Editar

Inteligencia artificial en el perímetro con Azure Stack Hub

Azure Container Registry
Azure Kubernetes Service (AKS)
Azure Machine Learning
Azure Stack Hub

Ideas de solución

Este artículo es una idea de solución. Si te gustaría que ampliemos este artículo con más información, como posibles casos de uso, servicios alternativos, consideraciones de implementación o una guía de precios, comunícalo a través de los Comentarios de GitHub.

Esta arquitectura muestra cómo puede incorporar su modelo de IA entrenado al perímetro con Azure Stack Hub e integrarlo con sus aplicaciones para ofrecer una inteligencia de baja latencia.

Architecture

Diagrama de arquitectura en el que se muestra una aplicación habilitada para IA que se ejecuta en el perímetro con Azure Stack Hub.

Descargue un archivo Visio de esta arquitectura.

Flujo de datos

  1. Los datos se procesan mediante Azure Data Factory y se colocarán en Azure Data Lake.
  2. Los datos de Azure Data Factory se colocan en Azure Data Lake Storage para el entrenamiento.
  3. Los científicos de datos entrenan un modelo con Azure Machine Learning. El modelo se incluye en contenedores y se coloca en una instancia de Azure Container Registry.
  4. El modelo se implementa en un clúster de Kubernetes en Azure Stack Hub.
  5. La aplicación web local se puede usar para puntuar los datos proporcionados por el usuario final, para puntuar con el modelo implementado en el clúster de Kubernetes.
  6. Los usuarios finales proporcionan datos que se puntúan con respecto al modelo.
  7. Tanto la información detallada como las anomalías de la puntuación se ponen en una cola.
  8. Se desencadena una aplicación de funciones una vez que la información de puntuación se coloca en la cola.
  9. Una función envía los datos compatibles y las anomalías a Azure Storage.
  10. Las conclusiones pertinentes globales y compatibles están disponibles para su consumo en Power BI y en una aplicación global.
  11. Bucle de comentarios: el nuevo entrenamiento del modelo se puede desencadenar según una programación. Los científicos de datos trabajan en la optimización. El modelo mejorado se implementa y se incluye en un contenedor como una actualización del registro de contenedor.

Componentes

Tecnologías clave que se usan para implementar esta arquitectura:

  • Azure Machine Learning: creación, implementación y administración de soluciones de análisis predictivo.
  • Azure Data Factory: ingesta de datos en Azure Data Factory.
  • Azure Data Lake Storage: carga de datos en Azure Data Lake Storage Gen2 con Azure Data Factory.
  • Container Registry (Registro de contenedor): Almacene y administre imágenes de contenedor en todos los tipos de implementaciones de Azure.
  • Azure Kubernetes Service (AKS): Simplifique la implementación, la administración y las operaciones de Kubernetes.
  • Azure Storage: almacenamiento en la nube duradero, de alta disponibilidad y escalable de forma masiva.
  • Azure Stack Hub: creación y ejecución de aplicaciones híbridas innovadoras en los límites de la nube.
  • Azure Functions: unidad de proceso sin servidor basada en eventos para las tareas a petición que se ejecutan sin necesidad de mantener el servidor de proceso.
  • Azure App Service: ruta de acceso que captura los datos de comentarios de usuario final para permitir la optimización de los modelos.

Detalles del escenario

Con las herramientas de Azure AI, Edge y la plataforma de nube, es posible la inteligencia perimetral. La próxima generación de aplicaciones híbridas habilitadas para la inteligencia artificial puede ejecutarse allá donde se encuentren los datos. Con Azure Stack Hub, puede incorporar en el perímetro un modelo de inteligencia artificial entrenado, integrarlo con las aplicaciones para ofrecer una inteligencia de baja latencia y recibir datos continuamente para mejorar la precisión del modelo de IA, y todo ello sin tener que cambiar las herramientas ni los procesos en las aplicaciones locales. La idea de esta solución muestra un escenario de Stack Hub conectado, donde las aplicaciones perimetrales se conectan a Azure. Para obtener la versión desconectada de este escenario, consulte el artículo Inteligencia artificial en el perímetro: desconectado.

Posibles casos de uso

Hay una amplia gama de aplicaciones de Edge AI que supervisan y proporcionan información casi en tiempo real. Áreas en las que Edge AI puede ayudar son:

  • Procesos de detección de cámaras de seguridad
  • Análisis de imágenes y vídeos (sector del entretenimiento y multimedia).
  • Transporte y tráfico (sector automotriz y de movilidad).
  • Fabricación.
  • Energía (redes eléctricas inteligentes)

Pasos siguientes

Para más información sobre los servicios de Azure destacados, consulte los siguientes artículos y ejemplos:

Consulte las siguientes arquitecturas relacionadas: