Ai Edge-tekniker
Hurtigt overblik
-
Niveau
-
Færdighed
-
Rolle
-
Emne
Samspillet mellem AI, cloud og edge er et domæne i hastig udvikling. I øjeblikket er mange IoT-løsninger baseret på grundlæggende telemetri. Telemetrifunktionen registrerer data fra edge-enheder og gemmer dem i et datalager. Vores tilgang strækker sig ud over grundlæggende telemetri. Vi sigter mod at modellere problemer i den virkelige verden ved hjælp af algoritmer til maskinel indlæring og dyb læring og implementere modellen via AI- og Cloud on-edge-enheder. Modellen oplæres i cloudmiljøet og udrulles på edge-enheden. Udrulningen til kanten giver en feedbackløkke, der forbedrer forretningsprocessen (digital transformation).
I dette læringsforløb tager vi en tværfaglig teknisk tilgang. Vi stræber efter at oprette en standardskabelon for mange komplekse områder til udrulning af AI på kantenheder som droner, autonome køretøjer osv. Læringsforløbet præsenterer implementeringsstrategier for et landskab i udvikling med komplekse AI-programmer. Objektbeholdere er centrale for denne fremgangsmåde. Når objektbeholdere udrulles på edge-enheder, kan de indkapsle installationsmiljøer for en række forskellige hardwareenheder. CICD (Kontinuerlig integration – kontinuerlig udrulning) er en logisk udvidelse til udrulning af objektbeholdere på edge-enheder. I fremtidige moduler i dette læringsforløb kan vi inkludere andre teknikker, f.eks. serverløs databehandling og udrulning på Microcontroller Units.
Den ingeniørledede tilgang understøtter temaer/pædagogik til ingeniøruddannelse, f.eks.
- Systemtænkning
- Eksperimentering og problemløsning
- Forbedring gennem eksperimenter
- Udrulning og analyse gennem test
- Indvirkning på andre tekniske domæner
- Prognoseadfærd for en komponent eller et system
- Designovervejelser
- Arbejde inden for begrænsninger/tolerancer og specifikke driftsforhold, herunder enhedsbegrænsninger
- Overvejelser i forbindelse med sikkerhed og sikkerhed
- Byggeværktøjer, der hjælper med at oprette løsningen
- Forbedring af processer – Brug af edge(IoT) til at give en analysefeedbackløkke til forretningsprocessen for at drive processer
- De samfundsmæssige konsekvenser af ingeniørarbejde
- Den æstetiske effekt af design og teknik
- Udrulninger i stor skala
- Løsning af komplekse virksomhedsproblemer ved en komplet udrulning af AI, edge og cloud.
I sidste ende kan ai-, cloud- og edge-teknologier, der udrulles som objektbeholdere i CICD-tilstand, transformere hele brancher ved at oprette et branchespecifikt økosystem, der spænder over hele værdikæden. Vi stræber efter at designe et sådant sæt skabeloner/metoder til udrulning af AI til edge-enheder i cloudmiljøet. I dette læringsforløb skal du:
- Få mere at vide om, hvordan du opretter løsninger ved hjælp af IoT og cloudmiljøet
- Forstå processen med at udrulle IoT-baserede løsninger på edge-enheder
- Få mere at vide om, hvordan du implementerer modeller til edge-enheder ved hjælp af objektbeholdere
- Udforsk brugen af DevOps til edge-enheder
Forudsætninger
Ingen
Kom i gang med Azure
Vælg den Azure-konto, der passer til dig. Betal efter forbrug, eller prøv Azure gratis i op til 30 dage. Tilmeld dig.
Resultatkode
Vil du anmode om en præstationskode?
Moduler i dette læringsforløb
Vurder egenskaberne for Azure IoT Hub, og find ud af, hvornår du skal bruge IoT Hub.
Forklar de væsentlige karakteristika ved IoT Edge og funktionaliteten af dets komponenter (moduler, runtime og cloud-interface). Karakteriserer de typer af problemer, du kan løse med IoT Edge. Beskriv, hvordan elementerne i IoT Edge kan kombineres for at løse problemet med udrulning af IoT-programmer i cloudmiljøet.
Udrul et færdigbygget temperatursimulatormodul på en IoT Edge-enhed ved hjælp af en objektbeholder. Kontrollér, at modulet blev oprettet og installeret, og få vist simulerede data.
Implementer en kognitiv tjeneste til udførelse af sprogregistrering på en IoT Edge-enhed. Beskriv komponenterne og trinnene til implementering af en kognitiv tjeneste på en IoT Edge-enhed.
Analysér betydningen af MLOps i udviklingen og udrulningen af modeller til maskinel indlæring til IoT Edge. Beskriv komponenterne i MLOps-pipelinen, og vis, hvordan du kan kombinere dem for at oprette modeller, der automatisk kan oplæres til IoT Edge-enheder.
Definer en løsning til røgtest af virtuelle Azure IoT Edge-enheder. Din løsning anvender en CI/CD-strategi (kontinuerlig integration/kontinuerlig udrulning) ved hjælp af Azure DevOps og Azure Pipelines på en Kubernetes-klynge.
Find ud af, hvilke typer forretningsproblemer der kan løses ved hjælp af Azure Sphere. Forklar funktionerne og komponenterne (mikrocontrollerenhed, operativsystem, cloudbaseret sikkerhedstjeneste) for Azure Sphere. Beskriv, hvordan komponenterne leverer en sikker platform til udvikling, installation og vedligeholdelse af sikre internetforbundne IoT-løsninger.
Implementer en neural netværksmodel til udførelse af billedklassificering i realtid på en sikret, internetforbundet mikrocontrollerbaseret enhed (Azure Sphere). Beskriv komponenterne og trinnene til implementering af en færdiguddannet model til billedklassificering på Azure Sphere.
Udrul et Azure Sphere-enhedsprogram for at overvåge omgivelsernes betingelser for laboratorieforhold. Programmet overvåger lokalemiljøbetingelserne, opretter forbindelse til IoT Hub og sender telemetridata fra enheden til cloudmiljøet. Du skal styre kommunikation fra cloud til enhed og udføre handlinger efter behov.
Udrul et Azure Sphere-program for at overvåge omgivelserne for et laboratorium. Applikationen overvåger rummiljøet, forbinder til Azure IoT Central og sender telemetridata fra enheden til skyen. Du styrer cloud-til-enhed-kommunikation og foretager handlinger efter behov.
Byg en Azure IoT Edge billedgenkendelsesløsning til et selvbetjenings-scenarie. Den eksporterede Azure AI Custom Vision-klassifikationsmodel kører lokalt i et IoT Edge-modul, og Camera Capture-modulet kalder Azure Speech (via en Foundry-ressource) under kørsel for at syntetisere item-etiketter som lyd.
Brug et Live Video Analytics-modul på IoT Edge, og udrul en brugerdefineret Vision-maskinel indlæringsløsning på en IoT Edge-enhed. Løsningen identificerer tomrum i hylder. Kontrollér, at løsningen er installeret, og test din løsning fra et webprogram.
Gennemgå, hvordan en historisk Live Video Analytics on IoT Edge-løsning brugte Azure-ressourcer, IoT Edge-moduler, en YOLO-model og en webapp til at behandle kameravideo og validere objektdetektion ved kanten.