Yapay zeka uç mühendisi
Bir bakışta
-
Level
-
Beceri
-
Konu
Yapay zeka, bulut ve uç arasındaki etkileşim, hızla gelişen bir alan. Şu anda çoğu IoT çözümü, basit telemetri verilerini temel alıyor. Telemetri işlevi, uç cihazlardaki verileri alıp bir veri deposunda depoluyor. Bizim bu konudaki yaklaşımımız, temel telemetri verilerinin ötesine geçiyor. Gerçek dünyada karşılaşılan sorunları makine öğrenimi ve derin öğrenme algoritmalarıyla modellemeyi ve bu modeli, yapay zeka ve Bulut aracılığıyla uç cihazlara uygulamayı hedefliyoruz. Model bulutta eğitildikten sonra uç cihaza dağıtılıyor. Uç noktalara dağıtım, iş sürecini geliştirmek için kullanılabilecek bir geri bildirim mekanizması sağlıyor ve bu durum dijital dönüşümle ilişkilendiriliyor.
Bu öğrenme yolunda disiplinler arası bir mühendislik yaklaşımında bulunacağız. İnsansız Hava Araçları, Otonom araçlar gibi uç cihazlara yapay zeka dağıtımı için birçok karmaşık alan için standart bir şablon oluşturmayı amaçlıyoruz. Öğrenme yolu, karmaşık yapay zeka uygulamalarının gelişen bir ortamı için uygulama stratejileri sunar. Kapsayıcılar, bu yaklaşımın merkezinde yer alır. Kapsayıcılar, uç cihazlara dağıtıldığında çok farklı donanımlar için dağıtım ortamlarını kapsülleyebilir. CICD (Sürekli tümleştirme - sürekli dağıtım), uç cihazlarda kapsayıcıları dağıtmaya yönelik mantıksal bir uzantıdır. Bu öğrenme yolunda sunacağımız modellere sunucusuz bilgi işlem ve Mikrodenetleyici Birimlerine dağıtım gibi farklı teknikleri dahil edebiliriz.
Mühendislik temelli yaklaşım, aşağıdakiler gibi mühendislik eğitimi konularını/eğitim bilimlerinde kullanılmaktadır:
- Sistemli düşünme
- Deneme ve sorun çözme
- Deneme yaparak iyileştirme
- Dağıtım ve test yoluyla analiz
- Diğer mühendislik alanları üzerindeki etkisi
- Bir bileşenin veya sistemin davranışını tahmin etme
- Tasarımla ilgili dikkat edilecek noktalar
- Cihaz kısıtlamaları dahil olmak üzere kısıtlamalar/toleranslar ve belirli çalışma koşulları içinde çalışma
- Emniyet ve güvenlik konusunda dikkat edilmesi gerekenler
- Çözümü oluşturmaya yardımcı olan araçlar oluşturma
- Süreç geliştirme - İş süreçlerini iyileştirmek için analiz geri bildirim döngüsü oluşturmak amacıyla uç teknoloji (IoT) cihazlarını kullanma
- Mühendisliğin toplum üzerindeki etkileri
- Tasarım ve mühendisliğin estetik etkileri
- Ölçekli dağıtımlar
- Yapay zeka, edge ve bulut teknolojilerinin uçtan uca dağıtımıyla karmaşık iş problemlerini çözme.
Son olarak CICD modunda kapsayıcı olarak dağıtılan yapay zeka, bulut ve uç teknolojileri, değer zincirinin tamamını kapsayan sektöre özgü ve kendi kendine öğrenen bir ekosistem oluşturarak tüm sektörlerde dönüşümü sağlayabilir. Bulut bağlamında uç cihazlara yapay zeka dağıtımı için bu tür bir şablon/metodoloji kümesi tasarlamayı hedefliyoruz. Bu öğrenme yolunda şunları yapacaksınız:
- IoT ve bulut kullanarak çözüm oluşturma hakkında bilgi edinme
- Uç cihazlarda IoT tabanlı çözüm dağıtma sürecini anlama
- Kapsayıcı kullanarak uç cihazlara model uygulama sürecini anlama
- Uç cihazlar için DevOps kullanımını keşfetme
Önkoşullar
Hiçbiri
Azure'ı kullanmaya başlayın
Size en uygun Azure hesabını seçin. Kullandıkça ödeyin veya Azure'ı 30 güne kadar ücretsiz deneyin. Kaydol.
Başarı Kodu
Başarı kodu talep etmek ister misiniz?
Bu öğrenme yolundaki modüller
Azure IoT Hub'ın özelliklerini değerlendirin ve IoT Hub'ın kullanılabileceği senaryoları belirleyin.
IoT Edge temel özelliklerini ve bileşenlerinin (modüller, çalışma zamanı ve bulut arabirimi) işlevselliğini açıklama. IoT Edge ile çözebileceğiniz sorun türlerinin belirtilmesi. IoT Edge öğelerinin bulutta IoT uygulaması dağıtma sorununu çözmek için nasıl bir araya getirilebileceğinin anlatılması.
Bir kapsayıcı kullanarak IoT Edge cihazına önceden oluşturulmuş bir sıcaklık simülatörü modülü dağıtın. Modülü oluşturma ve dağıtma adımlarının başarıyla tamamlanıp tamamlanmadığını denetleyin ve simülasyon verilerini görüntüleyin.
IoT Edge cihazında dil algılama gerçekleştirmek için bir bilişsel hizmeti uygulayın. IoT Edge cihazında bir bilişsel hizmet uygulamaya yönelik bileşenleri ve adımları açıklayın.
IoT Edge için makine öğrenmesi modellerinin geliştirilmesi ve dağıtımında MLOps’nin önemini analiz edin. MLOps işlem hattının bileşenlerini açıklayın ve IoT Edge cihazları için otomatik olarak yeniden eğitilebilecek modeller oluşturmak üzere bunları nasıl birleştirebileceğinizi gösterin.
Sanal Azure IoT Edge cihazları için bir duman testi çözümü tanımlayın. Çözümünüz, Kubernetes kümesinde Azure DevOps ve Azure Pipelines kullanan bir CI/CD (sürekli tümleştirme/sürekli dağıtım) stratejisi kullanıyor.
Azure Sphere kullanılarak çözülebilen iş sorunlarının türlerini belirleyin. Azure Sphere için özellikleri ve bileşenleri (mikro denetleyici birimi, işletim sistemi, bulut tabanlı güvenlik hizmeti) açıklayın. Bileşenlerin internete bağlı güvenli IoT çözümlerini geliştirmek, dağıtmak ve sürdürmek için nasıl güvenilir bir platform sağladığını açıklayın.
Güvenli, İnternet bağlantılı mikrodenetleyici tabanlı bir cihazda gerçek zamanlı resim sınıflandırma gerçekleştirmek için bir sinir ağı modeli uygulayın (Azure Sphere). Azure Sphere’de önceden eğitilmiş bir resim sınıflandırma modelinin bileşenlerini ve adımlarını açıklayın.
Laboratuvar koşullarına yönelik çevresel koşulları izlemek için bir Azure Sphere cihaz uygulaması dağıtın. Bu uygulama oda ortamı koşullarını izler, IoT Hub’a bağlanır ve telemetri verilerini cihazdan buluta gönderir. Buluttan cihaza iletişimleri denetleyip gerekli eylemleri gerçekleştirirsiniz.
Bir laboratuvardaki çevresel koşulları izlemek için bir Azure Sphere uygulaması dağıtın. Uygulama oda ortamını izler, Azure IoT Central bağlanır ve cihazdan buluta telemetri verileri gönderir. Buluttan cihaza iletişimi denetler ve gerektiğinde eylemler gerçekleştirirsiniz.
Kendi kendine hizmet senaryosu için Azure IoT Edge görüntü tanıma çözümü geliştirin. Dışarı aktarılan Azure Yapay Zeka Özel Görüntü İşleme sınıflandırma modeli bir IoT Edge modülünde yerel olarak çalışır ve Kamera Yakalama modülü, öğe etiketlerini ses olarak sentezlemek için çalışma zamanında Azure Konuşma'yı (Döküm kaynağı aracılığıyla) çağırır.
IoT Edge'de bir Canlı Video Analizi modülü kullanın ve ioT Edge cihazına Özel Görüntü İşleme makine öğrenmesi çözümü dağıtın. Çözüm, raflardaki boşlukları belirler. Çözümün başarıyla dağıtılıp dağıtılmadığını denetleyin ve çözümünüzü bir web uygulamasından test edin.
Eski bir Canlı Video Analizi on IoT Edge çözümünün, kamera videosunu işlemek ve uçta nesne algılamasını doğrulamak için Azure kaynaklarını, IoT Edge modüllerini, bir YOLO modelini ve bir web uygulamasını nasıl kullandığını inceleyin.