Изменить

ИИ на границе с Azure Stack Hub

Реестр контейнеров Azure
Служба Azure Kubernetes (AKS)
Машинное обучение Azure
Azure Stack Hub

Идеи решения

Эта статья является идеей решения. Если вы хотите расширить содержимое с дополнительными сведениями, такими как потенциальные варианты использования, альтернативные службы, рекомендации по реализации или рекомендации по ценам, сообщите нам, предоставив отзыв GitHub.

В этой архитектуре показано, как можно перенести обученную модель ИИ на край с Помощью Azure Stack Hub и интегрировать ее с приложениями для аналитики с низкой задержкой.

Архитектура

Схема архитектуры, показывающая приложение с поддержкой ИИ, работающее на границе с Azure Stack Hub.

Скачайте файл Visio для этой архитектуры.

Поток данных

  1. Данные обрабатываются с помощью Фабрика данных Azure для размещения в Azure Data Lake.
  2. Данные из Фабрика данных Azure помещаются в azure Data Lake служба хранилища для обучения.
  3. Специалисты по обработке и анализу данных обучают модель с помощью Машинное обучение Azure. Модель упаковывается в контейнер и помещается в Реестр контейнеров Azure.
  4. Модель развертывается в кластере Kubernetes в Azure Stack Hub.
  5. Локальное веб-приложение можно использовать для оценки данных, предоставляемых конечным пользователем, для оценки модели, развернутой в кластере Kubernetes.
  6. Конечные пользователи предоставляют данные, оцененные по модели.
  7. Аналитические сведения и сведения об аномалиях, полученные в результате оценки, помещаются в очередь.
  8. Приложение-функция активируется после размещения сведений о оценке в очереди.
  9. Функция отправляет соответствующие сведения и сведения об аномалиях в службу хранилища Azure.
  10. Глобально релевантные и соответствующие аналитические сведения доступны для использования в Power BI и глобальном приложении.
  11. Цикл обратной связи: переобучение модели может быть активировано расписанием. Специалисты по обработке и анализу данных работают над оптимизацией. Улучшенная модель развертывается и контейнеризована в качестве обновления в реестре контейнеров.

Компоненты

Ключевые технологии, используемые для реализации этой архитектуры:

  • Машинное обучение Azure: создание, развертывание и управление решениями прогнозной аналитики.
  • Фабрика данных Azure: прием данных в Фабрика данных Azure.
  • Azure Data Lake служба хранилища. Загрузка данных в Azure Data Lake Storage 2-го поколения с помощью Фабрика данных Azure.
  • Реестр контейнеров. Хранение образов контейнеров и управление ими во всех типах развертываний Azure.
  • Служба Azure Kubernetes (AKS): упрощение развертывания, управления и операций Kubernetes.
  • служба хранилища Azure: устойчивое, высокодоступное и масштабируемое облачное хранилище.
  • Azure Stack Hub: создание и запуск инновационных гибридных приложений в пределах облака.
  • Функции Azure: бессерверная единица вычислений на основе событий для задач по запросу, выполняемых без необходимости обслуживания вычислительного сервера.
  • служба приложение Azure: путь, который записывает данные обратной связи конечных пользователей для включения оптимизации модели.

Подробности сценария

С помощью средств ИИ Azure, пограничных и облачных платформ можно использовать аналитику пограничных вычислений. Следующее поколение гибридных приложений с поддержкой ИИ может выполняться, где находятся данные. С помощью Azure Stack Hub доведите обученную модель искусственного интеллекта к краю, интегрируйте ее с приложениями для аналитики с низкой задержкой и непрерывно результаты обратной связи в усовершенствованную модель искусственного интеллекта для повышения точности без каких-либо средств или процессов для локальных приложений. Эта идея решения показывает сценарий подключенного Stack Hub, где пограничные приложения подключены к Azure. Сведения об отключенной версии этого сценария см. в статье ИИ на пограничном сервере.

Потенциальные варианты использования

Существует широкий спектр приложений ИИ Edge, которые отслеживают и предоставляют информацию практически в режиме реального времени. Области, в которых пограничный ИИ может помочь включить:

  • Процессы обнаружения камер безопасности.
  • Анализ изображений и видео (медиа и индустрии развлечений).
  • Транспорт и трафик (автомобильной и мобильной промышленности).
  • Производство.
  • Энергия (умные сетки).

Следующие шаги

Дополнительные сведения о рекомендуемых службах Azure см. в следующих статьях и примерах:

См. следующие связанные архитектуры: