Intelligenza artificiale al perimetro con l'hub di Azure Stack, senza connessione

HDInsight
Servizio Kubernetes
Machine Learning
Hub di Azure Stack
Archiviazione
Macchine virtuali

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. Con Azure Stack Hub è possibile verificare che le soluzioni cloud funzionino anche se disconnesse da Internet.With Azure Stack Hub, you can ensure that your cloud solutions work even when disconnected from the internet.

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 Studio (classico) e un cluster HDInsight.Data scientists train a model using Azure Machine Learning Studio (classic) and an HDInsight cluster. Il modello viene inserito in contenitori e inserito in un Container Registry di Azure.The model is containerized and put in to an Azure Container Registry.
  2. Il modello viene distribuito tramite passaggi non rappresentati nel diagramma in un cluster Kubernetes nell'hub Azure Stack.The model is deployed via steps not represented in the diagram 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 is scored against the model.
  4. Le informazioni dettagliate e le anomalie dei punteggi vengono inserite nell'archivio per il caricamento successivo.Insights and anomalies from scoring are placed into storage for later upload.
  5. 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.
  6. I dati del Punteggio Edge vengono utilizzati per migliorare il modello.Data from edge scoring is used to improve the model.

ComponentiComponents

Passaggi successiviNext steps