Bewerken

AI aan de rand met Azure Stack Hub

Azure Container Registry
Azure Kubernetes Service (AKS)
Azure Machine Learning
Azure Stack Hub

Oplossingsideeën

Dit artikel is een oplossingsidee. Als u wilt dat we de inhoud uitbreiden met meer informatie, zoals mogelijke use cases, alternatieve services, implementatieoverwegingen of prijsrichtlijnen, laat het ons dan weten door GitHub-feedback te geven.

Deze architectuur laat zien hoe u uw getrainde AI-model aan de rand kunt brengen met Azure Stack Hub en deze kunt integreren met uw toepassingen voor intelligentie met lage latentie.

Architectuur

Architectuurdiagram met een AI-toepassing die wordt uitgevoerd aan de rand met Azure Stack Hub.

Een Visio-bestand van deze architectuur downloaden.

Gegevensstroom

  1. Gegevens worden verwerkt met behulp van Azure Data Factory, die in Azure Data Lake moeten worden geplaatst.
  2. Gegevens van Azure Data Factory worden voor training in Azure Data Lake Storage geplaatst.
  3. Gegevenswetenschappers trainen een model met behulp van Azure Machine Learning. Het model wordt in een container en vervolgens in Azure Container Registry geplaatst.
  4. Het model wordt geïmplementeerd in een Kubernetes-cluster in Azure Stack Hub.
  5. De on-premises webtoepassing kan worden gebruikt om gegevens te beoordelen die door de eindgebruiker worden geleverd, om te beoordelen op basis van het model dat is geïmplementeerd in het Kubernetes-cluster.
  6. Eindgebruikers bieden gegevens die zijn beoordeeld op basis van het model.
  7. Gevonden inzichten en afwijkingen worden in een wachtrij geplaatst.
  8. Een functie-app wordt geactiveerd zodra scoregegevens in de wachtrij worden geplaatst.
  9. Een functie verzendt conforme gegevens en afwijkingen naar Azure Storage.
  10. Wereldwijd relevante en compatibele inzichten zijn beschikbaar voor gebruik in Power BI en een globale app.
  11. Feedbacklus: het opnieuw trainen van het model kan worden geactiveerd door een schema. Gegevenswetenschappers werken aan de optimalisatie. Het verbeterde model wordt geïmplementeerd en in een container geplaatst als een update van het containerregister.

Onderdelen

Belangrijke technologieën die worden gebruikt om deze architectuur te implementeren:

  • Azure Machine Learning: Predictive Analytics-oplossingen bouwen, implementeren en beheren.
  • Azure Data Factory: gegevens opnemen in Azure Data Factory.
  • Azure Data Lake Storage: gegevens laden in Azure Data Lake Storage Gen2 met Azure Data Factory.
  • Container Registry: containerinstallatiekopieën opslaan en beheren voor alle typen Azure-implementaties.
  • Azure Kubernetes Service (AKS):vereenvoudig de implementatie, het beheer en de bewerkingen van Kubernetes.
  • Azure Storage: Duurzame, maximaal beschikbare en zeer schaalbare cloudopslag.
  • Azure Stack Hub: innovatieve hybride toepassingen bouwen en uitvoeren binnen cloudgrenzen.
  • Azure Functions: gebeurtenisgestuurde serverloze rekeneenheid voor on-demand taken die worden uitgevoerd zonder dat de computerserver hoeft te worden onderhouden.
  • Azure-app Service: Pad waarmee feedbackgegevens van eindgebruikers worden vastgelegd om modeloptimalisatie mogelijk te maken.

Scenariodetails

Met de Azure AI-hulpprogramma's, edge en cloudplatform is edge intelligence mogelijk. De volgende generatie hybride ai-toepassingen kan worden uitgevoerd waar uw gegevens zich bevinden. Breng met Azure Stack Hub een getraind AI-model aan de rand, integreer het met uw toepassingen voor intelligentie met lage latentie en continu feedback in een verfijnd AI-model voor verbeterde nauwkeurigheid, zonder hulpprogramma's of proceswijzigingen voor lokale toepassingen. Dit oplossingsidee toont een verbonden Stack Hub-scenario, waarbij edge-toepassingen zijn verbonden met Azure. Zie het artikel AI aan de rand voor de niet-verbonden edge-versie van dit scenario. De verbinding is verbroken.

Potentiële gebruikscases

Er is een breed scala aan Edge AI-toepassingen die in bijna realtime informatie bewaken en leveren. Gebieden waar Edge AI kan helpen:

  • Detectieprocessen van beveiligingscamera's.
  • Afbeeldings- en videoanalyse (de media- en entertainmentindustrie).
  • Vervoer en verkeer (de automobiel- en mobiliteitsindustrie).
  • Productie.
  • Energie (slimme rasters).

Volgende stappen

Zie de volgende artikelen en voorbeelden voor meer informatie over de aanbevolen Azure-services:

Zie de volgende gerelateerde architecturen: