IA no Edge com o Azure Stack Hub – desligado

HDInsight
Kubernetes Service
Machine Learning
Azure Stack Hub
Armazenamento
Máquinas Virtuais

Ideia de solução Solution Idea

Se quiser ver-nos expandir este artigo com mais informações, detalhes de implementação, orientação de preços ou exemplos de código, informe-nos com o Feedback do 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!

Com as ferramentas AZure AI e a plataforma cloud, a próxima geração de aplicações híbridas ativadas pela IA pode funcionar onde os seus dados vivem.With the Azure AI tools and cloud platform, the next generation of AI-enabled hybrid applications can run where your data lives. Com o Azure Stack Hub, traga um modelo de IA treinado para a borda e integre-o com as suas aplicações para inteligência de baixa latência, sem alterações de ferramentas ou processos para aplicações locais.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. Com o Azure Stack Hub, pode garantir que as suas soluções em nuvem funcionam mesmo quando desligadas da internet.With Azure Stack Hub, you can ensure that your cloud solutions work even when disconnected from the internet.

ArquiteturaArchitecture

Diagrama de arquitetura Descarregue um SVG desta arquitetura.Architecture diagram Download an SVG of this architecture.

Fluxo de DadosData Flow

  1. Os cientistas de dados treinam um modelo usando o Azure Machine Learning Studio (clássico) e um cluster HDInsight.Data scientists train a model using Azure Machine Learning Studio (classic) and an HDInsight cluster. O modelo é contentorizado e colocado num registo de contentores Azure.The model is containerized and put in to an Azure Container Registry.
  2. O modelo é implantado através de passos não representados no diagrama para um cluster Kubernetes no Azure Stack Hub.The model is deployed via steps not represented in the diagram to a Kubernetes cluster on Azure Stack Hub.
  3. Os utilizadores finais fornecem dados que são pontuados contra o modelo.End users provide data that is scored against the model.
  4. Insights e anomalias da pontuação são colocados no armazenamento para posterior carregamento.Insights and anomalies from scoring are placed into storage for later upload.
  5. Insights relevantes e compatíveis a nível global estão disponíveis na aplicação global.Globally-relevant and compliant insights are available in the global app.
  6. Os dados da pontuação da borda são usados para melhorar o modelo.Data from edge scoring is used to improve the model.

ComponentesComponents

Passos seguintesNext steps