解决方案构想
本文是一种解决方案构想。 如果你希望我们在内容中扩充更多信息，例如潜在用例、备用服务、实现注意事项或定价指南，请通过提供 GitHub 反馈来告知我们。
此体系结构演示如何使用 Azure Stack Hub 将经过训练的 AI 模型引入边缘，并将其与应用程序集成以实现低延迟智能。
体系结构
下载此体系结构的 Visio 文件。
数据流
- 使用 Azure 数据工厂处理数据，并将其放置在 Azure Data Lake 上。
- 来自 Azure 数据工厂的数据将放入 Azure Data Lake Storage 以进行训练。
- 数据科学家使用 Azure 机器学习训练模型。 模型已容器化并放入 Azure 容器注册表。
- 模型部署到 Azure Stack Hub 上的 Kubernetes 群集。
- 本地 Web 应用程序可用于对最终用户提供的数据进行评分，以针对 Kubernetes 群集中部署的模型进行评分。
- 最终用户提供针对模型评分的数据。
- 评分中的见解和异常将放入队列中。
- 将评分信息放入队列后，就会触发函数应用。
- 函数将合规数据和异常发送到 Azure 存储。
- 全球相关且合规的见解可在 Power BI 和全局应用中使用。
- 反馈循环：模型重新训练可按照日程安排触发。 数据科学家会不断进行优化。 改进后的模型作为容器注册表的更新进行部署和容器化。
组件
用于实现此体系结构的关键技术：
- Azure 机器学习：生成、部署和管理预测分析解决方案。
- Azure 数据工厂：将数据引入 Azure 数据工厂。
- Azure Data Lake Storage：使用 Azure 数据工厂将数据加载到 Azure Data Lake Storage Gen2 中。
- 容器注册表：跨所有 Azure 部署类型存储和管理容器映像。
- Azure Kubernetes 服务 (AKS)：简化 Kubernetes 的部署、管理和操作。
- Azure 存储：持久、高度可用、高度可缩放的云存储。
- Azure Stack Hub：跨云边界构建并运行创新的混合应用程序。
- Azure Functions：运行按需任务的事件驱动无服务器计算单元，无需维护计算服务器。
- Azure 应用服务：捕获最终用户反馈数据以启用模型优化的路径。
方案详细信息
借助 Azure AI 工具、边缘和云平台，可以实现边缘智能。 下一代支持 AI 的混合应用程序能够在数据所在的位置运行。 借助 Azure Stack Hub，将经过训练的 AI 模型引入边缘，将其与你的应用程序集成以实现低延迟智能，并不断反馈到改进的 AI 模型中以提高准确性，这一切都无需更改本地应用程序的工具或流程。 这个解决方案的想法展示了一个连接的 Stack Hub 场景，其中边缘应用程序连接到 Azure。 有关此方案的断开连接边缘版本，请参阅边缘 AI - 断开连接一文。
可能的用例
有各种 Edge AI 应用程序，可以近乎实时地监视和提供信息。 Edge AI 在以下领域中很有帮助：
- 安防摄像头检测过程。
- 图像和视频分析（媒体和娱乐行业）。
- 运输和交通（汽车和移动产业）。
- 制造业。
- 能源（智能电网）。
后续步骤
- 想了解详细信息吗？ 查看 Azure Stack 简介模块
- 借由 Azure Stack Hub 操作员助理认证认证获取 Microsoft Azure Stack Hub 认证
- 如何在 Azure Stack Hub 中的 Linux 上安装 AKS 引擎
- 如何在 Windows 上的 Azure Stack Hub 中安装 AKS 引擎
- 使用 Azure Stack Edge 设备将 ML 模型部署到边缘设备
- 进一步创新并将 Azure 认知服务（语音、语言、决策、视觉）容器部署到 Azure Stack Hub
有关特色 Azure 服务的详细信息，请参阅以下文章和示例：
- 应用服务文档
- Azure Data Lake Storage Gen 2
- Azure Kubernetes 服务 (AKS) 文档
- Azure 机器学习文档
- Azure Stack Hub 文档
- Azure Stack Hub 部署选项
- 容器注册表文档
- 存储文档
- Azure 示例 -Azure Stack Hub 基础（GitHub 上）
- Azure 混合与多云模式和解决方案文档
相关资源
请参阅以下相关体系结构：