Intelligence artificielle à la périphérie avec Azure Stack Hub - déconnectée

HDInsight
Kubernetes Service
Machine Learning
Azure Stack Hub
Stockage
Machines Virtuelles

Idée de solution Solution Idea

Si vous souhaitez nous voir développer cet article avec d’autres informations, les détails de l’implémentation, le guide de tarification ou des exemples de code, faites-le-nous savoir avec les Commentaires 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!

Avec les outils Azure IA et la plateforme cloud, les applications hybrides basées sur l’IA de nouvelle génération peuvent s’exécuter là où résident vos données.With the Azure AI tools and cloud platform, the next generation of AI-enabled hybrid applications can run where your data lives. Avec Azure Stack Hub, placez un modèle IA entraîné à la périphérie et intégrez-le à vos applications pour une intelligence à faible latence, sans modification des outils ou des processus au niveau des applications 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. Avec Azure Stack Hub, vous pouvez exécuter vos solutions cloud même lorsqu’elles sont déconnectées d’Internet.With Azure Stack Hub, you can ensure that your cloud solutions work even when disconnected from the internet.

ArchitectureArchitecture

Diagramme d’architecture Télécharger un SVG de cette architecture.Architecture diagram Download an SVG of this architecture.

Data FlowData Flow

  1. Les scientifiques des données entraînent un modèle à l’aide d’Azure Machine Learning Studio (classique) et d’un cluster HDInsight.Data scientists train a model using Azure Machine Learning Studio (classic) and an HDInsight cluster. Le modèle est conteneurisé et placé dans une instance d'Azure Container Registry.The model is containerized and put in to an Azure Container Registry.
  2. Le modèle est déployé via des étapes non représentées dans le diagramme vers un cluster Kubernetes sur Azure Stack Hub.The model is deployed via steps not represented in the diagram to a Kubernetes cluster on Azure Stack Hub.
  3. Les utilisateurs finaux fournissent des données qui sont soumises à un scoring par rapport au modèle.End users provide data that is scored against the model.
  4. Les insights et les anomalies issus du scoring sont stockés à des fins de chargement ultérieur.Insights and anomalies from scoring are placed into storage for later upload.
  5. Les insights globalement pertinents et conformes sont disponibles dans l'application globale.Globally-relevant and compliant insights are available in the global app.
  6. Les données issues du scoring de périphérie sont utilisées pour améliorer le modèle.Data from edge scoring is used to improve the model.

ComposantsComponents

Étapes suivantesNext steps