KI am Edge mit Azure Stack Hub

Container Registry
HDInsight
Kubernetes-Dienst
Machine Learning
Azure Stack Hub
Storage
Functions
App Service

Lösungsidee

Wenn Sie möchten, dass wir diesen Artikel durch weitere Informationen, Implementierungsdetails, Preisinformationen oder Codebeispiele ergänzen, kontaktieren Sie uns über GitHub-Feedback.

Mit den Azure KI-Tools, Edge und Cloudplattform, lässt sich Edge Intelligence realisieren. Die nächste Generation von KI-fähigen Hybridanwendungen kann dort ausgeführt werden, wo sich Ihre Daten befinden. Übertragen Sie mit Azure Stack Hub ein trainiertes KI-Modell zum Edge, integrieren Sie es in Ihre Anwendungen für Intelligence mit geringer Wartezeit, und leiten Sie kontinuierliches Feedback in ein optimiertes KI-Modell, um verbesserte Genauigkeit zu erzielen, ohne dass Sie dabei Tool- oder Prozessänderungen für lokale Anwendungen durchführen müssten.

Dieser Lösungsansatz zeigt ein verbundenes Stack Hub-Szenario, in dem Edgeanwendungen mit Azure verbunden werden. Eine Version dieses Szenarios mit getrenntem Edge finden Sie im Artikel KI am Edge – getrennt.

Aufbau

Architekturdiagramm: KI-fähige Anwendung mit Ausführung am Edge mit Azure Stack Hub. Laden Sie eine SVG-Datei dieser Architektur herunter.

Datenfluss

  1. Data Scientists trainieren ein Modell mithilfe von Azure Machine Learning und einem HDInsight-Cluster. Das Modell wird containerisiert und in eine Azure Container Registry eingefügt.
  2. Das Modell wird in einem Kubernetes-Cluster in Azure Stack Hub bereitgestellt.
  3. Endbenutzer stellen Daten bereit, die anhand des Modells bewertet werden.
  4. Erkenntnisse und Anomalien aus der Bewertung werden in eine Warteschlange gestellt.
  5. Eine Funktion sendet kompatible Daten und Anomalien an Azure Storage.
  6. Global relevante und konforme Einblicke sind in der globalen App verfügbar.
  7. Das Modell wird mithilfe von Daten aus der Edgebewertung verbessert.
  8. (Feedbackschleife) Das Neutrainieren des Modells kann nach einem Zeitplan ausgelöst werden. Die wissenschaftlichen Fachkräfte für Daten arbeiten an der Optimierung. Das verbesserte Modell wird als Update der Containerregistrierung bereitgestellt und containerisiert.

Komponenten

Die wichtigsten für die Implementierung dieser Architektur verwendeten Technologien sind:

  • Azure Machine Learning: Erstellen, Bereitstellen und Verwalten von Predictive Analytics-Lösungen
  • HDInsight: Bereitstellen cloudbasierter Hadoop-, Spark-, R Server-, HBase- und Storm-Cluster
  • Containerregistrierung: Speichern und Verwalten von Containerimages für alle Arten von Azure-Bereitstellungen
  • Azure Kubernetes Service (AKS): Vereinfachen der Bereitstellung, der Verwaltung und des Betriebs von Kubernetes
  • Storage: Dauerhafter, hoch verfügbarer und in hohem Maße skalierbarer Cloudspeicher
  • Azure Stack Hub: Erstellen und Ausführen innovativer Hybridanwendungen über die Grenzen der Cloud hinaus
  • Azure Functions: Ereignisgesteuerte serverlose Compute-Einheit für bedarfsgesteuerte Aufgaben, die ausgeführt wird, ohne dass der Computing-Server gewartet werden muss.
  • App Service: Pfad, der Endbenutzer-Feedbackdaten erfasst, um die Modelloptimierung zu ermöglichen

Nächste Schritte