezpečenou a spolehlivou obousměrnou komunikaci, správu a zřizování pro zařízení IoT Edge.
  • Azure Storage poskytuje flexibilní, škálovatelné a zabezpečené úložiště v cloudu Azure. Aktuální řešení používá objekty blob bloku k ukládání nestrukturovaných dat, objektů blob stránky ke čtení a zápisu náhodných malých datových segmentů a úložiště souborů pro sdílené složky.
  • Azure Cognitive Services je řada služeb AI a kognitivních rozhraní API, která pomáhají vytvářet inteligentní aplikace. Hlasové ovládání může například používat služby Rozpoznávání řeči na text a rozpoznávání mluvčího. Rozšíření řešení na rozpoznávání obrazu nebo obličeje by mohlo používat Počítačové zpracování obrazu, Custom Vision a rozpoznávání obličeje.
  • Strojové Učení (ML) využívá algoritmy ke zlepšení strojové předpovědi nebo automatického rozhodování prostřednictvím zkušeností. Algoritmy strojového učení vytvářejí a průběžně trénují matematické modely. Azure Machine Učení umožňuje vytvářet, trénovat, nasazovat, sledovat a spravovat modely ML v cloudovém měřítku.

Další kroky