Progettazione dell'intelligenza artificiale in ambiente perimetrale
L'interazione tra intelligenza artificiale, cloud e ambiente perimetrale è un dominio in rapida evoluzione. Attualmente, molte soluzioni IoT sono basate sulla telemetria di base. La funzione di telemetria acquisisce i dati dai dispositivi perimetrali e li inserisce in un archivio dati. L'approccio in questo percorso di apprendimento va oltre la telemetria di base. Lo scopo è modellare i problemi nel mondo reale tramite algoritmi di Machine Learning e Deep Learning e implementare il modello attraverso l'intelligenza artificiale e il cloud nei dispositivi perimetrali. Il modello viene sottoposto a training nel cloud e distribuito nel dispositivo perimetrale. La distribuzione nel dispositivo perimetrale fornisce un ciclo di feedback per migliorare il processo di business (trasformazione digitale).
In questo percorso di apprendimento viene adottato un approccio di progettazione interdisciplinare. L'obiettivo è quello di creare un modello standard per molte aree complesse per la distribuzione dell'intelligenza artificiale in dispositivi perimetrali come droni, veicoli autonomi e così via. Il percorso di apprendimento presenta strategie di implementazione per un panorama in evoluzione di applicazioni di intelligenza artificiale complesse. I contenitori hanno un ruolo centrale per questo approccio. Quando vengono distribuiti nei dispositivi perimetrali, i contenitori possono incapsulare ambienti di distribuzione per un'ampia gamma di hardware diversi. L'approccio CI/CD (Continuous Integration - Continuous Deployment, integrazione continua - distribuzione continua) è un'estensione logica della distribuzione dei contenitori nei dispositivi perimetrali. Nei moduli futuri di questo percorso di apprendimento verranno incluse altre tecniche, ad esempio la distribuzione e l'elaborazione serverless in unità di microcontroller.
L'approccio guidato dalla progettazione mette in luce l'importanza di temi/discipline per la formazione tecnica, ad esempio
- Pensiero sistemico
- Sperimentazione e risoluzione dei problemi
- Miglioramento tramite la sperimentazione
- Distribuzione e analisi tramite test
- Impatto su altri domini tecnici
- Previsione del comportamento di un componente o di un sistema
- Considerazioni relative alla progettazione
- Uso di vincoli/tolleranze e condizioni operative specifiche, ad esempio vincoli di dispositivo
- Considerazioni relative alla sicurezza e alla protezione
- Creazione di strumenti utili a realizzare una soluzione
- Miglioramento dei processi: uso di dispositivi perimetrali (IoT) per fornire un ciclo di feedback analitico al processo di business in base a cui gestire i processi
- Impatto della progettazione sulla società
- Impatto estetico di progettazione e ingegneria
- Distribuzioni su larga scala
- Risoluzione di problemi aziendali complessi grazie a una distribuzione end-to-end di intelligenza artificiale, dispositivi perimetrali e cloud.
In definitiva, tecnologie di intelligenza artificiale, cloud e perimetrali distribuite come contenitori in modalità CI/CD possono trasformare interi settori creando un ecosistema autonomo specifico del settore che si estende nell'intera catena del valore. L'obiettivo è quello di progettare un set di modelli/metodologie per la distribuzione dell'intelligenza artificiale nei dispositivi perimetrali nel contesto del cloud. Contenuto del percorso di apprendimento:
- Informazioni sulla creazione di soluzioni usando IoT e il cloud
- Informazioni sul processo di distribuzione di soluzioni basate su IoT nei dispositivi perimetrali
- Informazioni sul processo di implementazione di modelli nei dispositivi perimetrali usando i contenitori
- Esplorazione dell'uso di DevOps per i dispositivi perimetrali
Prodotto in collaborazione con l'Università di Oxford - Ajit Jaokar, corso Artificial Intelligence: Cloud and Edge Implementations.
Prerequisiti
None
Codice obiettivo
Si vuole richiedere un codice obiettivo?
Moduli in questo percorso di apprendimento
Descrivere i tipi di processi aziendali a cui Azure IoT può aggiungere valore. Esaminare i servizi Azure IoT, ad esempio hub IoT e IoT Central, che consentono di creare soluzioni IoT.
Valutare le caratteristiche dell'hub IoT di Azure e determinare gli scenari in cui usare questo servizio.
Illustrare le caratteristiche essenziali di IoT Edge e le funzionalità dei componenti di IoT Edge (moduli, runtime e interfaccia cloud). Caratterizzare i tipi di problemi che è possibile risolvere con IoT Edge. Descrivere come gli elementi di IoT Edge possono essere combinati per risolvere il problema della distribuzione delle applicazioni IoT nel cloud.
Distribuire un modulo predefinito di simulatore di temperatura in un dispositivo IoT Edge usando un contenitore. Controllare che il modulo sia stato creato e distribuito correttamente e visualizzare dati simulati.
Vengono presentate le caratteristiche di Funzioni di Azure per l'IoT, viene descritta la funzione di trigger e binding e viene illustrato come combinare questi elementi per creare una soluzione IoT scalabile. Vengono inoltre descritti i vantaggi derivanti dall'uso dell'infrastruttura cloud per distribuire rapidamente le applicazioni IoT con Funzioni di Azure.
Creare e distribuire una funzione di Azure per creare un dispositivo IoT per la traduzione di una lingua. La funzione userà il servizio di riconoscimento vocale cognitivo. Il dispositivo registrerà una voce in una lingua straniera e convertirà il parlato in una lingua di destinazione.
Implementare un servizio cognitivo per eseguire il rilevamento della lingua su un dispositivo IoT Edge. Descrivere i componenti e i passaggi per implementare un servizio cognitivo in un dispositivo IoT Edge.
Analisi dell'importanza di MLOps per lo sviluppo e la distribuzione di modelli di Machine Learning per IoT Edge. Descrizione dei componenti della pipeline MLOps e indicazioni su come è possibile combinarli per creare modelli di cui è possibile ripetere il training automaticamente per i dispositivi IoT Edge.
Definire una soluzione per gli smoke test per i dispositivi Azure IoT Edge virtuali. La soluzione usa una strategia di integrazione continua e recapito continuo con Azure DevOps e Azure Pipelines in un cluster Kubernetes.
Determinare i tipi di problemi aziendali che è possibile risolvere tramite Azure Sphere. Illustrare le funzionalità e i componenti (unità microcontroller, sistema operativo, servizio di sicurezza basato sul cloud) per Azure Sphere. Descrivere in che modo i componenti forniscono una piattaforma sicura per lo sviluppo, la distribuzione e la gestione di soluzioni IoT sicure connesse in Internet.
Implementare un modello di rete neurale per eseguire la classificazione delle immagini in tempo reale in un dispositivo protetto basato su microcontroller connesso a Internet (Azure Sphere). Descrivere i componenti e i passaggi per l'implementazione in Azure Sphere di un modello di classificazione delle immagini con training preliminare.
Distribuire un'applicazione di dispositivo Azure Sphere per monitorare le condizioni dell'ambiente per il laboratorio. L'applicazione monitora le condizioni dell'ambiente nella stanza, si connette all'hub IoT e invia i dati di telemetria dal dispositivo al cloud. Sarà possibile controllare le comunicazioni da cloud a dispositivo ed eseguire le azioni necessarie.
Distribuire un'applicazione Azure Sphere per monitorare le condizioni dell'ambiente per un laboratorio. L'applicazione monitora le condizioni dell'ambiente nella stanza, si connette ad Azure IoT Central e invia i dati di telemetria dal dispositivo al cloud. Sarà possibile controllare le comunicazioni da cloud a dispositivo ed eseguire le azioni necessarie.
Creare una soluzione di visione artificiale nell'istanza di IoT Edge usando Servizi di Azure AI e i servizi Voce di Azure. L'applicazione acquisirà e identificherà l'articolo letto dallo scanner e convertirà il nome dell'articolo nel parlato.
Usare un modulo Analisi video live in IoT Edge e distribuire una soluzione di apprendimento automatico di Visione personalizzata in un dispositivo IoT Edge. La soluzione consentirà di identificare gli spazi vuoti negli scaffali. Verificare che la soluzione sia stata distribuita correttamente e testarla da un'applicazione Web.
Usare un modulo di Analisi video live per distribuire una soluzione di Machine Learning in un dispositivo IoT Edge. La soluzione elaborerà un feed video proveniente da videocamere e rileverà gli oggetti al perimetro usando un modello YOLO per eseguire operazioni di inferenza. Verificare che la soluzione sia stata distribuita correttamente e testarla da un'applicazione Web.