Inteligencia artificial en el perímetro con Azure Stack Hub

Container Registry
HDInsight
Kubernetes Service
Machine Learning
Azure Stack Hub
Storage

Idea de solución Solution Idea

Si desea que ampliemos este artículo con más información, detalles de la implementación, guía de precios o ejemplos de código, háganoslo saber en GitHub Feedback (Comentarios de GitHub).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!

Con las herramientas de Azure AI y la plataforma en la nube, la próxima generación de aplicaciones híbridas habilitadas para la inteligencia artificial puede ejecutarse allá donde se encuentren los datos.With the Azure AI tools and cloud platform, the next generation of AI-enabled hybrid applications can run where your data lives. Con Azure Stack Hub se puede incorporar un modelo de inteligencia artificial entrenado al perímetro e integrarlo con las aplicaciones para ofrecer una inteligencia de baja latencia, y todo ello sin tener que cambiar las herramientas ni los procesos en las aplicaciones locales.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.

ArchitectureArchitecture

Diagrama de la arquitectura Descargue un SVG de esta arquitectura.Architecture diagram Download an SVG of this architecture.

Data FlowData Flow

  1. Los científicos usan el área de trabajo de Azure Machine Learning y un clúster de HDInsight para entrenar un modelo.Data scientists train a model using Azure Machine Learning workbench and an HDInsight cluster. El modelo se incluye en contenedores y se coloca en una instancia de Azure Container Registry.The model is containerized and put into an Azure Container Registry.
  2. El modelo se implementa en un clúster de Kubernetes en Azure Stack Hub.The model is deployed to a Kubernetes cluster on Azure Stack Hub.
  3. Los usuarios finales proporcionan datos que se puntúan con respecto al modelo.End users provide data that's scored against the model.
  4. Tanto la información detallada como las anomalías de la puntuación se ponen en una cola.Insights and anomalies from scoring are placed into a queue.
  5. Una función envía los datos compatibles y las anomalías a Azure Storage.A function sends compliant data and anomalies to Azure Storage.
  6. La información compatible y pertinente globalmente está disponible en la aplicación global.Globally relevant and compliant insights are available in the global app.
  7. Los datos de la puntuación perimetral se usan para mejorar el modelo.Data from edge scoring is used to improve the model.

ComponentesComponents

  • Azure Machine Learning: Cree, implemente y administre soluciones de análisis predictivoAzure Machine Learning: Build, deploy, and manage predictive analytics solutions
  • HDInsight: Aprovisione clústeres de Hadoop, Spark, R Server, HBase y Storm en la nubeHDInsight: Provision cloud Hadoop, Spark, R Server, HBase, and Storm clusters
  • Container Registry (Registro de contenedor): Almacene y administre imágenes de contenedor en todos los tipos de implementaciones de AzureContainer Registry: Store and manage container images across all types of Azure deployments
  • Azure Kubernetes Service (AKS): Simplifique la implementación, la administración y las operaciones de KubernetesAzure Kubernetes Service (AKS): Simplify the deployment, management, and operations of Kubernetes
  • Almacenamiento: Almacenamiento en la nube duradero, de alta disponibilidad y escalable a gran escalaStorage: Durable, highly available, and massively scalable cloud storage
  • Azure Stack Hub: Cree y ejecute innovadoras aplicaciones híbridas en todas las ubicaciones de la nubeAzure Stack Hub: Build and run innovative hybrid applications across cloud boundaries

Pasos siguientesNext steps