KI-Edge-Entwickler
Auf einen Blick
-
Ebene
-
Skill
-
Subject
Das Zusammenspiel zwischen KI, Cloud und Edge ist eine sich rasch entwickelnde Domäne. Aktuell basieren viele IoT-Lösungen auf grundlegenden Telemetriedaten. Die Telemetriefunktion erfasst Daten von Edgegeräten und speichert sie in einem Datenspeicher. Unser Ansatz geht über die grundlegende Telemetrie hinaus. Wir möchten Probleme in der realen Welt durch Algorithmen des maschinellen Lernens und Deep Learning-Algorithmen abbilden und das Modell über KI und die Cloud auf Edgegeräten implementieren. Das Modell wird in der Cloud trainiert und auf dem Edgegerät bereitgestellt. Die Bereitstellung im Edge-Bereich bietet eine Feedbackschleife zur Verbesserung des Geschäftsprozesses (digitale Transformation).
In diesem Lernpfad arbeiten wir mit einem interdisziplinären Engineeringansatz. Wir möchten eine Standardvorlage für viele komplexe Bereiche der KI-Bereitstellung auf Edgegeräten erstellen, z. B. für Drohnen, autonome Fahrzeuge usw. In diesem Lernpfad werden Implementierungsstrategien für eine sich entwickelnde Landschaft komplexer KI-Anwendungen dargestellt. Container sind für diese Vorgehensweise von zentraler Bedeutung. Wenn Container auf Edge-Geräten bereitgestellt werden, können sie Bereitstellungsumgebungen für eine Vielzahl unterschiedlicher Hardware kapseln. CiCd (Continuous Integration/Continuous Deployment) stellt eine logische Erweiterung für die Bereitstellung von Containern auf Edgegeräten dar. In zukünftigen Modulen in diesem Lernpfad werden unter Umständen weitere Techniken wie serverloses Computing und die Bereitstellung auf Mikrocontrollereinheiten eingeführt.
Der von Ingenieuren geleitete Ansatz untermauert Themen bzw. Pädagogiken für die Ingenieurausbildung, z. B.
- Systemdenken
- Experimentieren und Probleme lösen
- Verbessern durch Experimentieren
- Bereitstellung und Analyse mittels Testen
- Einfluss auf andere Entwicklungsdomänen
- Vorhersagen des Verhaltens anderer Komponenten oder des Systems
- Überlegungen zum Entwurf
- Arbeiten mit Einschränkungen/Toleranzen und bestimmten Betriebsbedingungen, einschließlich Geräteeinschränkungen
- Sicherheits- und Schutzüberlegungen
- Erstellen von Tools, die Unterstützung beim Erstellen der Lösung bieten
- Verbesserung von Prozessen durch den Einsatz von Edge (IoT), um eine Analyse-Feedbackschleife für den Geschäftsprozess bereitzustellen und so Prozesse voranzutreiben.
- Der soziale Einfluss des Engineering
- Der ästhetische Einfluss von Entwürfen und Engineering
- Bereitstellungen im großen Maßstab
- Lösen komplexer Geschäftsprobleme durch End-to-End-Bereitstellung von KI, Edge und Cloud
Letztendlich können KI-, Cloud- und Edge-Technologien, die als Container im CiCd-Modus bereitgestellt werden, ganze Branchen transformieren, indem sie ein branchenspezifisches und selbstlernendes Ökosystem generieren, das die gesamte Wertkette umfasst. Wir möchten solche Vorlagen bzw. Methoden für die Bereitstellung von KI auf Edgegeräte im Cloudkontext entwerfen. Dieser Lernpfad umfasst Folgendes:
- Informationen zur Erstellung von Lösungen mit IoT und der Cloud
- Verstehen des Prozesses der Bereitstellung von IoT-basierten Lösungen auf Edge-Geräten
- Den Prozess des Implementierens von Modellen auf Edge-Geräten mithilfe von Containern lernen
- Erkunden der Verwendung von DevOps für Edgegeräte
Voraussetzungen
Keine
Erste Schritte mit Azure
Wählen Sie das für Sie geeignete Azure-Konto aus. Nutzen Sie die Vorausbezahlung, oder testen Sie Azure kostenlos für bis zu 30 Tage. Registrieren Sie sich.
Erfolgscode
Möchten Sie einen Erfolgscode beantragen?
Module in diesem Lernpfad
Bewerten Sie die Eigenschaften von Azure IoT Hub und ermitteln Sie Szenarios für die Verwendung von IoT Hub.
Erläutern der wesentlichen Merkmale von IoT Edge und der Funktionalität ihrer Komponenten (Module, Laufzeit und Cloudschnittstelle). Charakterisieren Sie die Probleme, die Sie mit IoT Edge lösen können. Beschreiben Sie, wie die Elemente von IoT Edge kombiniert werden können, um das Bereitstellungsproblem von IoT-Anwendungen in der Cloud zu lösen.
In diesem Modul stellen Sie ein vorgefertigtes Temperatursimulatormodul mithilfe eines Containers auf einem IoT Edge-Gerät bereit. Sie überprüfen, ob das Modul erfolgreich erstellt und bereitgestellt wurde, und zeigen simulierte Daten an.
In diesem Modul implementieren Sie einen Cognitive Services-Dienst zum Durchführen einer Sprachenerkennung auf einem IoT Edge-Gerät. Außerdem werden die Komponenten und Schritte für das Implementieren eines Cognitive Services-Diensts auf einem IoT Edge-Gerät beschrieben.
Hier analysieren Sie die Bedeutung von MLOps bei der Entwicklung und Bereitstellung von Machine Learning-Modellen für IoT Edge. Außerdem werden die Komponenten der MLOps-Pipeline beschrieben und Sie erfahren, wie Sie diese zum Erstellen von Modellen kombinieren können, die für IoT Edge-Geräte automatisch erneut trainiert werden können.
Hier definieren Sie eine Lösung für eine Feuerprobe für virtuelle Azure IoT Edge-Geräte. Ihre Lösung verwendet eine CI/CD (Continuous Integration/ Continuous Deployment)-Strategie mithilfe von Azure DevOps und Azure Pipelines auf einem Kubernetes-Cluster.
Bestimmen Sie die Geschäftsprobleme, die mit Azure Sphere gelöst werden können. Erläutern Sie die Funktionen und Komponenten (Mikrocontrollereinheit, Betriebssystem, cloudbasierter Sicherheitsdienst) für Azure Sphere. Beschreiben Sie, wie die Komponenten eine sichere Plattform für die Entwicklung, die Bereitstellung und die Wartung sicherer IoT-Lösungen bieten, die mit dem Internet verbunden sind.
Implementieren eines neuronalen Netzwerkmodells zum Ausführen der Bildklassifizierung in Echtzeit auf einem sicheren, mit dem Internet verbundenen und auf einem Mikrocontroller basierenden Gerät (Azure Sphere). Beschreiben Sie die Komponenten und Schritte zum Implementieren eines vorab trainierten Bildklassifizierungsmodells in Azure Sphere.
Stellen Sie eine Azure Sphere-Geräteanwendung bereit, um Umgebungsbedingungen für Laborbedingungen zu überwachen. Die Anwendung überwacht die Umgebungsbedingungen in Räumen, stellt eine Verbindung mit IoT Hub her und sendet Telemetriedaten vom Gerät an die Cloud. Sie steuern die Kommunikation zwischen Cloud und Gerät und agieren bei Bedarf.
Stellen Sie eine Azure Sphere-Anwendung bereit, um Umgebungsbedingungen für ein Labor zu überwachen. Die Anwendung überwacht die Raumumgebung, stellen eine Verbindung mit Azure IoT Central her und senden Telemetriedaten vom Gerät an die Cloud. Sie steuern die Kommunikation über die Cloud zu Geräten und führen bei Bedarf Aktionen aus.
Erstellen Sie eine Azure IoT Edge Bilderkennungslösung für ein Self-Checkout-Szenario. Das exportierte Azure KI Custom Vision Klassifizierungsmodell wird lokal in einem IoT Edge Modul ausgeführt, und das Kamera-Aufnahme-Modul ruft bei der Ausführung Azure Speech (über eine Foundry-Ressource) auf, um Elementbeschriftungen als Audio zu synthetisieren.
Verwenden Sie ein Live Video Analytics-Modul in IoT Edge, und stellen Sie eine Custom Vision-Lösung für maschinelles Lernen auf einem IoT Edge-Gerät bereit. Die Lösung identifiziert Lücken in Verkaufsregalen. Überprüfen Sie, ob die Lösung erfolgreich bereitgestellt wurde, und testen Sie Ihre Lösung in einer Webanwendung.
Sehen Sie sich an, wie eine frühere Lösung für Live Video Analytics on IoT Edge Azure-Ressourcen, IoT Edge-Module, ein YOLO-Modell und eine Web-App verwendet hat, um Kameravideos zu verarbeiten und die Objekterkennung am Edge zu validieren.