Modifier

L’IA à la périphérie avec Azure Stack Hub

Azure Container Registry
Azure Kubernetes Service (AKS)
Azure Machine Learning
Azure Stack Hub

Idées de solution

Cet article présente une idée de solution. Si vous souhaitez que nous développions le contenu avec d’autres informations, telles que des cas d’usage potentiels, d’autres services, des considérations d’implémentation ou un guide des prix, adressez-nous vos commentaires GitHub.

Cette architecture montre comment vous pouvez amener votre modèle d’IA formé à la périphérie avec Azure Stack Hub et l’intégrer à vos applications pour une intelligence à faible latence.

Architecture

Diagramme d’architecture illustrant une application compatible avec l’IA s’exécutant en périphérie avec Azure Stack Hub.

Téléchargez un fichier Visio de cette architecture.

Dataflow

  1. Les données sont traitées à l’aide d’Azure Data Factory pour être placées sur Azure Data Lake.
  2. Les données Azure Data Factory sont placées dans Azure Data Lake Storage pour la formation.
  3. Les scientifiques des données effectuent l'apprentissage d'un modèle à l'aide d'Azure Machine Learning. Le modèle est conteneurisé et placé dans une instance Azure Container Registry.
  4. Le modèle est déployé sur un cluster Kubernetes sur Azure Stack Hub.
  5. L’application web locale peut être utilisée pour noter les données fournies par l’utilisateur final pour effectuer un score sur le modèle déployé dans le cluster Kubernetes.
  6. Les utilisateurs finaux fournissent des données soumises à un scoring par rapport au modèle.
  7. Les Insights et les anomalies provenant du scoring sont placés dans une file d’attente.
  8. Une application de fonction est déclenchée une fois que les informations de scoring sont placées dans la file d’attente.
  9. Une fonction envoie les données conformes et les anomalies à Stockage Azure.
  10. Les insights globalement pertinents et conformes sont disponibles pour la consommation dans Power BI et une application globale.
  11. Boucle de commentaires : La nouvelle formation du modèle peut être déclenchée par une planification. Les scientifiques des données travaillent sur l’optimisation. Le modèle amélioré est déployé et mis en conteneur en tant que mise à jour du registre de conteneurs.

Components

Technologies clés utilisées pour implémenter cette architecture :

  • Azure Machine Learning : générer, déployer et gérer des solutions d’analyse prédictive.
  • Azure Data Factory : ingérer des données dans Azure Data Factory.
  • Azure Data Lake Storage : charger des données dans Azure Data Lake Storage Gen2 avec Azure Data Factory.
  • Container Registry (Registre de conteneurs) : Stockez et gérez des images conteneurs pour tous les types de déploiements Azure.
  • Azure Kubernetes Service (AKS) : Simplifiez le déploiement, la gestion et les opérations de Kubernetes.
  • Stockage Azure : stockage dans le cloud durable, hautement disponible et considérablement évolutif.
  • Azure Stack Hub : générez et exécutez des applications hybrides novatrices dans les limites du cloud.
  • Azure Functions : unité Compute serverless pilotée par les événements pour les tâches à la demande qui s’exécutent sans les besoins de maintenance du serveur informatique.
  • Azure App Service : chemin d’accès qui capture les données de commentaires de l’utilisateur final pour activer l’optimisation du modèle.

Détails du scénario

Avec les outils, la périphérie et la plateforme cloud Azure AI, l’intelligence en périphérie est possible. Les applications hybrides basées sur l'IA de nouvelle génération peuvent s'exécuter là où résident vos données. Avec Azure Stack Hub, placez un modèle IA formé à la périphérie, intégrez-le à vos applications pour une intelligence à faible latence et intégrez en permanence des commentaires dans un modèle IA optimisé pour une meilleure précision, sans modification des outils ou des processus au niveau des applications locales. Cette idée de solution montre un scénario Stack Hub connecté, dans lequel les applications en périphérie sont connectées à Azure. Pour la version en périphérie déconnectée de ce scénario, consultez l’article IA en périphérie - déconnectée.

Cas d’usage potentiels

Il existe un large éventail d’applications Edge AI qui surveillent et fournissent des informations en quasi temps réel. Les domaines dans lesquels Edge AI peut vous aider incluent :

  • Processus de détection des caméras de sécurité.
  • Analyse de l’image et de la vidéo (secteur des médias et du divertissement).
  • Transport et trafic (secteur automobile et mobilité).
  • Industrie.
  • Énergie (grilles intelligentes).

Étapes suivantes

Pour plus d’informations sur les services Azure proposés, consultez les articles suivants :

Consultez les architectures associées suivantes :