Intelligenza artificiale al perimetro con l'hub di Azure Stack

Registro contenitori
HDInsight
Servizio Kubernetes
Machine Learning
Hub di Azure Stack
Archiviazione

Soluzione idea Solution Idea

Per ulteriori informazioni, dettagli sull'implementazione, indicazioni sui prezzi o esempi di codice, vedere l'articolo relativo all'espansione di questo articolo con commenti e suggerimenti su 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 gli strumenti di intelligenza artificiale e la piattaforma cloud di Azure, la prossima generazione di applicazioni ibride abilitate per intelligenza artificiale può essere eseguita in cui si trovano i dati.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, è possibile portare un modello di intelligenza artificiale sottoposto a training al perimetro e integrarlo con le applicazioni per l'intelligence a bassa latenza, senza modifiche degli strumenti o dei processi per le applicazioni locali.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.

ArchitectureArchitecture

Diagramma dell'architettura scaricare un SVG di questa architettura.Architecture diagram Download an SVG of this architecture.

Flusso di datiData Flow

  1. I data scientist eseguono il training di un modello usando Azure Machine Learning Workbench e un cluster HDInsight.Data scientists train a model using Azure Machine Learning workbench and an HDInsight cluster. Il modello viene inserito in contenitori e inserito in un Container Registry di Azure.The model is containerized and put into an Azure Container Registry.
  2. Il modello viene distribuito in un cluster Kubernetes nell'hub Azure Stack.The model is deployed to a Kubernetes cluster on Azure Stack Hub.
  3. Gli utenti finali forniscono i dati con punteggio rispetto al modello.End users provide data that's scored against the model.
  4. Le informazioni dettagliate e le anomalie dei punteggi vengono inserite in una coda.Insights and anomalies from scoring are placed into a queue.
  5. Una funzione Invia dati conformi e anomalie ad archiviazione di Azure.A function sends compliant data and anomalies to Azure Storage.
  6. Le informazioni dettagliate rilevanti e conformi a livello globale sono disponibili nell'app globale.Globally relevant and compliant insights are available in the global app.
  7. I dati del Punteggio Edge vengono utilizzati per migliorare il modello.Data from edge scoring is used to improve the model.

ComponentiComponents

  • Azure Machine Learning: compilare, distribuire e gestire soluzioni di analisi predittivaAzure Machine Learning: Build, deploy, and manage predictive analytics solutions
  • HDInsight: effettuare il provisioning di cluster Hadoop, Spark, R server, HBase e Storm CloudHDInsight: Provision cloud Hadoop, Spark, R Server, HBase, and Storm clusters
  • Container Registry: archiviare e gestire le immagini dei contenitori in tutti i tipi di distribuzioni di AzureContainer Registry: Store and manage container images across all types of Azure deployments
  • Azure Kubernetes Service (AKS): semplifica la distribuzione, la gestione e le operazioni di KubernetesAzure Kubernetes Service (AKS): Simplify the deployment, management, and operations of Kubernetes
  • Archiviazione: archiviazione cloud durevole, a disponibilità elevata e altamente scalabileStorage: Durable, highly available, and massively scalable cloud storage
  • Hub Azure stack: compilare ed eseguire applicazioni ibride innovative attraverso i limiti del cloudAzure Stack Hub: Build and run innovative hybrid applications across cloud boundaries

Passaggi successiviNext steps