Insinyur Kecerdasan Buatan Tepi
Sekilas
-
Tingkat
-
Keahlian
-
Peran
-
Subjek
Hubungan saling memengaruhi antara AI, cloud, dan tepi adalah domain yang berkembang pesat. Saat ini, banyak solusi IoT didasarkan pada telemetri dasar. Fungsi telemetri menangkap data dari perangkat edge dan menyimpannya di penyimpanan data. Pendekatan kami melampaui telemetri dasar. Kami bertujuan untuk memodelkan masalah di dunia nyata melalui pembelajaran mesin dan algoritme pembelajaran mendalam dan mengimplementasikan model tersebut melalui AI dan awan (Cloud) ke perangkat edge. Model ini dilatih di cloud dan dideploy pada perangkat edge. Penyebaran ke edge menyediakan siklus umpan balik untuk meningkatkan proses bisnis (transformasi digital).
Dalam jalur pembelajaran ini, kami mengambil pendekatan teknik interdisiplin. Kami berkeinginan untuk membuat templat standar untuk banyak area kompleks untuk penyebaran AI pada tepian perangkat seperti Drone, kendaraan Otonom dll. Jalur pembelajaran menyajikan strategi implementasi untuk lanskap aplikasi AI yang kompleks yang terus berkembang. Kontainer adalah pusat pendekatan ini. Ketika diterapkan ke perangkat edge, kontainer dapat mengemas lingkungan penerapan untuk berbagai perangkat keras yang beraneka ragam. CICD (Integrasi berkelanjutan - penyebaran berkelanjutan) adalah ekstensi logis untuk menyebarkan kontainer di perangkat edge. Dalam modul di masa depan dalam jalur pembelajaran ini, kita dapat menyertakan teknik lain seperti komputasi tanpa server dan penyebaran pada Unit Mikrokontrol.
Pendekatan yang dipimpin oleh rekayasa mendasari tema/pedagogi untuk pendidikan teknik seperti
- Pemikiran sistem
- Pencobaan dan Pemecahan Masalah
- Meningkatkan melalui pencobaan
- Penyebaran dan analisis melalui pengujian
- Dampak pada domain rekayasa lainnya
- Memperkirakan perilaku komponen atau sistem
- Pertimbangan Desain
- Bekerja dalam batasan/toleransi dan kondisi operasi tertentu termasuk batasan perangkat
- Pertimbangan keselamatan dan keamanan
- Alat bangunan yang membantu menciptakan solusi
- Meningkatkan proses - Menggunakan komputasi edge (IoT) untuk memberikan umpan balik analitik ke proses bisnis guna meningkatkan proses.
- Dampak sosial dari teknik
- Dampak estetika rancangan dan teknik
- Penyebaran dalam skala besar
- Memecahkan masalah bisnis yang kompleks dengan implementasi AI, edge, dan cloud secara end-to-end.
Pada akhirnya, teknologi AI, cloud, dan edge yang diterapkan sebagai wadah dalam mode CICD dapat mengubah seluruh industri dengan menciptakan ekosistem pembelajaran mandiri khusus industri yang mencakup seluruh rantai nilai. Kami ingin merancang sekumpulan templat/metodologi untuk penyebaran AI ke perangkat tepian dalam konteks awan. Dalam jalur pembelajaran ini, Anda akan:
- Pelajari tentang membuat solusi menggunakan IoT dan awan
- Memahami proses penyebaran solusi berbasis IoT pada perangkat edge
- Pelajari proses penerapan model ke perangkat edge menggunakan kontainer
- Jelajahi penggunaan DevOps untuk perangkat edge
Prasyarat
Tidak
Mulai menggunakan Azure
Pilih akun Azure yang tepat untuk Anda. Prabayar atau coba Azure gratis hingga 30 hari. Daftar.
Kode Prestasi
Apakah Anda ingin meminta kode prestasi?
Modul dalam jalur pembelajaran ini
Menilai karakteristik Azure IoT Hub dan menentukan skenario kapan harus menggunakan IoT Hub.
Jelaskan karakteristik penting IoT Edge dan fungsionalitas komponennya (modul, runtime, dan antarmuka cloud). Tentukan jenis masalah yang dapat Anda selesaikan dengan IoT Edge. Menjelaskan bagaimana elemen IoT Edge dapat digabungkan untuk memecahkan masalah penyebaran aplikasi IoT di cloud.
Sebarkan modul simulator suhu bawaan ke perangkat IoT Edge menggunakan kontainer. Periksa apakah modul berhasil dibuat dan disebarkan dan lihat data simulasi.
Menerapkan layanan kognitif untuk melakukan deteksi bahasa pada perangkat IoT Edge. Menjelaskan komponen dan langkah-langkah untuk menerapkan layanan kognitif pada perangkat IoT Edge.
Analisis pentingnya MLOps dalam pengembangan dan penyebaran model pembelajaran mesin untuk IoT Edge. Menjelaskan komponen alur MLOps dan menunjukkan bagaimana Anda dapat menggabungkannya untuk membuat model yang dapat dilatih ulang secara otomatis untuk perangkat IoT Edge.
Tentukan solusi untuk pengujian smoke pada perangkat Azure IoT Edge virtual. Solusi Anda menggunakan strategi CI/CD (integrasi berkelanjutan/penyebaran berkelanjutan) menggunakan Azure DevOps dan Azure Pipelines pada kluster Kubernetes.
Tentukan jenis masalah bisnis yang dapat diselesaikan menggunakan Azure Sphere. Menjelaskan kemampuan dan komponen (unit mikrokontroler, sistem operasi, layanan keamanan berbasis cloud) untuk Azure Sphere. Menjelaskan bagaimana komponen menyediakan platform yang aman untuk mengembangkan, menyebarkan, dan memelihara solusi IoT yang terhubung ke internet dengan aman.
Menerapkan model jaringan neural untuk melakukan klasifikasi gambar secara real time pada perangkat berbasis mikrokontroler yang terhubung ke internet dan aman (Azure Sphere). Menjelaskan komponen dan langkah-langkah untuk menerapkan model klasifikasi gambar terlatih di Azure Sphere.
Sebarkan aplikasi perangkat Azure Sphere untuk memantau kondisi sekitar untuk mengetahui kondisi laboratorium. Aplikasi akan memantau kondisi lingkungan ruangan, terhubung ke IoT Hub, dan mengirim data telemetri dari perangkat ke cloud. Anda akan mengontrol komunikasi cloud-ke-perangkat dan melakukan tindakan yang diperlukan.
Sebarkan aplikasi Azure Sphere untuk memantau kondisi sekitar di laboratorium. Aplikasi memantau lingkungan ruangan, terhubung ke Azure IoT Central, dan mengirim data telemetri dari perangkat ke cloud. Anda mengontrol komunikasi cloud-ke-perangkat dan melakukan tindakan sesuai kebutuhan.
Buat solusi pengenalan gambar Azure IoT Edge untuk skenario pembayaran mandiri. Model klasifikasi Azure AI Custom Vision yang diekspor berjalan secara lokal dalam modul IoT Edge, dan modul Camera Capture memanggil Azure Speech (melalui sumber daya Foundry) pada runtime untuk mensintesis label item sebagai audio.
Menggunakan modul Analitik Video Langsung di IoT Edge dan menyebarkan solusi pembelajaran mesin Custom Vision ke perangkat IoT Edge. Solusinya akan mengidentifikasi ruang kosong di rak. Memeriksa apakah solusi berhasil disebarkan dan menguji solusi Anda dari aplikasi web.
Tinjau bagaimana solusi Live Video Analytics pada IoT Edge terdahulu menggunakan sumber daya Azure, modul IoT Edge, model YOLO, dan aplikasi web untuk memproses video kamera serta memvalidasi deteksi objek di edge.