Láblécészlelési minta
Ez a minta áttekintést nyújt egy AI-alapú lábnyom-észlelési megoldás bevezetéséről a kiskereskedelmi üzletekben lévő látogatói forgalom elemzéséhez. A megoldás valós műveletekből hoz létre elemzéseket az Azure, az Azure Stack Hub és a Custom Vision AI Dev Kit használatával.
Kontextus és probléma
A Contoso Stores szeretne betekintést nyerni abba, hogy az ügyfelek hogyan kapják meg aktuális termékeiket az áruház elrendezésével kapcsolatban. Nem tudnak minden szakaszban személyzetet elhelyezni, és nem hatékony, ha egy elemzői csapat átnézi egy teljes áruház kamerájának felvételeit. Emellett egyik üzletük sem rendelkezik elegendő sávszélességmel ahhoz, hogy az összes kamerájukból a felhőbe streameljék a videókat elemzés céljából.
A Contoso egy diszkrét, adatvédelmi szempontból felhasználóbarát módszert szeretne találni az ügyfelek demográfiai adatainak, hűségének és a termékek tárolására adott reakcióinak meghatározására.
Megoldás
Ez a kiskereskedelmi elemzési minta rétegzett megközelítést használ a peremhálózati következtetéshez. A Custom Vision AI Dev Kit használatával csak az emberi arcokat tartalmazó képek lesznek elküldve elemzésre egy Privát Azure Stack Hubba, amely az Azure Cognitive Servicest futtatja. A rendszer anonimizált, összesített adatokat küld az Azure-nak az összes üzlet összesítéséhez és Power BI vizualizációihoz. A peremhálózat és a nyilvános felhő kombinálásával a Contoso kihasználhatja a modern AI-technológia előnyeit, miközben a vállalati szabályzatoknak is megfelel, és tiszteletben tartja ügyfeleik adatvédelmét.
Íme egy összegzés a megoldás működéséről:
- A Custom Vision AI Dev Kit IoT Hub kap egy konfigurációt, amely telepíti a IoT Edge Futtatókörnyezetet és egy ML modellt.
- Ha a modell lát egy személyt, képet készít, és feltölti az Azure Stack Hub blobtárolóba.
- A blobszolgáltatás aktivál egy Azure-függvényt az Azure Stack Hubon.
- Az Azure-függvény meghív egy, a Face API-val rendelkező tárolót, amely demográfiai és érzelemadatokat kér le a rendszerképből.
- Az adatok anonimizálva lesznek, és egy Azure Event Hubs-fürtnek lesznek elküldve.
- Az Event Hubs-fürt leküldi az adatokat a Stream Analyticsbe.
- A Stream Analytics összesíti az adatokat, és leküldi azokat Power BI.
Összetevők
Ez a megoldás a következő összetevőket használja:
| Réteg | Összetevő | Leírás |
|---|---|---|
| Üzleten belüli hardver | Custom Vision AI Dev Kit | Áruházon belüli szűrést biztosít egy helyi ML modellel, amely csak a személyekről készült képeket rögzíti elemzés céljából. Biztonságosan kiépített és frissített IoT Hub. |
| Azure | Azure Event Hubs | Azure Event Hubs egy skálázható platformot biztosít az anonimizált adatok betöltéséhez, amely szépen integrálható az Azure Stream Analyticsszel. |
| Azure Stream Analytics | Az Azure Stream Analytics-feladatok összesítik az anonimizált adatokat, és 15 másodperces ablakokba csoportosítják őket a vizualizációhoz. | |
| Microsoft Power BI | Power BI egy könnyen használható irányítópult-felületet biztosít az Azure Stream Analytics kimenetének megtekintéséhez. | |
| Azure Stack Hub | APP SERVICE | A App Service erőforrás-szolgáltató (RP) a peremhálózati összetevők alapját biztosítja, beleértve a webalkalmazások/API-k és függvények üzemeltetési és felügyeleti funkcióit. |
| Azure Kubernetes Service (AKS) motorfürt | Az Azure Stack Hubban üzembe helyezett AKS-Engine fürttel rendelkező AKS RP skálázható, rugalmas motort biztosít a Face API-tároló futtatásához. | |
| Azure Cognitive Services Face API-tárolók | A Face API-tárolókkal rendelkező Azure Cognitive Services RP demográfiai, érzelem- és egyedi látogatóészlelést biztosít a Contoso magánhálózatán. | |
| Blob Storage | Az AI Dev Kitből rögzített képeket a rendszer feltölti az Azure Stack Hub blobtárolójához. | |
| Azure Functions | Az Azure Stack Hubon futó Azure-függvények bemenetet fogadnak a Blob Storage-ból, és kezelik a Face API-val való interakciókat. Anonimizált adatokat bocsát ki egy Azure-ban található Event Hubs-fürtnek. |
Problémák és megfontolandó szempontok
A megoldás implementálásának eldöntésekor vegye figyelembe a következő szempontokat:
Méretezhetőség
Ahhoz, hogy ez a megoldás több kamera és hely között skálázható legyen, meg kell győződnie arról, hogy az összes összetevő képes kezelni a megnövekedett terhelést. Előfordulhat, hogy a következő műveleteket kell végrehajtania:
- Növelje a Stream Analytics streamelési egységeinek számát.
- A Face API üzembe helyezésének vertikális felskálázása.
- Növelje az Event Hubs-fürt átviteli sebességét.
- Szélsőséges esetekben szükség lehet Azure Functions virtuális gépre való migrálásra.
Rendelkezésre állás
Mivel ez a megoldás rétegzett, fontos átgondolni, hogyan kell kezelni a hálózatkezelést vagy az áramkimaradásokat. Az üzleti igényektől függően érdemes lehet implementálni egy mechanizmust a rendszerképek helyi gyorsítótárazásához, majd a kapcsolat visszatérésekor az Azure Stack Hubra való továbbításhoz. Ha a hely elég nagy, jobb megoldás lehet, ha egy Data Box Edge-t helyez üzembe a Face API-tárolóval erre a helyre.
Kezelhetőség
Ez a megoldás számos eszközre és helyre kiterjedhet, ami szükségtelenné válhat. Az Azure IoT-szolgáltatásaival automatikusan online állapotba helyezheti az új helyeket és eszközöket, és naprakészen tarthatja őket.
Biztonság
Ez a megoldás rögzíti az ügyfelek rendszerképeit, így a biztonság a legfontosabb szempont. Győződjön meg arról, hogy az összes tárfiókot a megfelelő hozzáférési szabályzatok védik, és rendszeresen váltogatja a kulcsokat. Győződjön meg arról, hogy a tárfiókok és az Event Hubs adatmegőrzési szabályzatai megfelelnek a vállalati és kormányzati adatvédelmi előírásoknak. Ügyeljen arra is, hogy a felhasználói hozzáférési szinteket is rétegelje. A rétegzés biztosítja, hogy a felhasználók csak a szerepkörükhöz szükséges adatokhoz férjenek hozzá.
Következő lépések
Ha többet szeretne megtudni a cikkben bemutatott témakörökről:
- Tekintse meg a rétegzett adatok mintáját, amelyet a láblécészlelési minta használ.
- Az egyéni látásmód használatáról az Custom Vision AI Dev Kitben talál további információt.
Ha készen áll a megoldás példájának tesztelésére, folytassa a footfall detection üzembe helyezési útmutatóval. Az üzembe helyezési útmutató részletes útmutatást nyújt az összetevők üzembe helyezéséhez és teszteléséhez.