Lösungsmöglichkeiten
Dieser Artikel ist ein Lösungsvorschlag. Wenn Sie möchten, dass wir diesen Artikel um weitere Informationen ergänzen, z. B. potenzielle Anwendungsfälle, alternative Dienste, Überlegungen zur Implementierung oder Preisempfehlungen, lassen Sie es uns über Feedback auf GitHub wissen.
Diese Architektur zeigt, wie Sie Ihr trainiertes KI-Modell mit Azure Stack Hub zum Edge bringen und in Ihre Anwendungen integrieren, um KI mit geringer Latenz zu erzielen.
Aufbau
Laden Sie eine Visio-Datei dieser Architektur herunter.
Datenfluss
- Daten werden mithilfe von Azure Data Factory verarbeitet, die auf Azure Data Lake platziert werden sollen.
- Daten aus Azure Data Factory werden in die Azure Data Lake Storage für das Training eingefügt.
- Data Scientists trainieren ein Modell mithilfe von Azure Machine Learning. Das Modell wird containerisiert und in eine Azure Container Registry eingefügt.
- Das Modell wird in einem Kubernetes-Cluster in Azure Stack Hub bereitgestellt.
- Die lokale Webanwendung kann verwendet werden, um Daten zu bewerten, die vom Endbenutzer bereitgestellt werden, um gegen das Modell zu bewerten, das im Kubernetes-Cluster bereitgestellt wird.
- Endbenutzer stellen Daten bereit, die anhand des Modells bewertet werden.
- Erkenntnisse und Anomalien aus der Bewertung werden in eine Warteschlange gestellt.
- Eine Funktions-App wird ausgelöst, sobald Bewertungsinformationen in der Warteschlange platziert werden.
- Eine Funktion sendet kompatible Daten und Anomalien an Azure Storage.
- Global relevante und kompatible Erkenntnisse stehen für den Verbrauch in Power BI und einer globalen App zur Verfügung.
- Feedbackschleife: Das Neutrainieren des Modells kann nach einem Zeitplan ausgelöst werden. Die wissenschaftlichen Fachkräfte für Daten arbeiten an der Optimierung. Das verbesserte Modell wird als Update der Containerregistrierung bereitgestellt und containerisiert.
Komponenten
Die wichtigsten für die Implementierung dieser Architektur verwendeten Technologien sind:
- Azure Machine Learning: Erstellen, Bereitstellen und Verwalten von Predictive Analytics-Lösungen
- Azure Data Factory: Aufnehmen von Daten in Azure Data Factory.
- Azure Data Lake Storage: Laden von Daten in Azure Data Lake Storage Gen2 mit Azure Data Factory
- Containerregistrierung: Speichern und Verwalten von Containerimages für alle Arten von Azure-Bereitstellungen
- Azure Kubernetes Service (AKS): Vereinfachen der Bereitstellung, der Verwaltung und des Betriebs von Kubernetes.
- Azure Storage: Dauerhafter, hoch verfügbarer und in hohem Maße skalierbarer Cloudspeicher.
- Azure Stack Hub: Erstellen und Ausführen innovativer Hybridanwendungen über die Grenzen der Cloud hinaus.
- Azure Functions: Ereignisgesteuerte serverlose Compute-Einheit für bedarfsgesteuerte Aufgaben, die ausgeführt wird, ohne dass der Computing-Server gewartet werden muss.
- App Service: Pfad, der Endbenutzer-Feedbackdaten erfasst, um die Modelloptimierung zu ermöglichen.
Szenariodetails
Mit den Azure KI-Tools, Edge und Cloudplattform, lässt sich Edge Intelligence realisieren. Die nächste Generation von KI-fähigen Hybridanwendungen kann dort ausgeführt werden, wo sich Ihre Daten befinden. Übertragen Sie mit Azure Stack Hub ein trainiertes KI-Modell zum Edge, integrieren Sie es in Ihre Anwendungen für Intelligence mit geringer Wartezeit, und leiten Sie kontinuierliches Feedback in ein optimiertes KI-Modell, um verbesserte Genauigkeit zu erzielen, ohne dass Sie dabei Tool- oder Prozessänderungen für lokale Anwendungen durchführen müssten. Dieser Lösungsansatz zeigt ein verbundenes Stack Hub-Szenario, in dem Edgeanwendungen mit Azure verbunden werden. Eine Version dieses Szenarios mit getrenntem Edge finden Sie im Artikel KI am Edge – getrennt.
Mögliche Anwendungsfälle
Es gibt eine Vielzahl von Edge AI-Anwendungen, die Informationen in Echtzeit überwachen und bereitstellen. Bereiche, in denen Edge AI helfen kann:
- Prozess der Sicherheitskameraerkennung.
- Bild- und Videoanalyse (Medien- und Unterhaltungsbranche).
- Transport und Verkehr (Automobil- und Mobilitätsbranche).
- Fertigung
- Energie (intelligente Energieversorgung).
Nächste Schritte
- Sie möchten mehr erfahren? Sehen Sie sich die Einführung in das Azure Stack-Modul an
- Erhalten der Zertifizierung durch Microsoft für Azure Stack Hub mit der Azure Stack Hub-Operator Associate-Zertifizierung
- Installieren der AKS-Engine unter Linux in Azure Stack Hub
- Installieren der AKS-Engine unter Windows in Azure Stack Hub
- Bereitstellen Ihrer Machine Learning-Modelle auf einem Edge-Gerät mit Azure Stack Edge-Geräten
- Weitere Innovationen durch Bereitstellen von Azure KI Services-Containern (Speech, Sprache, Entscheidungsfindung, maschinelles Sehen) in Azure Stack Hub
Weitere Informationen zu den in dieser Lösung verwendeten Azure-Diensten finden Sie in den folgenden Artikeln und Beispielen:
- App Service-Dokumentation
- Azure Data Lake Storage Gen2
- Dokumentation zu Azure Kubernetes Service (AKS)
- Azure Machine Learning-Dokumentation
- Azure Stack Hub-Dokumentation
- Azure Stack Hub-Bereitstellungsoptionen
- Dokumentation zu Container Registry
- Speicherdokumentation
- Azure-Beispiele: Azure Stack Hub Foundation (auf GitHub)
- Dokumentation zu Hybrid- und Multicloudmustern und -lösungen von Azure
Zugehörige Ressourcen
Weitere Informationen finden Sie in den folgenden Artikeln zur Architektur: