Redigera

AI-baserad identifiering av fotfall

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

Få insikter om hur kunderna får sina aktuella produkter i förhållande till butikslayouten.

Arkitektur

Arkitekturdiagram som visar arkitekturen för identifiering av hybridfotfall.

Ladda ned en Visio-fil med den här arkitekturen.

Dataflöde

  1. Custom Vision AI Dev Kit hämtar en konfiguration från IoT Hub, som installerar IoT Edge Runtime och en ML-modell.
  2. Om modellen ser en person tar den en bild och laddar upp den till Azure Stack Hub Blob Storage.
  3. Blobtjänsten utlöser en Azure-funktion på Azure Stack Hub.
  4. Azure-funktionen anropar en container med ansikts-API:et för att hämta demografiska data och känslodata från bilden.
  5. Data anonymiseras och skickas till ett Azure Event Hubs-kluster.
  6. Event Hubs-klustret skickar data till Stream Analytics.
  7. Stream Analytics aggregerar data och push-överför dem till Power BI. Power BI tillhandahåller ett lätthanterad instrumentpanelsgränssnitt för att visa utdata från Azure Stream Analytics.

Komponenter

Maskinvara i butiken

  • Custom Vision AI Dev Kit tillhandahåller filtrering i butiken med hjälp av en lokal ML-modell som endast tar bilder av personer för analys. Den etableras och uppdateras på ett säkert sätt via IoT Hub.

Azure

  • Azure Event Hubs är en fullständigt hanterad datainmatningstjänst i realtid som är enkel, betrodd och skalbar. Strömma miljontals händelser per sekund, från valfri källa, för att skapa dynamiska datapipelines och för att omedelbart svara på affärsutmaningar.
  • Azure Stream Analytics är en lätthanterlig analystjänst i realtid som är utformad för verksamhetskritiska arbetsbelastningar. Gå från noll till produktion på några minuter. Det är SQL – enkelt utökningsbart, med anpassad kod och inbyggda maskininlärningsfunktioner, för mer avancerade scenarier.
  • Microsoft Power BI är en uppsättning affärsanalysverktyg som ger insikter i hela organisationen. Anslut till hundratals datakällor, förenkla dataförberedelser och driva improviserad analys. Skapa snygga rapporter och publicera dem sedan för din organisation, att använda på webben och på mobila enheter.

Azure Stack Hub

  • Azure Stack Hub breddar Azure så att du kan köra appar i en lokal miljö och leverera Azure-tjänster i ditt datacenter.
  • App Service-resursprovidern (RP) tillhandahåller en bas för gränskomponenter, inklusive värd- och hanteringsfunktioner för webbappar, API:er och funktioner.
  • AkS-motorn (Azure Kubernetes Service). AKS RP med ett AKS-motorkluster distribueras till Azure Stack Hub för att tillhandahålla en skalbar, elastisk motor som kör ansikts-API-containern.
  • Ansikts-API-containrar. Azure Cognitive Services RP, med Ansikts-API-containrar, ger demografisk, känsloigenkänning och unik besöksidentifiering.
  • Blob-lagring. Avbildningar som tagits från AI Dev Kit laddas upp till Azure Stack Hubs Blob Storage.
  • Azure Functions. En Azure-funktion som körs på Azure Stack Hub tar emot indata från Blob Storage och hanterar interaktionerna med ansikts-API:et. Den genererar anonymiserade data till ett Event Hubs-kluster som finns i Azure.

Alternativ

En Azure-funktion som körs på Azure Stack Hub är ett bra beräkningsalternativ. Det finns dock andra beräkningsalternativ, till exempel en anpassad app som körs i Azure App Service.

Information om scenario

Potentiella användningsfall

Den här lösningen beskriver en AI-baserad arkitektur för identifiering av fotfall för analys av besökstrafik i butiker. Lösningen genererar insikter från verkliga åtgärder med hjälp av Azure, Azure Stack Hub och Custom Vision AI Dev Kit.

Med det här scenariot behöver du inte placera personal i varje avsnitt, och du behöver inte ett team av analytiker för att granska alla en butiks kamerabilder. Lösningen kräver inte heller att butiker har tillräckligt med bandbredd för att strömma video från alla sina kameror till molnet för analys. Lösningen ger ett diskret, integritetsvänligt sätt att fastställa kunddemografi, lojalitet och reaktioner för att lagra skärmar och produkter.

Att tänka på

Dessa överväganden implementerar grundpelarna i Azure Well-Architected Framework, som är en uppsättning vägledande grundsatser som kan användas för att förbättra kvaliteten på en arbetsbelastning. Mer information finns i Microsoft Azure Well-Architected Framework.

Tillförlitlighet

Eftersom den här lösningen är nivåindelad är det viktigt att tänka på hur du hanterar nätverks- eller strömavbrott. Se Återhämtning och beroenden, Metodtips för att utforma tillförlitlighet i Azure-program och Azure Stack Hub-tillförlitlighet från Microsoft Azure Well Architected Framework (WAF) för att förbättra lösningens återhämtning.

Beroende på dina affärsbehov kanske du vill implementera en mekanism för att cachelagera avbildningar lokalt och sedan vidarebefordra dem till Azure Stack Hub när anslutningen returneras. Om platsen är tillräckligt stor distribuerar du en Data Box Edge med ansikts-API-containern till den platsen.

Säkerhet

Säkerhet ger garantier mot avsiktliga attacker och missbruk av dina värdefulla data och system. Mer information finns i Översikt över säkerhetspelare.

Den här lösningen samlar in kundbilder, vilket gör säkerheten till en av de viktigaste övervägandena. Se waf-dataskyddsvägledningen för att skydda lagringskontona, inklusive att konfigurera rätt åtkomstprinciper och rotera nycklar regelbundet. Se till att lagringskonton och händelsehubbar har kvarhållningsprinciper som uppfyller företagets och regeringens sekretessregler.

Ge säkerhet via identitets- och åtkomsthantering och se till att nivåindela användaråtkomstnivåerna. Nivåindelning säkerställer att användarna bara har åtkomst till de data som de behöver för sina roller.

Driftsäkerhet

Driftskvalitet omfattar de driftsprocesser som distribuerar ett program och håller det igång i produktion. Mer information finns i Översikt över grundpelare för driftskvalitet.

Övervakning och diagnostik är avgörande. Molnprogram körs i ett fjärranslutet datacenter, där du inte har fullständig kontroll över infrastrukturen eller i vissa fall operativsystemet. Använd Azure Monitor på Azure Stack Hub för att visualisera, fråga, dirigera, arkivera och vidta andra åtgärder för mått och loggar. Följ checklistan Övervakningsåtgärder för molnprogram för att implementera en omfattande övervakningsstrategi för lösningen.

Den här lösningen kan omfatta många enheter och platser, vilket kan bli svårhanterlig. Azures IoT-tjänster kan automatiskt ta nya platser och enheter online och hålla dem uppdaterade.

Prestandaeffektivitet

Prestandaeffektivitet handlar om att effektivt skala arbetsbelastningen baserat på användarnas behov. Mer information finns i Översikt över grundpelare för prestandaeffektivitet.

För att den här lösningen ska kunna skalas över flera kameror och platser måste du se till att alla komponenter kan hantera den ökade belastningen. Du kan behöva vidta följande åtgärder:

  • Öka antalet Stream Analytics-strömningsenheter.
  • Skala ut distributionen av ansikts-API:et.
  • Öka dataflödet för Event Hubs-klustret.
  • I extrema fall kan du behöva migrera från Azure Functions till en virtuell dator.

Använd checklistan för prestandaeffektivitet och granska din design ur skalbarhetssynpunkt.

Distribuera det här scenariot

Distribuera en AI-baserad lösning för fotavkänning som genererar insikter från verkliga åtgärder med hjälp av Azure, Azure Stack Hub och Custom Vision AI Dev Kit. Den här lösningen analyserar besökstrafiken i butiker. Se Distribuera en AI-baserad lösning för identifiering av fotfall med Hjälp av Azure och Azure Stack Hub.

Deltagare

Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.

Huvudförfattare:

Om du vill se icke-offentliga LinkedIn-profiler loggar du in på LinkedIn.

Nästa steg

Läs följande artiklar om du vill veta mer om de ämnen som introduceras i den här arkitekturen: