Bearbeiten

Kontaktlose IoT-Schnittstellen mit Intelligent Edge in Azure

Azure KI Services
Azure IoT Edge
Azure IoT Hub
Azure Storage
Azure Machine Learning

Lösungsmöglichkeiten

Dieser Artikel ist ein Lösungsvorschlag. Wenn Sie möchten, dass wir diesen Artikel um weitere Informationen ergänzen, z. B. potenzielle Anwendungsfälle, alternative Dienste, Überlegungen zur Implementierung oder Preisempfehlungen, lassen Sie es uns über Feedback auf GitHub wissen.

Kontaktlos ist der neue Standard. Die Welt hat ein stärkeres Bewusstsein für tagtäglich von zahlreichen Personen berührte Oberflächen entwickelt, die sich zu einer Gefahr entwickelt haben. Kontaktlose Schnittstellen führen zu einer Verringerung oder Eliminierung von häufig berührten Dingen wie Ampelknöpfen, Touchscreens, Türklinken und Aufzugknöpfen durch Schaffen von berührungslosen Varianten, die für Benutzer sicher und zufriedenstellend sind.

Avanade und die Microsoft-COVID-19-Taskforce haben sich zusammengetan, um mithilfe der Intelligent-Edge-Plattform von Azure kontaktlose Schnittstellen zu entwickeln. Diese Lösung kombiniert intelligente und lernfähige IoT-Edgegeräte (Internet of Things, Internet der Dinge) mit den Speicher-, Computing-, KI- (künstliche Intelligenz) und ML-Funktionen (maschinelles Lernen) der Azure-Cloud.

Mithilfe der integrierten Verarbeitung können IoT Edge-Geräte Sprach-, Bild- und Gesteneingaben sowie multimodale Eingaben schnell erkennen und darauf reagieren. Azure IoT Hub steuert die Geräte in der Cloud und verbindet sie mit Azure-Ressourcen. Azure Cognitive Services und Machine Learning trainieren Modelle kontinuierlich neu und aktualisieren sie, um die Genauigkeit und Leistung der Schnittstellen zu verbessern.

Mögliche Anwendungsfälle

  • Verwandeln Sie häufig berührte Oberflächen in der Öffentlichkeit in berührungslose Schnittstellen, z. B. beim Zutritt zu Gebäuden und Räumen, bei Aufzugknöpfen, im Einzelhandel und an Verkaufsautomaten sowie im öffentlichen Nahverkehr und an Ampeln.
  • Verwenden Sie Sprachsteuerung oder andere kontaktlose Steuerelemente mit typischen mobilen Endpunkten wie Smartphones.

Aufbau

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

Laden Sie eine Visio-Datei dieser Architektur herunter.

  1. Endpunkte wie Mikrofone, Kameras und Touchscreens erfassen Daten.
  2. Integrierte Sprachverarbeitungskomponenten der IoT Edge-Geräte wenden kognitive Skillsets und aktualisierte Machine Learning-Modelle auf lokale Daten an.
  3. Der IoT-Hub in der Azure-Cloud steuert die Edgegeräte und kommuniziert mit ihnen, empfängt Daten und sendet aktualisierte Modelle.
  4. Azure Storage speichert die hochgeladenen Daten.
  5. Azure Machine Learning verwendet die Daten, um KI-Modelle neu zu trainieren.
  6. IoT Hub pusht aktualisierte Machine Learning-Modelle auf die Edgegeräte.

Komponenten

  • Der Dienst Azure IoT Edge stellt Cloudworkloads bereit, die über Standardcontainer auf IoT Edge-Geräten ausgeführt werden. Module können KI, andere Azure-Dienste und Drittanbieterdienste oder Ihre eigene Geschäftslogik ausführen. Intelligente IoT Edge-Geräte können schnell und offline reagieren und reduzieren die Kosten, indem sie nur die erforderlichen Daten vorverarbeiten und an die Cloud senden.
  • Azure IoT Hub bietet ein in der Cloud gehostetes Back-End, mit dem fast alle IoT-Geräte mit Azure-Diensten verbunden werden können. IoT Hub ermöglicht eine äußerst sichere und zuverlässige bidirektionale Kommunikation, Verwaltung und Bereitstellung für IoT Edge-Geräte.
  • Azure Storage bietet flexiblen, skalierbaren und sicheren Speicher in der Azure-Cloud. Die aktuelle Lösung verwendet Blockblobs zum Speichern von unstrukturierten Daten, Seitenblobs zum Lesen und Schreiben von zufälligen kleinen Datensegmenten und Dateispeicher für Dateifreigaben.
  • Bei Azure Cognitive Services handelt es sich um eine Familie von KI-Diensten und kognitiven APIs, mit deren Hilfe Sie intelligente Apps erstellen können. Beispielsweise können für die Sprachsteuerung die Dienste Spracherkennung und Sprechererkennung verwendet werden. Bei Erweiterung der Lösung auf Bild- oder Gesichtserkennung können maschinelles Sehen, Custom Vision und Gesichtserkennung verwendet werden.
  • Machine Learning (ML) verwendet Algorithmen zur automatischen Verbesserung von Vorhersagen oder Entscheidungen von Computern aufgrund von Erfahrungen. Machine Learning-Algorithmen erstellen und trainieren fortlaufend mathematische Modelle. Mit Azure Machine Learning können Sie Machine Learning-Modelle in der Cloud erstellen, trainieren, bereitstellen, nachverfolgen und verwalten.

Nächste Schritte