วิศวกร AI edge
สรุปย่อ
-
ระดับ
-
ทักษะ
-
Subject
การแทรกแซงระหว่าง AI, ระบบคลาวด์ และขอบคือโดเมนที่พัฒนาอย่างรวดเร็ว ในปัจจุบัน โซลูชัน IoT จํานวนมากจะขึ้นอยู่กับการวัดและส่งข้อมูลทางไกลพื้นฐาน ฟังก์ชันการวัดและส่งข้อมูลทางไกลรวบรวมข้อมูลจากอุปกรณ์ Edge และจัดเก็บไว้ในที่เก็บข้อมูล วิธีการของเราขยายเกินการวัดและส่งข้อมูลทางไกลพื้นฐาน เรามุ่งมั่นสร้างปัญหาในโลกแห่งความจริงผ่านการเรียนรู้ของเครื่องและอัลกอริทึมการเรียนรู้อย่างลึกซึง และใช้แบบจําลองผ่านอุปกรณ์ AI และ Cloud บนไปยังอุปกรณ์ที่มีขอบเขต แบบจําลองได้รับการฝึกฝนในระบบคลาวด์และปรับใช้บนอุปกรณ์ Edge การปรับใช้ไปยังขอบให้รอบป้อนกลับเพื่อปรับปรุงกระบวนการทางธุรกิจ (การแปลงข้อมูลดิจิทัล)
ในเส้นทางการเรียนรู้นี้ เราใช้วิธีทางวิศวกรรมแบบสหวิทยาการ เราปรารถนาที่จะสร้างเทมเพลตมาตรฐานสําหรับพื้นที่ที่ซับซ้อนมากมายสําหรับการปรับใช้ AI บนอุปกรณ์ Edge เช่น โดรน ยานพาหนะอัตโนมัติ เป็นต้น เส้นทางการเรียนรู้แสดงกลยุทธ์การใช้งานสําหรับภูมิทัศน์ที่พัฒนาแล้วของแอปพลิเคชัน AI ที่ซับซ้อน คอนเทนเนอร์เป็นศูนย์กลางของวิธีนี้ เมื่อปรับใช้กับอุปกรณ์ Edge คอนเทนเนอร์สามารถย่อส่วนสภาพแวดล้อมการปรับใช้สําหรับฮาร์ดแวร์ที่หลากหลาย CICD (การรวมอย่างต่อเนื่อง - การปรับใช้อย่างต่อเนื่อง) เป็นส่วนขยายทางตรรกะเพื่อปรับใช้คอนเทนเนอร์บนอุปกรณ์ edge ในโมดูลในอนาคตในเส้นทางการเรียนรู้นี้ เราอาจรวมถึงเทคนิคอื่น ๆ เช่น การประมวลผลแบบไร้เซิร์ฟเวอร์และการปรับใช้บนหน่วย Microcontroller
แนวทางที่นําโดยวิศวกรรมสรุปธีม / pedagogies สําหรับการศึกษาด้านวิศวกรรมเช่น
- ระบบคิด
- การทดลองและการแก้ไขปัญหา
- การปรับปรุงผ่านการทดลอง
- การปรับใช้และการวิเคราะห์ผ่านการทดสอบ
- ผลกระทบต่อโดเมนวิศวกรรมอื่น ๆ
- การคาดการณ์พฤติกรรมของส่วนประกอบหรือระบบ
- ออกแบบข้อควรพิจารณา
- การทํางานภายในข้อจํากัด/ขีดจํากัด และเงื่อนไขการใช้งานที่เฉพาะเจาะจง รวมถึงข้อจํากัดของอุปกรณ์
- ข้อควรพิจารณาด้านความปลอดภัยและการรักษาความปลอดภัย
- การสร้างเครื่องมือที่ช่วยในการสร้างโซลูชัน
- การปรับปรุงกระบวนการ - การใช้ edge(IoT) เพื่อให้คําติชมเชิงวิเคราะห์แก่กระบวนการทางธุรกิจเพื่อขับเคลื่อนกระบวนการ
- ผลกระทบของสังคมด้านวิศวกรรม
- ผลกระทบทางศัลยศาสตร์ของการออกแบบและวิศวกรรม
- การปรับใช้ในระดับมาตราส่วน
- การแก้ปัญหาทางธุรกิจที่ซับซ้อนโดยการปรับใช้ AI, Edge และระบบคลาวด์แบบ end-to-end
ในท้ายที่สุดเทคโนโลยี AI, Cloud และ edge ที่ปรับใช้เป็นคอนเทนเนอร์ในโหมด CICD สามารถเปลี่ยนแปลงอุตสาหกรรมทั้งหมดได้โดยการสร้างระบบนิเวศการเรียนรู้ด้วยตนเองเฉพาะอุตสาหกรรมซึ่งครอบคลุมห่วงโซ่คุณค่าทั้งหมด เราปรารถนาที่จะออกแบบชุดเทมเพลต/วิธีการดังกล่าวสําหรับการปรับใช้ AI กับอุปกรณ์ Edge ในบริบทของคลาวด์ ในเส้นทางการเรียนรู้นี้ คุณจะ:
- เรียนรู้เกี่ยวกับการสร้างโซลูชันโดยใช้ IoT และระบบคลาวด์
- ทําความเข้าใจกระบวนการปรับใช้โซลูชันตาม IoT บนอุปกรณ์ Edge
- เรียนรู้กระบวนการของการนําแบบจําลองไปใช้กับอุปกรณ์ Edge โดยใช้คอนเทนเนอร์
- สํารวจการใช้ DevOps สําหรับอุปกรณ์ Edge
สิ่งที่จำเป็นต้องมี
ไม่มีใคร
เริ่มต้นใช้งานด้วย Azure
เลือกบัญชี Azure ที่เหมาะกับคุณ ชำระค่าบริการแบบเติมเงินหรือลองใช้ Azure ฟรีสูงสุด 30 วัน ลงทะเบียน
รหัสความสำเร็จ
คุณต้องการร้องขอรหัสความสำเร็จหรือไม่
โมดูลในพาธการเรียนรู้นี้
ประเมินลักษณะของฮับ Azure IoT และกําหนดสถานการณ์เมื่อต้องใช้ฮับ IoT
อธิบายลักษณะสําคัญของ IoT Edge และฟังก์ชันการทํางานของคอมโพเนนต์ IoT Edge (โมดูล รันไทม์ และส่วนต่อประสานระบบคลาวด์) ระบุลักษณะของปัญหาที่คุณสามารถแก้ไขได้ด้วย IoT Edge อธิบายวิธีการรวมองค์ประกอบของ IoT Edge เพื่อแก้ไขปัญหาของการปรับใช้แอปพลิเคชัน IoT ในระบบคลาวด์
ปรับใช้โมดูลเครื่องจําลองอุณหภูมิที่สร้างไว้ล่วงหน้ากับอุปกรณ์ IoT Edge โดยใช้คอนเทนเนอร์ ตรวจสอบว่าโมดูลถูกสร้างขึ้นและปรับใช้และดูข้อมูลจําลองเรียบร้อยแล้ว
ใช้บริการด้านความรู้ความเข้าใจสําหรับการดําเนินการตรวจหาภาษาบนอุปกรณ์ IoT Edge อธิบายคอมโพเนนต์และขั้นตอนสําหรับการใช้ Cognitive Service บนอุปกรณ์ IoT Edge
วิเคราะห์ความสําคัญของ MLOps ในการพัฒนาและการปรับใช้แบบจําลองการเรียนรู้ของเครื่องสําหรับ IoT Edge อธิบายคอมโพเนนต์ของไปป์ไลน์ MLOps และแสดงวิธีที่คุณสามารถรวมเข้าด้วยกันเพื่อสร้างแบบจําลองที่สามารถฝึกซ้ําได้โดยอัตโนมัติสําหรับอุปกรณ์ IoT Edge
กําหนดโซลูชันสําหรับการทดสอบควันสําหรับอุปกรณ์ Azure IoT Edge เสมือน โซลูชันของคุณใช้กลยุทธ์ CI/CD (การรวมอย่างต่อเนื่อง/การปรับใช้อย่างต่อเนื่อง) โดยใช้ Azure DevOps และ Azure Pipelines บนคลัสเตอร์ Kubernetes
กําหนดประเภทของปัญหาทางธุรกิจที่สามารถแก้ไขได้โดยใช้ Azure Sphere อธิบายความสามารถและส่วนประกอบ (หน่วยไมโครคอนโทรลเลอร์ ระบบปฏิบัติการ บริการรักษาความปลอดภัยบนระบบคลาวด์) สําหรับ Azure Sphere อธิบายวิธีการที่คอมโพเนนต์มีแพลตฟอร์มความปลอดภัยในการพัฒนา ปรับใช้ และรักษาโซลูชัน IoT ที่เชื่อมต่ออินเทอร์เน็ตที่ปลอดภัย
ใช้รูปแบบเครือข่ายประสาทสําหรับการทําการจัดประเภทรูปภาพแบบเรียลไทม์บนอุปกรณ์ที่ใช้ไมโครคอนโทรลเลอร์ที่เชื่อมต่ออินเทอร์เน็ตที่ปลอดภัย (Azure Sphere) อธิบายคอมโพเนนต์และขั้นตอนสําหรับการนําแบบจําลองการจัดประเภทรูปภาพที่ได้รับการฝึกไว้ล่วงหน้าไปใช้บน Azure Sphere
ปรับใช้แอปพลิเคชันอุปกรณ์ Azure Sphere เพื่อตรวจสอบเงื่อนไขโดยรอบสําหรับเงื่อนไขของห้องปฏิบัติการ แอปพลิเคชันจะตรวจสอบสภาพสภาพแวดล้อมของห้อง เชื่อมต่อกับฮับ IoT และส่งข้อมูลระยะไกลจากอุปกรณ์ไปยังระบบคลาวด์ คุณจะควบคุมการสื่อสารระหว่างระบบคลาวด์กับอุปกรณ์ และดําเนินการตามความจําเป็น
ปรับใช้แอปพลิเคชัน Azure Sphere เพื่อตรวจสอบเงื่อนไขโดยรอบสําหรับห้องปฏิบัติการ แอปพลิเคชันจะตรวจสอบสภาพแวดล้อมของห้อง เชื่อมต่อกับ Azure IoT Central และส่งข้อมูลการวัดและส่งข้อมูลทางไกลจากอุปกรณ์ไปยังระบบคลาวด์ คุณควบคุมการสื่อสารระหว่างระบบคลาวด์กับอุปกรณ์และดําเนินการตามความจําเป็น
สร้างโซลูชันการจดจําอิมเมจ Azure IoT Edge สําหรับสถานการณ์การชําระเงินด้วยตนเอง โมเดลการจัดประเภท Azure AI Custom Vision ที่ส่งออกจะทํางานภายในเครื่องในโมดูล IoT Edge และโมดูล Camera Capture จะเรียก Azure Speech (ผ่านทรัพยากร Foundry) ในขณะรันไทม์เพื่อสังเคราะห์ป้ายชื่อรายการเป็นเสียง
ใช้โมดูลการวิเคราะห์วิดีโอสดบน IoT Edge และปรับใช้โซลูชันการเรียนรู้ของเครื่องวิสัยทัศน์แบบกําหนดเองไปยังอุปกรณ์ IoT Edge โซลูชันจะระบุช่องว่างที่เป็นโมฆะในชั้นวาง ตรวจสอบว่ามีการปรับใช้โซลูชันเรียบร้อยแล้วและทดสอบโซลูชันของคุณจากเว็บแอปพลิเคชัน
ตรวจสอบวิธีที่โซลูชัน Live Video Analytics on IoT Edge ในอดีตใช้ทรัพยากร Azure, โมดูล IoT Edge, โมเดล YOLO และเว็บแอปเพื่อประมวลผลวิดีโอของกล้องและตรวจสอบการตรวจจับวัตถุที่เอดจ์