Ayak algılama deseni
Bu düzen, perakende mağazalarındaki ziyaretçi trafiğini analiz etmek için yapay zeka tabanlı bir ayak algılama çözümü uygulamaya yönelik bir genel bakış sağlar. Çözüm, Azure, Azure Stack Hub ve Özel Görüntü İşleme AI Geliştirme Seti'ni kullanarak gerçek dünya eylemlerinden içgörüler oluşturur.
Bağlam ve sorun
Contoso Store'lar, müşterilerin mağaza düzeniyle ilgili olarak geçerli ürünlerini nasıl aldığı hakkında içgörüler edinmek istiyor. Her bölüme personel yerleştiremezler ve analistlerden oluşan bir ekibin mağazanın kamera görüntülerinin tamamını gözden geçirmesi verimsizdir. Ayrıca, mağazalarının hiçbiri analiz için tüm kameralarından buluta video akışı yapmak için yeterli bant genişliğine sahip değil.
Contoso, müşterilerinin demografik bilgileri, bağlılığı ve ekranları ve ürünleri depolamaya karşı tepkilerini belirlemek için göze çarpmayan, gizlilik açısından kolay bir yol bulmak istiyor.
Çözüm
Bu perakende analizi düzeni, uçta çıkarım yapmak için katmanlı bir yaklaşım kullanır. Özel Görüntü İşleme AI Geliştirme Seti kullanılarak yalnızca insan yüzlerine sahip görüntüler Analiz için Azure Bilişsel Hizmetler çalıştıran özel bir Azure Stack Hub'a gönderilir. Anonimleştirilmiş, toplu veriler, Power BI'deki tüm depolarda ve görselleştirmelerde toplama için Azure'a gönderilir. Uç ve genel bulutun birleştirilmesi, Contoso'nun modern yapay zeka teknolojisinden yararlanmasını sağlarken aynı zamanda kurumsal ilkeleriyle uyumlu ve müşterilerinin gizliliğine saygı duymaktadır.
Çözümün nasıl çalıştığına ilişkin özet aşağıdadır:
- Özel Görüntü İşleme AI Geliştirme Seti, IoT Edge Çalışma Zamanı'nı ve ML modelini yükleyen IoT Hub'den bir yapılandırma alır.
- Model bir kişi görürse, bir resim alır ve Azure Stack Hub blob depolama alanına yükler.
- Blob hizmeti, Azure Stack Hub'da bir Azure İşlevi tetikler.
- Azure İşlevi, görüntüden demografik verileri ve duygu verilerini almak için Yüz Tanıma API'sine sahip bir kapsayıcı çağırır.
- Veriler anonimleştirilir ve bir Azure Event Hubs kümesine gönderilir.
- Event Hubs kümesi verileri Stream Analytics'e iletir.
- Stream Analytics verileri toplar ve Power BI'a iletir.
Bileşenler
Bu çözüm aşağıdaki bileşenleri kullanır:
| Katman | Bileşen | Açıklama |
|---|---|---|
| Mağaza içi donanım | Özel Görüntü İşleme AI Geliştirme Seti | Yalnızca analiz için kişilerin görüntülerini yakalayan yerel bir ML modeli kullanarak mağaza içi filtreleme sağlar. IoT Hub aracılığıyla güvenli bir şekilde sağlanır ve güncelleştirilir. |
| Azure | Azure Event Hubs | Azure Event Hubs, Anonimleştirilmiş verileri almak için Azure Stream Analytics ile düzgün bir şekilde tümleşen ölçeklenebilir bir platform sağlar. |
| Azure Akış Analizi | Azure Stream Analytics işi anonimleştirilmiş verileri toplar ve görselleştirme için 15 saniyelik pencereler halinde gruplandırılır. | |
| Microsoft Power BI | Power BI, Azure Stream Analytics'ten gelen çıkışı görüntülemek için kullanımı kolay bir pano arabirimi sağlar. | |
| Azure Stack Hub | App Service | App Service kaynak sağlayıcısı (RP), web uygulamaları/API'leri ve İşlevleri için barındırma ve yönetim özellikleri dahil olmak üzere uç bileşenleri için bir temel sağlar. |
| Azure Kubernetes Service (AKS) Altyapısı kümesi | Azure Stack Hub'a dağıtılan AKS-Engine kümesine sahip AKS RP, Yüz Tanıma API'si kapsayıcısını çalıştırmak için ölçeklenebilir, dayanıklı bir altyapı sağlar. | |
| Azure Bilişsel Hizmetler Yüz Tanıma API'si kapsayıcıları | Yüz Tanıma API'si ile Azure Bilişsel Hizmetler RP kapsayıcıları Contoso'nun özel ağında demografik, duygu ve benzersiz ziyaretçi algılama sağlar. | |
| Blob Depolama | AI Geliştirme Seti'nden yakalanan görüntüler Azure Stack Hub'ın blob depolama alanına yüklenir. | |
| Azure İşlevleri | Azure Stack Hub üzerinde çalışan bir Azure İşlevi blob depolamadan giriş alır ve Yüz Tanıma API'si ile etkileşimleri yönetir. Anonimleştirilmiş verileri Azure'da bulunan bir Event Hubs kümesine yayar. |
Sorunlar ve dikkat edilmesi gerekenler
Bu çözümü nasıl uygulayacaklarına karar verirken aşağıdaki noktaları göz önünde bulundurun:
Ölçeklenebilirlik
Bu çözümün birden çok kamera ve konum arasında ölçeklendirilmesini sağlamak için tüm bileşenlerin artan yükü kaldırabileceğinden emin olmanız gerekir. Şu eylemleri gerçekleştirmeniz gerekebilir:
- Stream Analytics akış birimi sayısını artırın.
- Yüz Tanıma API'si dağıtımının ölçeğini genişletme.
- Event Hubs kümesi aktarım hızını artırın.
- Aşırı durumlarda, Azure İşlevleri sanal makineye geçirmek gerekebilir.
Kullanılabilirlik
Bu çözüm katmanlı olduğundan, ağ veya güç hatalarıyla nasıl başa çıkılması konusunda düşünmek önemlidir. İş gereksinimlerine bağlı olarak, görüntüleri yerel olarak önbelleğe almak ve bağlantı döndürdüğünde Azure Stack Hub'a iletmek için bir mekanizma uygulamak isteyebilirsiniz. Konum yeterince büyükse, Yüz Tanıma API'si kapsayıcısı ile bir Data Box Edge'i bu konuma dağıtmak daha iyi bir seçenek olabilir.
Yönetilebilirlik
Bu çözüm birçok cihaza ve konuma yayılabilir ve bu da zor olabilir. Azure IoT hizmetleri , yeni konumları ve cihazları otomatik olarak çevrimiçi yapmak ve güncel tutmak için kullanılabilir.
Güvenlik
Bu çözüm müşteri görüntülerini yakalayarak güvenliği önemli bir konu haline getirir. Tüm depolama hesaplarının uygun erişim ilkeleriyle güvenli olduğundan emin olun ve anahtarları düzenli olarak döndürün. Depolama hesaplarının ve Event Hubs'ın kurumsal ve kamu gizlilik düzenlemelerini karşılayan saklama ilkelerine sahip olduğundan emin olun. Ayrıca kullanıcı erişim düzeylerini katmanlayı unutmayın. Katmanlama, kullanıcıların yalnızca rolleri için ihtiyaç duydukları verilere erişmesini sağlar.
Sonraki adımlar
Bu makalede sunulan konular hakkında daha fazla bilgi edinmek için:
- Ayak algılama deseninin kullandığı Katmanlı Veri düzenine bakın.
- Özel görüntü işlemeyi kullanma hakkında daha fazla bilgi edinmek için Özel Görüntü İşleme AI Geliştirme Seti'ne bakın.
Çözüm örneğini test etmeye hazır olduğunuzda , Footfall algılama dağıtım kılavuzuyla devam edin. Dağıtım kılavuzu, bileşenlerini dağıtmaya ve test etmeye yönelik adım adım yönergeler sağlar.