Idee per le soluzioni
Questo articolo è un'idea di soluzione. Per espandere il contenuto con altre informazioni, ad esempio potenziali casi d'uso, servizi alternativi, considerazioni sull'implementazione o indicazioni sui prezzi, inviare commenti e suggerimenti su GitHub.
Questa architettura illustra come portare il modello di intelligenza artificiale sottoposto a training all'edge con l'hub di Azure Stack e integrarlo con le applicazioni per l'intelligence a bassa latenza.
Architettura
Scaricare un file di Visio di questa architettura.
Flusso di dati
- I dati vengono elaborati usando Azure Data Factory, da inserire in Azure Data Lake.
- I dati di Azure Data Factory vengono inseriti nell'Archiviazione di Azure Data Lake per il training.
- I data scientist eseguono il training di un modello usando Azure Machine Learning. Il modello è incluso in contenitori e inserito in un'istanza di Registro Azure Container.
- Il modello viene distribuito in un cluster Kubernetes nell'hub di Azure Stack.
- L'applicazione Web locale può essere usata per assegnare punteggi ai dati forniti dall'utente finale, per assegnare un punteggio rispetto al modello distribuito nel cluster Kubernetes.
- Gli utenti finali forniscono dati con punteggio rispetto al modello.
- Le informazioni dettagliate e le anomalie derivanti dal punteggio vengono inserite in una coda.
- Un'app per le funzioni viene attivata una volta che le informazioni di assegnazione dei punteggi vengono inserite nella coda.
- Una funzione invia i dati sulla conformità e le anomalie ad Archiviazione di Azure.
- Le informazioni dettagliate pertinenti e conformi a livello globale sono disponibili per l'utilizzo in Power BI e in un'app globale.
- Ciclo di feedback: la ripetizione del training del modello può essere attivata da una pianificazione. I data scientist lavorano sull'ottimizzazione. Il modello migliorato viene distribuito e in contenitori come aggiornamento al registro contenitori.
Componenti
Tecnologie chiave usate per implementare questa architettura:
- Azure Machine Learning: creare, distribuire e gestire soluzioni di analisi predittiva.
- Azure Data Factory: inserire dati in Azure Data Factory.
- Azure Data Lake Archiviazione: caricare dati in Azure Data Lake Archiviazione Gen2 con Azure Data Factory.
- Registro Contenitori: archiviare e gestire le immagini dei contenitori in tutti i tipi di distribuzioni di Azure.
- servizio Azure Kubernetes (servizio Azure Kubernetes): semplificare la distribuzione, la gestione e le operazioni di Kubernetes.
- Archiviazione di Azure: archiviazione cloud durevole, a disponibilità elevata e altamente scalabile.
- Hub di Azure Stack: creare ed eseguire applicazioni ibride innovative oltre i limiti del cloud.
- Funzioni di Azure: unità di calcolo serverless basata su eventi per le attività su richiesta in esecuzione senza dover gestire il server di elaborazione.
- app Azure Servizio: percorso che acquisisce i dati di feedback degli utenti finali per abilitare l'ottimizzazione del modello.
Dettagli dello scenario
Con gli strumenti di intelligenza artificiale di Azure, i dispositivi perimetrali e la piattaforma cloud, l'intelligenza perimetrale è possibile. La prossima generazione di applicazioni ibride abilitate per l'intelligenza artificiale può essere eseguita in cui si trovano i dati. Con l'hub di Azure Stack, portare un modello di intelligenza artificiale sottoposto a training all'edge, integrarlo con le applicazioni per l'intelligenza a bassa latenza e continuamente feedback in un modello di intelligenza artificiale perfezionato per migliorare l'accuratezza, senza modifiche di strumenti o processi per le applicazioni locali. Questa soluzione illustra uno scenario dell'hub stack connesso, in cui le applicazioni perimetrali sono connesse ad Azure. Per la versione perimetrale disconnessa di questo scenario, vedere l'articolo Intelligenza artificiale sul perimetro disconnesso.
Potenziali casi d'uso
È disponibile un'ampia gamma di applicazioni edge per intelligenza artificiale che monitorano e forniscono informazioni quasi in tempo reale. Le aree in cui l'intelligenza artificiale edge può essere utile includono:
- Processi di rilevamento della fotocamera di sicurezza.
- Analisi di immagini e video (settore multimediale e di intrattenimento).
- Trasporti e traffico (settore automobilistico e di mobilità).
- Produzione.
- Energia (smart grid).
Passaggi successivi
- Vuoi saperne di più? Vedere il modulo Introduzione ad Azure Stack
- Ottenere la certificazione Microsoft Certified per l'hub di Azure Stack con la certificazione Associazione dell'operatore dell'hub di Azure Stack
- Come installare il motore del servizio Azure Kubernetes in Linux nell'hub di Azure Stack
- Come installare il motore del servizio Azure Kubernetes in Windows nell'hub di Azure Stack
- Distribuire i modelli di Machine Learning in un dispositivo perimetrale con dispositivi Azure Stack Edge
- Innovare ulteriormente e distribuire i servizi di intelligenza artificiale di Azure (Riconoscimento vocale, linguaggio, decisione, visione) nell'hub di Azure Stack
Per altre informazioni sui servizi di Azure in primo piano, vedere gli articoli e gli esempi seguenti:
- Documentazione del servizio app
- Azure Data Lake Storage Gen2
- Documentazione del servizio Azure Kubernetes
- Documentazione di Azure Machine Learning
- Documentazione dell'hub di Azure Stack
- Opzioni di distribuzione dell'hub di Azure Stack
- Documentazione di Registro Container
- Archiviazione documentazione
- Esempi di Azure -Azure Stack Hub Foundation (in GitHub)
- Documentazione di modelli e soluzioni ibridi e multicloud di Azure
Risorse correlate
Vedere le architetture correlate seguenti: