AI エッジ エンジニア
AI、クラウド、エッジの相互作用は、急速に進化している分野です。 現時点では、多くの IoT ソリューションが基本的なテレメトリに基づいています。 テレメトリ関数は、エッジ デバイスからデータをキャプチャして、それをデータ ストアに格納します。 私たちのアプローチは、基本的なテレメトリを超えるものです。 Microsoft は、機械学習とディープ ラーニング アルゴリズムを使用して現実世界の問題をモデル化し、そのモデルを AI とクラウドを介してエッジ デバイスに実装することを目指しています。 モデルはクラウドでトレーニングされ、エッジ デバイスに配置されます。 エッジに配置することで、ビジネス プロセスを改善する (デジタル変革) ためのフィードバック ループが提供されます。
このラーニング パスでは、多分野にわたるエンジニアリングのアプローチを採用しています。 Microsoft はドローン、自動運転車などのエッジ デバイスに AI を配置するための、多くの複合領域の標準テンプレートを作成することを目指しています。このラーニング パスには、複雑な AI アプリケーションの進化したランドスケープの実装方針が示されています。 コンテナーは、このアプローチの中心となるものです。 コンテナーをエッジ デバイスに配置すると、さまざまなハードウェアの配置環境をカプセル化できます。 CICD (継続的インテグレーション - 継続的配置) は、エッジ デバイスにコンテナーを配置するための論理的な拡張機能です。 このラーニング パスの今後のモジュールには、サーバーレス コンピューティングやマイクロコントローラー ユニットへの配置などの、他の手法が含まれる可能性があります。
エンジニアリング主導のアプローチでは、次のようなエンジニアリング教育のテーマ/教授法が使用されます
- システム思考
- 実験と問題解決
- 実験による改善
- テストによる配置と分析
- 他のエンジニアリング分野への影響
- コンポーネントまたはシステムの動作の予測
- 設計上の考慮事項
- 制約/許容範囲を含む特定の動作条件 (デバイスの制約など) 内での作業
- 安全とセキュリティに関する考慮事項
- ソリューション作成に役立つツールの構築
- プロセスの改善 - エッジ (IoT) を使用してビジネス プロセスに分析フィードバック ループを提供し、プロセスを推進する
- エンジニアリングの社会的影響
- 設計とエンジニアリングの外観上の影響
- 大規模な配置
- AI、エッジ、クラウドのエンドツーエンドの配置による、複雑なビジネスの問題の解決。
CICD モードでコンテナーとして配置された AI、クラウド、およびエッジ テクノロジは、最終的に、バリュー チェーン全体にまたがる業界固有の自己学習エコシステムを作成することによって、業界全体を変革することができます。 そのような一連のテンプレート/方法論を設計して、クラウドのコンテキストで AI をエッジ デバイスに配置することが目標です。 このラーニング パスでは、以下について説明します。
- IoT とクラウドを使用してソリューションを作成する方法について理解する
- IoT ベースのソリューションをエッジ デバイスに配置するプロセスについて理解する
- コンテナーを使用してエッジ デバイスにモデルを実装するプロセスについて理解する
- エッジ デバイスの DevOps の使用について確認する
"Oxford 大学と協力して作成 – Ajit Jaokar、人工知能: クラウドおよびエッジ実装コース。"
前提条件
なし
実績コード
実績コードを要求しますか?
このラーニング パス内のモジュール
Azure IoT で価値を付加できるビジネス プロセスの種類について特徴を示します。 IoT ソリューションの構築に役立つ IoT Hub や IoT Central などの Azure IoT サービスを調査します。
Azure IoT Hub の特性を評価し、IoT Hub を使用する場合のシナリオを確認します。
IoT Edge の重要な特性と、IoT Edge コンポーネント (モジュール、ランタイム、クラウド インターフェイス) の機能について説明します。 IoT Edge を使用して解決できる問題の種類の特徴付けを行います。 IoT Edge の要素をどのように組み合わせれば、IoT アプリケーションをクラウドにデプロイする場合の問題を解決できるかを説明します。
コンテナーを使用して、事前構築済みの温度シミュレーター モジュールを IoT Edge デバイスにデプロイします。 モジュールが正常に作成されてデプロイされたことを確認し、シミュレートされたデータを表示します。
IoT 用の Azure Functions の特徴を評価します。 トリガーとバインドの機能を紹介し、これらを組み合わせてスケーラブルな IoT ソリューションを作成する方法について説明します。 クラウド インフラストラクチャを使用して、Azure Functions で IoT アプリケーションを迅速にデプロイするベネフィットについて説明します。
Azure 関数を作成してデプロイすることで、言語翻訳 IoT デバイスを作成します。 この関数では、Cognitive Speech Service が使用されます。 デバイスでは、外国語の音声が録音され、その音声がターゲット言語に変換されます。
IoT Edge デバイスで言語検出を実行するためのコグニティブ サービスを実装します。 IoT Edge デバイスでコグニティブ サービスを実装するためのコンポーネントと手順について説明します。
IoT Edge の機械学習モデルの開発と展開における MLOps の重要性を分析します。 MLOps パイプラインのコンポーネントについて説明し、それらを組み合わせて IoT Edge デバイス向けに自動的に再トレーニングできるモデルを作成する方法を示します。
仮想 Azure IoT Edge デバイス用のスモーク テストを行うためのソリューションを定義します。 このソリューションでは、Kubernetes クラスターで Azure DevOps と Azure Pipelines を使用して、CI/CD (継続的インテグレーション/継続的デプロイ) 戦略を採用します。
Azure Sphere を使用して解決できるビジネス上の問題の種類を明らかにします。 Azure Sphere の機能とコンポーネント (マイクロコントローラー ユニット、オペレーティング システム、クラウドベースのセキュリティ サービス) について説明します。 セキュリティで保護され、インターネットに接続された IoT ソリューションの開発、デプロイ、メンテナンスを行うための安全なプラットフォームが、コンポーネントによってどのように提供されるかについて説明します。
インターネットに接続された、セキュリティで保護されたマイクロコントローラーベースのデバイス (Azure Sphere) 上に、リアルタイムの画像分類を実行するためのニューラル ネットワーク モデルを実装します。 Azure Sphere で事前トレーニング済みの画像分類モデルを実装するためのコンポーネントと手順について説明します。
Azure Sphere デバイス アプリケーションを配置して、環境条件と実験室条件を監視します。 このアプリケーションで、室内環境の状態の監視、IoT Hub への接続、デバイスからクラウドへのテレメトリ データの送信を行います。 あなたはクラウドからデバイスへの通信を制御し、必要に応じてアクションを実行します。
Azure Sphere アプリケーションをデプロイして、実験室の環境条件を監視します。 アプリケーションによって、室内環境の監視、Azure IoT Central への接続、デバイスからクラウドへのテレメトリ データの送信が行われます。 あなたはクラウドからデバイスへの通信を制御し、必要に応じてアクションを実行します。
IoT Edge で Azure AI サービスと Azure Speech Services を使用して、コンピューター ビジョン ソリューションを作成します。 アプリケーションでは、スキャンされた商品をキャプチャして識別し、商品の名前を音声に変換します。
Live Video Analytics on IoT Edge モジュールを使用し、Custom Vision 機械学習ソリューションを IoT Edge デバイスにデプロイします。 このソリューションでは、陳列棚の空きスペースを識別します。 ソリューションが正常にデプロイされたことを確認し、Web アプリケーションからソリューションをテストします。
Live Video Analytics モジュールを使用して、機械学習ソリューションを IoT Edge デバイスにデプロイします。 このソリューションは、カメラからのビデオ フィードを処理し、YOLO モデルを使用してエッジにある物体を検出し、推論操作を実行するものです。 最後に、ソリューションが正常にデプロイされたことを確認し、Web アプリケーションからソリューションをテストします。