Mesterséges intelligencia a peremhálózaton – internetkapcsolat nélkül

Az Azure AI-eszközökkel és felhőplatformmal az AI-alapú hibrid alkalmazások közvetkező generációja az adatok tárolási helyén futtatható. Az Azure Stackkel üzembe helyezhet egy betanított AI-modellt a peremhálózaton, és integrálhatja azt az alkalmazásaival alacsony késésű intelligenciaszolgáltatáshoz a helyi alkalmazásoknál az eszközök vagy folyamatok megváltoztatása nélkül. Az Azure Stackkel biztosíthatja, hogy a felhőmegoldásai akkor is működjenek, amikor nincs az internetre csatlakozva.

Mesterséges intelligencia a peremhálózaton – internetkapcsolat nélkülAz Azure AI-eszközökkel és felhőplatformmal az AI-alapú hibrid alkalmazások közvetkező generációja az adatok tárolási helyén futtatható. Az Azure Stackkel üzembe helyezhet egy betanított AI-modellt a peremhálózaton, és integrálhatja azt az alkalmazásaival alacsony késésű intelligenciaszolgáltatáshoz a helyi alkalmazásoknál az eszközök vagy folyamatok megváltoztatása nélkül. Az Azure Stackkel biztosíthatja, hogy a felhőmegoldásai akkor is működjenek, amikor nincs az internetre csatlakozva.654321

Az adatelemzők az Azure Machine Learning és egy HDInsight-fürt használatával tanítják be a modellt. A modellt egy tárolóban, majd az Azure Container Registryben helyezik el.

A modellt egy offline telepítőprogrammal helyezik üzembe egy Kubernetes-fürtben az Azure Stack szolgáltatásban.

A végfelhasználók által megadott adatokat a rendszer a modellel összehasonlítva pontozza.

A pontozásból eredő betekintő adatok és anomáliák egy tárolóba kerülnek a későbbi feltöltéshez.

A globálisan releváns és megfelelő betekintő adatok rendelkezésre állnak a globális alkalmazásban.

A modell javítására a peremhálózati pontozásból származó adatokat használják.

  1. 1 Az adatelemzők az Azure Machine Learning és egy HDInsight-fürt használatával tanítják be a modellt. A modellt egy tárolóban, majd az Azure Container Registryben helyezik el.
  2. 2 A modellt egy offline telepítőprogrammal helyezik üzembe egy Kubernetes-fürtben az Azure Stack szolgáltatásban.
  3. 3 A végfelhasználók által megadott adatokat a rendszer a modellel összehasonlítva pontozza.
  1. 4 A pontozásból eredő betekintő adatok és anomáliák egy tárolóba kerülnek a későbbi feltöltéshez.
  2. 5 A globálisan releváns és megfelelő betekintő adatok rendelkezésre állnak a globális alkalmazásban.
  3. 6 A modell javítására a peremhálózati pontozásból származó adatokat használják.

Implementálási segédlet

Termékek/Leírás Dokumentáció

HDInsight

Felhőalapú Hadoop-, Spark-, R Server-, HBase- és Storm-fürtök kiépítése

Machine Learning Studio

Prediktív elemzési megoldások fejlesztése, üzembe helyezése és felügyelete egyszerűen

Virtual Machines

Windows- és Linux-alapú virtuális gépek kiépítése másodpercek alatt

Azure Kubernetes Service (AKS)

Egyszerűsítheti a Kubernetes üzembe helyezését, kezelését és működtetését

Tárhely

Tartós, magas rendelkezésre állású és rendkívül rugalmasan skálázható felhőalapú tárolás

Azure Stack

Hibrid alkalmazásokat hozhat létre és futtathat a felhő határain átnyúlóan