Inteligencia artificial en el perímetro con Azure Stack Hub: desconectado

HDInsight
Kubernetes Service
Machine Learning
Azure Stack Hub
Storage
Virtual Machines

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. Con Azure Stack Hub, puede estar seguro de que las soluciones en la nube funcionan incluso sin conexión a Internet.With Azure Stack Hub, you can ensure that your cloud solutions work even when disconnected from the internet.

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 Estudio de Azure Machine Learning (clásico) y un clúster de HDInsight para entrenar un modelo.Data scientists train a model using Azure Machine Learning Studio (classic) 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 in to an Azure Container Registry.
  2. El modelo se implementa mediante pasos que no se representan en el diagrama en un clúster de Kubernetes en Azure Stack Hub.The model is deployed via steps not represented in the diagram 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 is scored against the model.
  4. Tanto la información detallada como las anomalías de la puntuación se colocan en el almacenamiento para que se puedan cargar posteriormente.Insights and anomalies from scoring are placed into storage for later upload.
  5. La información compatible y pertinente globalmente está disponible en la aplicación global.Globally-relevant and compliant insights are available in the global app.
  6. Los datos de la puntuación perimetral se usan para mejorar el modelo.Data from edge scoring is used to improve the model.

ComponentesComponents

Pasos siguientesNext steps