Notes
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
Ce modèle fournit une vue d’ensemble de l’implémentation d’une solution de détection basée sur l’IA pour analyser le trafic des visiteurs dans les magasins de détail. La solution génère des insights à partir d’actions réelles, à l’aide d’Azure, d’Azure Stack Hub et du Kit de développement d’IA Custom Vision.
Contexte et problème
Contoso Stores souhaite obtenir des informations sur la façon dont les clients reçoivent leurs produits actuels par rapport à la disposition du magasin. Ils ne peuvent pas placer le personnel dans chaque section et il est inefficace d’avoir une équipe d’analystes examiner les images de caméra d’un magasin entier. En outre, aucun de leurs magasins n’a suffisamment de bande passante pour diffuser des vidéos de toutes leurs caméras vers le cloud pour l’analyse.
Contoso souhaite trouver un moyen discret et respectueux de la vie privée de déterminer les données démographiques, la loyauté et les réactions de ses clients face aux affichages et aux produits en magasin.
Solution
Ce modèle d’analyse de la vente au détail utilise une approche hiérarchique pour effectuer des inférences en périphérie. Lorsque vous utilisez le Kit de développement d’IA Custom Vision, seules les images avec des visages humains sont envoyées pour analyse à un Azure Stack Hub privé qui exécute Azure Cognitive Services. Les données anonymes agrégées sont envoyées à Azure pour l’agrégation dans tous les magasins et visualisations dans Power BI. La combinaison de la périphérie et du cloud public permet à Contoso de tirer parti de la technologie IA moderne tout en restant en conformité avec ses stratégies d’entreprise et en respectant la confidentialité de ses clients.
Voici un résumé du fonctionnement de la solution :
- Le Kit de développement d’IA Custom Vision obtient une configuration à partir d’IoT Hub, qui installe le runtime IoT Edge et un modèle ML.
- Si le modèle voit une personne, il prend une photo et la télécharge dans le stockage Blob Azure Stack Hub.
- Le service Blobs déclenche une fonction Azure sur Azure Stack Hub.
- La fonction Azure appelle un conteneur avec l’API Visage pour obtenir des données démographiques et émotions de l’image.
- Les données sont anonymisées et envoyées à un cluster Azure Event Hubs.
- Le cluster Event Hubs envoie les données à Stream Analytics.
- Stream Analytics agrège les données et les envoie (push) à Power BI.
Composants
Cette solution utilise les composants suivants :
| Couche | Composant | Descriptif |
|---|---|---|
| Matériel dans le magasin | Kit de développement Custom Vision AI | Fournit un filtrage en magasin à l’aide d’un modèle ML local qui capture uniquement des images de personnes à des fins d’analyse. Provisionné et mis à jour en toute sécurité via IoT Hub. |
| Azur | Azure Event Hubs | Azure Event Hubs fournit une plateforme évolutive pour l’ingestion de données anonymisées qui s’intègre parfaitement à Azure Stream Analytics. |
| Azure Stream Analytics | Un travail Azure Stream Analytics agrège les données anonymisées et les regroupe dans des fenêtres de 15 secondes pour la visualisation. | |
| Microsoft Power BI | Power BI fournit une interface de tableau de bord facile à utiliser pour afficher la sortie d’Azure Stream Analytics. | |
| Azure Stack Hub | App Service | Le fournisseur de ressources App Service fournit une base pour les composants edge, notamment les fonctionnalités d’hébergement et de gestion pour les applications web/API et Functions. |
| Cluster du moteur Azure Kubernetes Service (AKS) | Le fournisseur de ressources AKS avec le cluster du moteur AKS déployé dans Azure Stack Hub fournit un moteur résilient et scalable pour exécuter le conteneur de l’API Visage. | |
| Azure Cognitive Services Conteneurs de l’API Visage | Le fournisseur de ressources Azure Cognitive Services avec les conteneurs de l’API Visage offre une détection démographique, émotionnelle et unique des visiteurs sur le réseau privé de Contoso. | |
| Stockage Blob | Les images capturées à partir du kit de développement d’intelligence artificielle sont chargées sur le stockage Blob Azure Stack Hub. | |
| Les fonctions Azure | Une fonction Azure s’exécutant sur Azure Stack Hub reçoit des données du stockage Blob et gère les interactions avec l’API Face. Il émet des données anonymisées dans un cluster Event Hubs situé dans Azure. |
Problèmes et considérations
Tenez compte des points suivants lors de la décision d’implémenter cette solution :
Extensibilité
Pour permettre à cette solution de s’adapter à plusieurs caméras et emplacements, vous devez vous assurer que tous les composants peuvent gérer la charge accrue. Vous devrez peut-être effectuer des actions telles que :
- Augmentez le nombre d’unités de streaming Stream Analytics.
- Effectuer un scale-out du déploiement de l’API Visage.
- Augmentez le débit du cluster Event Hubs.
- Pour les cas extrêmes, la migration d’Azure Functions vers une machine virtuelle peut être nécessaire.
Disponibilité
Étant donné que cette solution est hiérarchisée, il est important de réfléchir à la façon de gérer les défaillances réseau ou d’alimentation. Selon les besoins de l’entreprise, vous pouvez implémenter un mécanisme pour mettre en cache des images localement, puis transférer vers Azure Stack Hub lorsque la connectivité est retournée.
Gérabilité
Cette solution peut s’étendre sur de nombreux appareils et emplacements, ce qui peut être difficile à gérer. services IoT d’Azure peuvent être utilisés pour mettre automatiquement en ligne de nouveaux emplacements et appareils et les maintenir à jour.
Sécurité
Cette solution capture les images client, ce qui rend la sécurité primordiale. Assurez-vous que tous les comptes de stockage sont sécurisés avec les stratégies d’accès appropriées et effectuez régulièrement la rotation des clés. Assurez-vous que les comptes de stockage et Event Hubs ont des stratégies de rétention qui répondent aux réglementations de confidentialité de l’entreprise et du gouvernement. Veillez également à hiérarchiser les niveaux d’accès utilisateur. La hiérarchisation garantit que les utilisateurs n’ont accès qu’aux données dont ils ont besoin pour leur rôle.
Étapes suivantes
Pour en savoir plus sur les rubriques introduites dans cet article :
- Consultez le modèle de données hiérarchisé, qui est utilisé par le patron de détection de la fréquentation.
- Pour plus d’informations sur l’utilisation de la vision personnalisée, consultez le kit de développement d’IA Custom Vision .
Lorsque vous êtes prêt à tester l’exemple de solution, poursuivez avec le Guide de déploiement de la solution de détection des pas. Le guide de déploiement fournit des instructions pas à pas pour déployer et tester ses composants.