AI vid gränsen med Azure Stack Hub

Container Registry
HDInsight
Kubernetes Service
Machine Learning
Azure Stack Hub
Storage

Lösnings idé Solution Idea

Om du vill se den här artikeln med mer information, implementerings information, prissättnings vägledning eller kod exempel kan du berätta för oss med GitHub feedback!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!

Med Azure AI-verktygen och moln plattformen kan nästa generations AI-aktiverade hybrid program köras där dina data finns.With the Azure AI tools and cloud platform, the next generation of AI-enabled hybrid applications can run where your data lives. Med Azure Stack hubb får du en tränad AI-modell till gränsen och integrerar den med dina program för låg latens information, utan verktyg eller process ändringar för lokala program.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.

ArkitekturArchitecture

Arkitektur diagram Ladda ned en SVG -arkitektur.Architecture diagram Download an SVG of this architecture.

DataflödeData Flow

  1. Data forskare tränar en modell med Azure Machine Learning Workbench och ett HDInsight-kluster.Data scientists train a model using Azure Machine Learning workbench and an HDInsight cluster. Modellen är behållare och placeras i en Azure Container Registry.The model is containerized and put into an Azure Container Registry.
  2. Modellen distribueras till ett Kubernetes-kluster på Azure Stack Hub.The model is deployed to a Kubernetes cluster on Azure Stack Hub.
  3. Slutanvändare tillhandahåller data som beräknas mot modellen.End users provide data that's scored against the model.
  4. Insikter och avvikelser från Poäng placeras i en kö.Insights and anomalies from scoring are placed into a queue.
  5. En funktion skickar kompatibla data och avvikelser till Azure Storage.A function sends compliant data and anomalies to Azure Storage.
  6. Globalt relevanta och kompatibla insikter är tillgängliga i den globala appen.Globally relevant and compliant insights are available in the global app.
  7. Data från kant-poängsättning används för att förbättra modellen.Data from edge scoring is used to improve the model.

KomponenterComponents

  • Azure Machine Learning: Bygg, distribuera och hantera lösningar för förutsägelse analysAzure Machine Learning: Build, deploy, and manage predictive analytics solutions
  • HDInsight: etablera Cloud Hadoop-, Spark-, R Server-, HBase-och Storm-klusterHDInsight: Provision cloud Hadoop, Spark, R Server, HBase, and Storm clusters
  • Container Registry: lagra och hantera behållar avbildningar för alla typer av Azure-distributionerContainer Registry: Store and manage container images across all types of Azure deployments
  • Azure Kubernetes service (AKS): förenkla distribution, hantering och drift av KubernetesAzure Kubernetes Service (AKS): Simplify the deployment, management, and operations of Kubernetes
  • Lagring: hållbar, hög tillgänglig och massivt skalbar moln lagringStorage: Durable, highly available, and massively scalable cloud storage
  • Azure Stack Hub: Bygg och kör innovativa hybrid program över moln gränserAzure Stack Hub: Build and run innovative hybrid applications across cloud boundaries

Nästa stegNext steps