編集

次の方法で共有

AI ベースの足取り検出

Azure Stack Hub
Azure Virtual Machines
Azure Virtual Network
Azure VPN Gateway

店舗レイアウトに関して、買い物客が現在の商品を受け取る方法についての分析情報を得る。

Architecture

ハイブリッド足音検知アーキテクチャを表示するアーキテクチャ図。

このアーキテクチャの Visio ファイルをダウンロードします。

データフロー

  1. Custom Vision AI Dev Kit は IoT Hub から構成を取得します。これにより IoT Edge ランタイムと ML モデルがインストールされます。
  2. モデルが人を認識すると、写真が撮影され、Azure Stack Hub BLOB ストレージにアップロードされます。
  3. Blob service によって Azure Stack Hub で Azure 関数がトリガーされます。
  4. Azure Function は、Face API のコンテナーを呼び出し、画像から人口統計データと感情データを取得します。
  5. このデータは匿名化され、Azure Event Hubs クラスターに送信されます。
  6. Event Hubs クラスターにより、データは Stream Analytics にプッシュされます。
  7. Stream Analytics によってデータが集計され、Power BI にプッシュされます。 Power BI には、Azure Stream Analytics からの出力を表示するための、使いやすいダッシュボード インターフェイスが用意されています。

コンポーネント

店舗内のハードウェア

  • Custom Vision AI Dev Kit は、分析のために人の画像のみをキャプチャするローカル ML モデルを使用して、店舗内のフィルター処理を実現します。 これは、IoT Hub によって安全にプロビジョニングおよび更新されます。

Azure

  • Azure Event Hubs は、シンプルで信頼性の高いスケーラブルなフル マネージドのリアルタイム データ インジェスト サービスです。 あらゆるソースから 1 秒あたり数百万のイベントをストリーム配信して、動的なデータ パイプラインを構築し、ビジネスの課題に直ちに対応します。
  • Azure Stream Analytics は、ミッション クリティカルなワークロードに向けて設計された、簡単に使用できるリアルタイム分析サービスです。 何もないところから実稼働までにかかる時間は数分です。 これは SQL であり、カスタム コードと組み込みの機械学習機能を使用して、より高度なシナリオ向けに簡単に拡張できます。
  • Microsoft Power BI は、組織全体に分析情報を配信できるビジネス分析ツールのスイートです。 数百のデータ ソースに接続でき、データの準備が簡素化され、即席の分析が促進されます。 整ったレポートを生成し、組織に公開して、Web やモバイル デバイスで使用できます。

Azure Stack Hub

  • Azure Stack Hub により Azure が拡大され、オンプレミス環境でアプリを実行できるようになり、データセンターで Azure サービスが提供されるようになります。
  • App Service リソースプロバイダー (RP) は、Web アプリ、API および Functions のホスティングや管理の機能を含む、エッジ コンポーネントの基盤を提供します。
  • Azure Kubernetes Service (AKS) エンジン。 AKS エンジン クラスターによる AKS RP は、Face API コンテナーを実行するスケーラブルで回復力のあるエンジンを提供するために、Azure Stack Hub にデプロイされています。
  • Face API コンテナー。 Azure Cognitive Services RP は、Face API コンテナーによって、人口統計、感情、および一意の訪問者の検出を提供します。
  • [Blob ストレージ]。 AI Dev Kit からキャプチャした画像は、Azure Stack Hub の BLOB ストレージにアップロードされます。
  • Azure Functions。 Azure Function は Azure Stack Hub で実行され、BLOB ストレージからの入力を受け取って、Face API との対話処理を管理します。 Azure に配置された Event Hubs クラスターに匿名化されたデータを発信します。

代替

Azure Stack Hub で実行する Azure Function は、優れたコンピューティング オプションです。 ただし、Azure App Service で実行するカスタム アプリなど、その他のコンピューティング オプションもあります。

シナリオの詳細

考えられるユース ケース

このソリューションでは、小売店の買い物客の動線を分析するための AI ベースの足取り検出アーキテクチャについて概要を説明します。 このソリューションでは、Azure、Azure Stack Hub、Custom Vision AI Dev Kit を使用することで、実際の行動から得られる分析情報を生成します。

このシナリオでは、すべてのセクションにスタッフを配置する必要はありません。また、アナリストのチームが店舗のすべてのカメラ映像を確認する必要もありません。 さらに、このソリューションでは、分析のためにすべてのカメラからクラウドにビデオをストリーミングするための十分な帯域幅を店舗に要求することもありません。 このソリューションでは、顧客の人口統計、ロイヤルティ、および店舗のディスプレイや商品に対する反応を判断するために、控えめでプライバシーに配慮した方法を実現します。

考慮事項

以降の考慮事項には、ワークロードの品質向上に使用できる一連の基本原則である Azure "Well-Architected Framework" の要素が組み込まれています。 詳細については、「Microsoft Azure Well-Architected Framework」を参照してください。

[信頼性]

このソリューションは階層化されているため、ネットワークや電源の障害に対処する方法を検討しておく必要があります。 Microsoft Azure Well Architected Framework (WAF) から、「回復性と依存関係」、「Azure アプリケーションで信頼性を設計するためのベスト プラクティス」、「Azure Stack Hub と信頼性」を参照して、ソリューションの信頼性を向上してください。

ビジネス ニーズによっては、ローカルに画像をキャッシュし、接続が回復したときに Azure Stack Hub に転送するメカニズムを実装したい場合があります。 その場所に余裕がある場合は、Face API コンテナーを備えた Data Box Edge をデプロイします。

セキュリティ

セキュリティは、重要なデータやシステムの意図的な攻撃や悪用に対する保証を提供します。 詳細については、「セキュリティの重要な要素の概要」を参照してください。

このソリューションでは、顧客の画像をキャプチャするため、セキュリティが最も重要な考慮事項になります。 WAF のデータ保護を参照して、ストレージ アカウントのセキュリティを適切なアクセス ポリシーの構成やキーの定期的なローテーションなどで確保してください。 ストレージ アカウントと Event Hubs に、企業および政府のプライバシー規制に準拠したデータ保持ポリシーがあることを確認します。

ID とアクセス管理によってセキュリティを確保して、ユーザー アクセス レベルを確実に階層化します。 階層化により、ユーザーは自分の役割に必要なデータにのみアクセスできるようになります。

オペレーショナル エクセレンス

オペレーショナル エクセレンスは、アプリケーションをデプロイし、それを運用環境で実行し続ける運用プロセスをカバーします。 詳細については、「オペレーショナル エクセレンスの重要な要素の概要」を参照してください。

監視と診断は非常に重要です。 クラウド アプリケーションは、リモートのデータセンターで実行されます。そのインフラストラクチャやオペレーティング システムを完全に制御することはできません。 Azure Stack Hub の Azure Monitor を使用して、メトリックとログの視覚化、クエリ、ルーティングなどのアクションを実行します。 クラウド アプリケーションの操作の監視チェックリストに従って、ソリューションに対する包括的な監視戦略を実装します。

このソリューションは多数のデバイスと場所にまたがることがあるため、扱いにくくなる可能性があります。 Azure の IoT サービスにより、新しい場所とデバイスを自動的にオンラインにして、最新の状態に保つことができます。

パフォーマンス効率

パフォーマンス効率とは、ユーザーによって行われた要求に合わせて効率的な方法でワークロードをスケーリングできることです。 詳細については、「パフォーマンス効率の柱の概要」を参照してください。

このソリューションを複数のカメラと場所にわたってスケーリングできるようにするには、増えた負荷をすべてのコンポーネントで処理できるようにする必要があります。 次のアクションが必要になることがあります。

  • Stream Analytics のストリーミング ユニット数を増やす。
  • Face API デプロイをスケールアウトする。
  • Event Hubs クラスターのスループットを増やす。
  • 極端な例では、Azure Functions から仮想マシンへの移行が必要になることもあります。

スケーラビリティの観点から設計を確認するには、パフォーマンス効率チェックリストを使用します。

このシナリオのデプロイ

Azure、Azure Stack Hub、Custom Vision AI Dev Kit を使用して、実際のアクションから分析情報を生成する AI ベースの足取り検知ソリューションをデプロイします。 このソリューションは、小売店内での買い物客のトラフィックを分析します。 「Azure と Azure Stack Hub を使用して AI ベースの足取り検出ソリューションをデプロイする」を参照してください。

共同作成者

この記事は、Microsoft によって保守されています。 当初の寄稿者は以下のとおりです。

プリンシパル作成者:

パブリックでない LinkedIn プロファイルを表示するには、LinkedIn にサインインします。

次のステップ

このアーキテクチャに導入したトピックの詳細については、次の記事を参照してください。