تحرير

مشاركة عبر

رؤية حاسوبية شاملة لحافة التصنيع

Azure Data Factory
Azure IoT Edge
Azure IoT Hub
Azure Machine Learning
Azure Pipelines

تُظهر بنية المثال هذه نهجًا شاملاً لرؤية كمبيوتر إنترنت الأشياء (IoT) في التصنيع.

بناء الأنظمة

رسم تخطيطي يوضح النهج الشامل لرؤية الكمبيوتر من الحافة إلى السحابة والعودة.

قم بتنزيل ملف Visio لهذه البنية.

تدفق البيانات

  1. تلتقط الوحدة المخصصة ل IoT Edge دفق الفيديو المباشر، وتقسمه إلى إطارات، وتستدل على بيانات الصورة لتحديد ما إذا كان قد حدث حادث.
  2. تستخدم الوحدة النمطية المخصصة أيضا أساليب SDK لتخزين Azure أو واجهة برمجة تطبيقات كائن ثنائي كبير الحجم لتحميل ملفات الفيديو الأولية إلى Azure Storage، والتي تعمل كمخزن وسائط أولي.
  3. ترسل الوحدة المخصصة نتائج الاستدلال وبيانات التعريف إلى Azure IoT Hub، والذي يعمل كمركز رسائل مركزي للاتصالات في كلا الاتجاهين.
  4. Azure Logic Apps تراقب IoT Hub للرسائل المتعلقة بأحداث الحوادث. توجه Logic Apps نتائج الاستدلال وبيانات التعريف إلى Microsoft Dataverse للتخزين.
  5. عند وقوع حدث، ترسل Logic Apps إعلامات SMS والبريد الإلكتروني إلى مهندس الموقع. يستخدم مهندس الموقع تطبيق الأجهزة المحمولة استنادًا إلى Power Apps للإقرار بالحدث وحله.
  6. تسحب Power Apps نتائج الاستدلال وبيانات التعريف من Dataverse وملفات الفيديو غير المنسقة البسيطة من Blob Storage لعرض المعلومات ذات الصلة حول الحدث. يقوم Power Apps بتحديث Dataverse مع حل الحدث الذي قدمه مهندس الموقع. تعمل هذه الخطوة كتحقق من صحة إدراج ملاحظات بشرية لأغراض إعادة تدريب النموذج.
  7. Azure Data Factory هو منسق البيانات الذي يجلب ملفات الفيديو غير المنسقة من مخزن الوسائط البسيط، ويحصل على نتائج الاستدلال المقابلة وبيانات التعريف من Dataverse.
  8. يخزن Data Factory ملفات الفيديو غير المنسقة، بالإضافة إلى بيانات التعريف، في Azure Data Lake، والذي يعمل كأرشيف فيديو لأغراض التدقيق.
  9. يقسم Data Factory ملفات الفيديو غير المنسقة إلى إطارات، ويحول نتائج الاستدلال إلى تسميات، ويحمل البيانات إلى Blob Storage، والذي يعمل كمخزن بيانات التعلم الآلي.
  10. تؤدي التغييرات في التعليمات البرمجية للنموذج تلقائيًا إلى تشغيل مسار منسق نموذج Azure Pipelines، والذي يمكن للمشغلين أيضًا تشغيله يدويًا. تبدأ تغييرات التعليمات البرمجية أيضًا عملية تدريب نموذج التعلم الآلي والتحقق من الصحة في Azure Machine Learning.
  11. يبدأ Azure التعلم الآلي في تدريب النموذج عن طريق التحقق من صحة البيانات من مخزن بيانات التعلم الآلي ونسخ مجموعات البيانات المطلوبة إلى Azure Premium Blob Storage. يوفر مستوى الأداء هذا ذاكرة تخزين مؤقت للبيانات لتدريب نموذج أسرع.
  12. يستخدم Azure Machine Learning مجموعة البيانات في ذاكرة التخزين المؤقت للبيانات Premium لتدريب النموذج، والتحقق من صحة أداء النموذج المدرب، وتسجيله مقابل النموذج المدرب حديثًا، وتسجيل النموذج في سجل Azure Machine Learning.
  13. يراجع منسق نموذج Azure Pipelines أداء نموذج التعلم الآلي المدرب حديثًا ويحدد ما إذا كان أفضل من النماذج السابقة. إذا كان أداء النموذج الجديد أفضل، يقوم المسار بتنزيل النموذج من Azure Machine Learning وإنشاء إصدار جديد من وحدة الاستدلال على التعلم الآلي للنشر في Azure Container Registry.
  14. عندما تكون وحدة استدلال التعلم الآلي الجديدة جاهزة، توزع Azure Pipelines حاوية الوحدة من Container Registry إلى وحدة IoT Edge في IoT Hub.
  15. يقوم IoT Hub بتحديث جهاز IoT Edge بالوحدة النمطية الجديدة للاستدلال على التعلم الآلي.

المكونات

  • تحلل خدمة Azure IoT Edge بيانات الجهاز محليا لإرسال بيانات أقل إلى السحابة، والتفاعل مع الأحداث بسرعة، والعمل في ظروف اتصال منخفضة. يمكن لوحدة IoT Edge ML استخراج رؤى قابلة للتنفيذ من دفق بيانات الفيديو.
  • Azure IoT Hub هي خدمة مدارة تتيح اتصالات ثنائية الاتجاه موثوقة وآمنة بين الملايين من أجهزة إنترنت الأشياء ونهاية خلفية مستند إلى السحابة. يوفر IoT Hub المصادقة لكل جهاز، وتوجيه الرسائل، والتكامل مع خدمات Azure الأخرى، وميزات الإدارة للتحكم في أجهزة IoT وتكوينها.
  • Azure Logic Apps عبارة عن نظام أساسي قائم على السحابة لإنشاء وتشغيل مهام سير العمل التي تم تشغيلها تلقائيًا التي تدمج تطبيقاتك وبياناتك وخدماتك وأنظمتك. يمكن للمطورين استخدام مصمم مرئي لجدولة مهام سير العمل الشائعة وتنسيقها. تحتوي Logic Apps على موصلات للعديد من الخدمات السحابية الشائعة والمنتجات المحلية والبرامج الأخرى كتطبيقات خدمة (SaaS). في هذا الحل، تقوم Logic Apps بتشغيل سير عمل الإعلام التلقائي الذي يرسل تنبيهات SMS والبريد الإلكتروني إلى مهندسي الموقع.
  • Power Apps عبارة عن مجموعة من التطبيقات والخدمات والموصلات والأنظمة الأساسية للبيانات. وهو بمثابة بيئة سريعة لتطوير التطبيقات. النظام الأساسي للبيانات المصدر هو Microsoft Dataverse.
  • Dataverse هو نظام أساسي للتخزين المستند إلى السحابة لـ Power Apps. يدعم Dataverse إعلامات إدراج ملاحظات بشرية ويخزن بيانات التعريف المرتبطة بمسار بيانات MLOps.
  • Azure Blob Storage عبارة عن تخزين عنصر آمن وقابل للتطوير للبيانات غير المنظمة. يمكنك استخدامه للأرشيفات وبحيرات البيانات والحوسبة عالية الأداء والتعلم الآلي وأحمال العمل السحابية الأصلية. في هذا الحل، يوفر تخزين Blob مخزن بيانات محلي لمخزن بيانات التعلم الآلي وذاكرة تخزين مؤقت للبيانات المتميزة لتدريب نموذج التعلم الآلي. الطبقة Premium من Blob Storage هي لأحمال العمل التي تتطلب أوقات استجابة سريعة ومعدلات عمليات عالية، مثل تسمية فيديو إدراج ملاحظات بشرية في هذا المثال.
  • Data Lake Storage هي خدمة تخزين آمنة وقابلة للتطوير على نطاق واسع لأحمال عمل التحليلات عالية الأداء. تأتي البيانات عادةً من مصادر متعددة غير متجانسة، وقد تكون منظمة أو شبه منظمة أو غير منظمة. يجمع Azure Data Lake Storage Gen2 بين إمكانيات Azure Data Lake Storage Gen1 مع Blob Storage، ويوفر دلالات نظام الملفات، وأمان على مستوى الملف، والقياس. ولكنها توفر أيضًا التخزين المتدرج وقابلية الوصول العالية وقدرات الإصلاح بعد كارثة لـ Blob Storage. في هذا الحل، يوفر Data Lake Storage مخزن الفيديو الأرشيفي لملفات الفيديو غير المنسقة وبيانات التعريف.
  • Azure Data Factory هو حل مختلط ومدار بالكامل وبدون خادم لتكامل البيانات وسير عمل التحويل. يوفر واجهة مستخدم خالية من التعليمات البرمجية ولوحة مراقبة سهلة الاستخدام. يستخدم Azure Data Factory البنية الأساسية لبرنامج ربط العمليات التجارية لحركة البيانات. يؤدي تعيين تدفقات البيانات مهام تحويل مختلفة مثل الاستخراج والتحويل والتحميل (ETL) والاستخراج والتحميل والتحويل (ELT). في هذا المثال، ينسق Data Factory البيانات في مسار ETL إلى بيانات الاستدلال، التي يخزنها لأغراض إعادة التدريب.
  • Azure Machine Learning هي خدمة تعلم آلي على مستوى المؤسسة لبناء النماذج ونشرها بسرعة. إنها توفر للمستخدمين على جميع مستويات المهارة مصممة برمز منخفض وتعلم آلي تلقائي وبيئة دفاتر Jupyter مستضافة تدعم IDEs المختلفة.
  • تنشئ Azure Pipelines، وهي جزء من خدمات المطور المستندة إلى فريق Azure DevOps، مسارات التكامل المستمر (CI) والتوزيع المستمر (CD). في هذا المثال، يتحقق منسق نموذج Azure Pipelines من صحة تعليمة التعلم الآلي البرمجية، ويشغل مسارات المهام بلا خادم، ويقارن نماذج التعلم الآلي، وينشئ حاوية الاستدلال.
  • يقوم Container Registry بإنشاء وإدارة سجل Docker لإنشاء صور حاوية Docker وتخزينها وإدارتها، بما في ذلك نماذج التعلم الآلي المعبئة في الحاوية.
  • يجمع Azure Monitor بيانات تتبع الاستخدام من موارد Azure، بحيث يمكن للفرق تحديد المشكلات بشكل استباقي وزيادة الأداء والموثوقية إلى أقصى حد.

البدائل

بدلاً من استخدام البنية الأساسية لمسار البيانات لتقسيم دفق الفيديو إلى إطارات صور، يمكنك توزيع وحدة Azure Blob Storage على جهاز IoT Edge. ثم تقوم وحدة الاستدلال بتحميل إطارات الصور المستنتجة إلى وحدة التخزين على جهاز الحافة. تحدد وحدة التخزين متى يتم تحميل الإطارات مباشرة إلى مخزن بيانات التعلم الآلي. تتمثل ميزة هذا النهج في أنه يزيل خطوة من مسار البيانات. المفاضلة هي أن جهاز الحافة مقترن بإحكام بـ Azure Blob Storage.

لتنسيق النموذج، يمكنك استخدام إما Azure Pipelines أو Azure Data Factory.

  • ميزة Azure Pipelines هي روابطها الوثيقة مع التعليمات البرمجية لنموذج التعلم الآلي. يمكنك تشغيل مسار التدريب بسهولة مع تغييرات التعليمات البرمجية من خلال CI/CD.
  • تتمثل فائدة Data Factory في أن كل مسار يمكنه توفير موارد الحساب المطلوبة. لا يحتفظ Data Factory بعوامل Azure Pipelines لتشغيل تدريب التعلم الآلي، مما قد يغمر تدفق CI/CD العادي.

تفاصيل السيناريو

تستخدم المصانع الذكية، التي تم تشغيلها تلقائيًا بالكامل، الذكاء الاصطناعي (AI) والتعلم الآلي (ML) لتحليل البيانات وتشغيل الأنظمة وتحسين العمليات بمرور الوقت.

في هذا المثال، ترسل الكاميرات الصور إلى جهاز Azure IoT Edge الذي يقوم بتشغيل نموذج التعلم الآلي. يحسب النموذج الاستدلالات، ويرسل إخراجًا قابلاً للتنفيذ إلى السحابة لمزيد من المعالجة. التدخلات البشرية هي جزء من الذكاء الذي يسجل نموذج التعلم الآلي. عملية التعلم الآلي هي دورة مستمرة من التدريب والاختبار والضبط والتحقق من صحة خوارزميات التعلم الآلي.

حالات الاستخدام المحتملة

تستخدم عمليات التصنيع رؤية الكمبيوتر IoT في تطبيقات تأكيد السلامة والجودة. يمكن لأنظمة رؤية الكمبيوتر IoT ما يلي:

  • المساعدة في ضمان الامتثال لإرشادات التصنيع مثل التسمية المناسبة.
  • تحديد عيوب التصنيع مثل تفاوت السطح.
  • تعزيز الأمن من خلال مراقبة مداخل المباني أو المناطق.
  • دعم سلامة العامل من خلال الكشف عن استخدام معدات الحماية الشخصية (PPE) وممارسات السلامة الأخرى.

الاعتبارات

تنفذ هذه الاعتبارات ركائز Azure Well-Architected Framework، وهو عبارة عن مجموعة من المبادئ التوجيهية التي يمكن استخدامها لتحسين جودة حمل العمل. لمزيد من المعلومات، يرجى مراجعةMicrosoft Azure Well-Architected Framework.

التوافر

تتطلب التطبيقات المستندة إلى التعلم الآلي عادة مجموعة واحدة من الموارد للتدريب وأخرى للخدمة. لا تحتاج موارد التدريب بوجهٍ عامٍ إلى قابلية وصول عالية، حيث لا تصل طلبات التشغيل المباشر مباشرةً إلى هذه الموارد. يجب أن تكون الموارد المطلوبة لخدمة الطلبات ذات قابلية وصول عالية.

العمليات

وينقسم هذا الحل إلى ثلاثة مجالات تشغيلية:

  • في عمليات IoT، يستخدم نموذج التعلم الآلي على جهاز الحافة صورًا في الوقت الحقيقي من الكاميرات المتصلة إلى إطارات فيديو الاستدلال. يرسل جهاز الحافة أيضًا تدفقات الفيديو المخزنة مؤقتًا إلى التخزين السحابي لاستخدامها في التدقيق وإعادة تدريب النموذج. بعد إعادة تدريب التعلم الآلي، يقوم Azure IoT Hub بتحديث جهاز الحافة بوحدة استدلال التعلم الآلي الجديدة.

  • يستخدم MLOps ممارسات DevOps لتنسيق تدريب النموذج واختباره وعمليات التوزيع. تعمل إدارة دورة حياة MLOps على التشغيل التلقائي لعملية استخدام نماذج التعلم الآلي لاتخاذ القرارات المعقدة، أو إنتاج النماذج. مفتاح MLOps هو التنسيق المحكم بين الفرق التي تقوم بإنشاء نماذج التعلم الآلي وتدريبها وتقييمها وتوزيعها.

  • تقوم عمليات إدراج الملاحظات البشرية بإعلام الأشخاص بالتدخل في خطوات معينة في عملية التشغيل التلقائي. في عمليات إدراج الملاحظات البشرية، يتحقق العمال من نتائج تنبؤات التعلم الآلي ويقيمونها. تصبح التدخلات البشرية جزءًا من الذكاء الذي يسجله نموذج التعلم الآلي، وتساعد في التحقق من صحة النموذج.

    الأدوار البشرية التالية هي جزء من هذا الحل:

    • يتلقى مهندسو الموقع إعلامات الحوادث التي ترسلها Logic Apps، ويتحققون يدويًا من صحة نتائج نموذج التعلم الآلي أو تنبؤاته. على سبيل المثال، قد يفحص مهندس الموقع صمامًا توقع النموذج فشله.

    • تقوم ملصقات البيانات بتسمية مجموعات البيانات لإعادة التدريب، لإكمال حلقة الحل الشامل. تعد عملية تسمية البيانات مهمة بشكل خاص لبيانات الصور، كخطوة أولى في تدريب نموذج موثوق به من خلال الخوارزميات. في هذا المثال، ينظم Azure Data Factory إطارات الفيديو في تجميعات إيجابية وخطأ إيجابية، ما يجعل عمل أداة تسمية البيانات أسهل.

    • يستخدم علماء البيانات مجموعات البيانات المسماة لتدريب الخوارزميات لإجراء تنبؤات حقيقية صحيحة. يستخدم علماء البيانات MLOps مع GitHub Actions أو Azure Pipelines في عملية CI لتدريب نموذج والتحقق من صحته تلقائيًا. يمكن تشغيل التدريب يدويًا أو تلقائيًا عن طريق التحقق من البرامج النصية أو البيانات الجديدة للتدريب. يعمل علماء البيانات في مساحة عمل Azure Machine Learning التي يمكنها تسجيل النماذج وتوزيعها وإدارتها تلقائيًا.

    • يستخدم مهندسو IoT Azure Pipelines لنشر وحدات IoT Edge في حاويات إلى Container Registry. يمكن للمهندسين توزيع البنية الأساسية وتوسيع نطاقها عند الطلب باستخدام مسار CD.

    • يراجع مدققو الأمان تدفقات الفيديو المؤرشفة للكشف عن الحالات الخارجة عن المألوف وتقييم التوافق وتأكيد النتائج عند ظهور أسئلة حول تنبؤات النموذج.

    في هذا الحل، يبتاع IoT Hub بيانات تتبع الاستخدام من الكاميرات ويرسل المقاييس إلى Azure Monitor، بحيث يمكن لمهندسي الموقع التحقيق واستكشاف الأخطاء وإصلاحها. يرسل Azure التعلم الآلي مقاييس إمكانية المراقبة وقياس النموذج عن بعد إلى Azure Monitor، مما يساعد مهندسي IoT وعلماء البيانات على تحسين العمليات.

الأداء

تحتوي أجهزة IoT على ذاكرة وقوة معالجة محدودة، لذلك من المهم تحديد حجم حاوية النموذج المرسلة إلى الجهاز. تأكد من استخدام جهاز IoT يمكنه إجراء استدلال النموذج وإنتاج نتائج في فترة زمنية مقبولة.

لتحسين الأداء لنماذج التدريب، يستخدم هذا المثال البنية Azure Premium Blob Storage. تم تصميم مستوى الأداء هذا لأحمال العمل التي تتطلب أوقات استجابة سريعة ومعدلات معاملات عالية، مثل سيناريو تسمية الفيديو البشري في التكرار الحلقي.

تنطبق اعتبارات الأداء أيضًا على مسار استيعاب البيانات. يعمل Data Factory على زيادة حركة البيانات إلى أقصى حد من خلال توفير حل عالي الأداء وفعال من حيث التكلفة.

قابلية التوسع

معظم المكونات المستخدمة في هذا الحل هي خدمات مدارة تتوسع تلقائيًا.

تعتمد قابلية التوسع لتطبيق IoT على حصص IoT Hub والتقييد. وتشمل العوامل التي يجب مراعاتها ما يلي:

  • الحد الأقصى للحصة اليومية للرسائل في IoT Hub.
  • حصة الأجهزة المتصلة في مثيل IoT Hub.
  • معدل نقل الاستيعاب والمعالجة.

في التعلم الآلي، تشير قابلية التوسع إلى توسيع نطاق المجموعات المستخدمة لتدريب النماذج على مجموعات البيانات الكبيرة. تمكن قابلية التوسع أيضًا نموذج التعلم الآلي من تلبية متطلبات التطبيقات التي تستهلكه. لتلبية هذه الاحتياجات، يجب أن توفر مجموعة التعلم الآلي توسيع نطاق وحدات CPU وعلى العقد الممكنة لوحدة معالجة الرسومات (GPU).

للحصول على إرشادات عامة حولَ تصميم حلول قابلة للتوسع، راجع قائمة التحقق من كفاءة الأداء في Azure Architecture Center.

الأمان

ويوفر عامل الأمان ضمانات للحماية من الهجمات المتعمدة واستغلال البيانات والأنظمة القيمة الخاصة بك. للمزيد من المعلومات، يرجى الرجوع إلى نظرة عامة على ركيزة الأمان.

تساعد إدارة الوصول في Dataverse وخدمات Azure الأخرى على ضمان أن المستخدمين المعتمدين فقط يمكنهم الوصول إلى البيئة والبيانات والتقارير. تستخدم هذه المقالة Azure Key Vault لإدارة كلمات المرور والبيانات السرية. يتم تشفير التخزين باستخدام مفاتيح مُدارة بواسطة العميل.

للحصول على إرشادات عامة حول تصميم حلول إنترنت الأشياء الآمنة، راجع وثائق أمان Azure والبنية المرجعية لـ Azure IoT.

تحسين التكلفة

يركز تحسين التكلفة على البحث عن طرق للحد من النفقات غير الضرورية وتحسين الكفاءة التشغيلية. لمزيد من المعلومات، راجع نظرة عامة على ركيزة تحسين التكلفة.

بشكل عام، استخدم حاسبة أسعار Azure لتقدير التكاليف. لاعتبارات أخرى، راجع تحسين التكلفة.

يقوم Azure التعلم الآلي أيضا بتوزيع خدمات Container Registry وAzure Storage وAzure Key Vault، والتي تتحمل تكاليف إضافية. لمزيد من المعلومات، راجع كيف يعمل التعلم الآلي من Microsoft Azure: البنية والمفاهيم.

تتضمن أسعار Azure Machine Learning رسومًا على الأجهزة الظاهرية (VMs) المستخدمة لتدريب النموذج في السحابة. للحصول على معلومات حول توفر Azure Machine Learning والأجهزة الظاهرية لكل منطقة Azure، راجع المنتجات المتوفرة حسب المنطقة.

المساهمون

تحتفظ Microsoft بهذه المقالة. وهي مكتوبة في الأصل من قبل المساهمين التاليين.

المؤلف الرئيسي:

الخطوات التالية