Ingénieur IA de périphérie

Débutant
Ingénieur IA
Data Scientist
Azure
Azure IoT
Azure Cloud Shell
Azure Container Instances
Azure Container Registry
Azure IoT Edge
Azure IoT Hub
Azure Machine Learning
Azure Resource Manager
Machines virtuelles Azure

L’interaction entre l’IA, le cloud et la périphérie est un domaine qui évolue rapidement. À l’heure actuelle, de nombreuses solutions IoT sont basées sur la télémétrie de base. La fonction de télémétrie capture les données des appareils de périphérie et les stocke dans un magasin de données. Notre approche va au-delà de la télémétrie de base. Nous souhaitons modéliser des problèmes concrets au moyen d’algorithmes de Machine Learning et de Deep Learning, et implémenter le modèle obtenu grâce à l’IA et au cloud sur des appareils de périphérie. Le modèle est entraîné dans le cloud et déployé sur l’appareil de périphérie. Le déploiement en périphérie fournit une boucle de rétroaction qui permet d’améliorer le processus métier (transformation numérique).

Dans ce parcours d’apprentissage, nous suivons une approche d’ingénierie interdisciplinaire. Notre but est de créer un modèle standard applicable à de nombreux domaines complexes pour le déploiement de l’IA sur des appareils de périphérie (drones, véhicules autonomes, etc.). Le parcours d’apprentissage présente des stratégies d’implémentation destinées au paysage en constante évolution des applications IA complexes. Les conteneurs sont au cœur de cette approche. Déployés sur des appareils de périphérie, les conteneurs peuvent encapsuler des environnements de déploiement pour une vaste gamme de matériels. CICD (intégration continue-déploiement continu) est une extension logique permettant de déployer des conteneurs sur des appareils de périphérie. Dans les futurs modules de ce parcours d’apprentissage, nous inclurons peut-être d’autres techniques comme l’informatique serverless et le déploiement sur des microcontrôleurs.

Notre approche axée sur l’ingénierie sous-tend plusieurs thèmes/pédagogies nécessaires à la formation des ingénieurs :

  • Pensée systémique
  • Expérimentation et résolution de problèmes
  • Amélioration des résultats par expérimentation
  • Déploiement et analyse au moyen de tests
  • Impact sur d’autres domaines d’ingénierie
  • Prévision du comportement d’un composant ou système
  • Considérations en matière de conception
  • Utilisation de contraintes/tolérances et de conditions de fonctionnement spécifiques (par exemple, contraintes liées aux appareils)
  • Considérations en matière de sécurité
  • Outils de création facilitant la génération de solutions
  • Utilisation d’appareils de périphérie (IoT) pour fournir une boucle de rétroaction analytique au processus métier dans le but d’améliorer et de piloter les processus
  • Impact sociétal de l’ingénierie
  • Impact esthétique de la conception et de l’ingénierie
  • Déploiements à grande échelle
  • Résolution de problèmes métier complexes grâce au déploiement de bout en bout de technologies d’IA, de périphérie et cloud

En fin de compte, les technologies d’IA, de périphérie et cloud déployées en tant que conteneurs en mode CICD peuvent transformer des secteurs d’activité entiers en créant, pour chaque secteur, un écosystème en auto-apprentissage englobant toute la chaîne de valeur. Nous aspirons à concevoir un tel ensemble de modèles/méthodologies pour déployer l’IA vers les appareils de périphérie dans le contexte du cloud. Dans ce parcours d’apprentissage, vous allez :

  • Apprendre à créer des solutions utilisant IoT et le cloud
  • Comprendre comment déployer des solutions IoT sur des appareils de périphérie
  • Découvrir comment implémenter des modèles sur des appareils de périphérie à l’aide de conteneurs
  • Explorer l’utilisation de DevOps pour les appareils de périphérie

Produit en partenariat avec l’Université d’Oxford – Cours d’Ajit Jaokar, Intelligence artificielle : implémentations cloud et périphériques.

Prérequis

Aucun

Modules de ce parcours d’apprentissage

Définissez les types de processus métier auxquels Azure IoT peut apporter de la valeur. Interrogez des services Azure IoT tels que IoT Hub et IoT Central qui permettent de créer des solutions IoT.

Évaluez les caractéristiques d’Azure IoT Hub et déterminez les scénarios d’utilisation d’IoT Hub.

Expliquez les caractéristiques principales d’IoT Edge et les fonctionnalités des composants d’IoT Edge (modules, runtime et interface cloud). Caractérisez les types de problèmes que vous pouvez résoudre avec IoT Edge. Décrivez comment les éléments d’IoT Edge peuvent être combinés pour résoudre le problème du déploiement d’applications IoT dans le cloud.

Déployez un module de simulateur de température prédéfini sur un appareil IoT Edge à l’aide d’un conteneur. Vérifiez que le module a été correctement créé et déployé, puis affichez des données simulées.

Évaluez les caractéristiques des fonctions Azure pour IoT. Décrivez le rôle des déclencheurs et des liaisons et montrez comment les combiner pour créer une solution IoT scalable. Décrivez les avantages qu’offre l’utilisation d’une infrastructure cloud pour déployer rapidement des applications IoT avec Azure Functions.

Créez et déployez une fonction Azure pour créer un appareil IoT de traduction linguistique. La fonction utilise le service Speech cognitif. Votre appareil enregistre une voix dans une langue étrangère et convertit la parole dans une langue cible.

Implémentez un service Cognitive Services pour détecter la langue d’un appareil IoT Edge. Découvrez les composants à utiliser et les étapes à suivre pour implémenter un service Cognitive Services sur un appareil IoT Edge.

Ce module analyse l’importance de MLOps dans le développement et le déploiement de modèles Machine Learning pour IoT Edge. Il décrit les différents composants du pipeline MLOps et vous montre comment les combiner afin de créer des modèles pouvant être automatiquement réentraînés pour des appareils IoT Edge.

Définissez une solution pour effectuer des tests de détection de fumée sur des appareils Azure IoT Edge virtuels. Votre solution utilise une stratégie CI/CD (intégration continue/déploiement continu) avec Azure DevOps et Azure Pipelines sur un cluster Kubernetes.

Déterminez les types de problèmes métier qui peuvent être résolus avec Azure Sphere. Expliquez les fonctionnalités et les composants (unité de microcontrôleur, système d’exploitation, service de sécurité cloud) pour Azure Sphere. Décrivez comment les composants fournissent une plateforme sécurisée pour développer, déployer et maintenir des solutions IoT connectées à Internet et sécurisées.

Implémentez un modèle de réseau neuronal pour effectuer la classification d’images en temps réel sur un appareil sécurisé avec microcontrôleur et connecté à Internet (Azure Sphere). Décrivez les composants et les étapes à suivre pour implémenter un modèle de classification d’image préentraîné sur Azure Sphere.

Déployez une application d’appareil Azure Sphere pour superviser les conditions ambiantes d’un laboratoire. L’application supervise les conditions environnementales de la pièce, se connecte à IoT Hub et envoie les données de télémétrie de l’appareil au cloud. Vous contrôlez les communications cloud-à-appareil et entreprenez les actions nécessaires.

Déployez une application Azure Sphere pour superviser les conditions ambiantes pour un laboratoire. L’application supervise l’environnement de la pièce, se connecte à Azure IoT Central et envoie les données de télémétrie de l’appareil vers le cloud. Vous contrôlez les communications cloud-à-appareil et entreprenez les actions nécessaires.

Créez une solution de vision par ordinateur sur IoT Edge à l’aide d’Azure AI services et des services Azure Speech. L’application capture et identifie l’article scanné, puis elle convertit le nom de l’article en parole.

Utilisez un module Live Video Analytics sur IoT Edge et déployez une solution de machine learning Custom Vision sur un appareil IoT Edge. La solution va identifier les vides dans les rayons. Vérifiez que la solution a été déployée avec succès et testez votre solution à partir d’une application web.

Utilisez un module Live Video Analytics pour déployer une solution de Machine Learning sur un appareil IoT Edge. La solution traitera un flux vidéo provenant de caméras et détectera les objets en périphérie à l’aide d’un modèle YOLO pour effectuer des opérations d’inférence. Vérifiez que la solution a été déployée avec succès et testez votre solution à partir d’une application web.