Bu başvuru mimarisi, hızlı makine öğrenmesi çıkarımını buluttan şirket içi veya uç senaryolarına genişletmek için Azure Stack Edge'in nasıl kullanılacağını gösterir. Azure Stack Hub, herhangi bir uç konuma işlem, depolama, ağ ve donanım hızlandırmalı makine öğrenmesi gibi Azure özellikleri sunar.
Mimari
Bu mimarinin bir Visio dosyasını indirin.
İş Akışı
Mimari aşağıdaki adımlardan oluşur:
- Azure Machine Learning. Machine Learning, bulut tabanlı bir ortamda makine öğrenmesi modelleri oluşturmanıza, eğitip dağıtmanıza ve yönetmenize olanak tanır. Bu modeller daha sonra Azure Container Instances, Azure Kubernetes Service (AKS) ve Azure İşlevleri dahil (ancak bunlarla sınırlı olmamak üzere) Azure hizmetlerine dağıtılabilir.
- Azure Container Registry. Container Registry, Docker Kayıt Defteri'ni oluşturan ve yöneten bir hizmettir. Container Registry, Docker kapsayıcı görüntülerini derler, depolar ve yönetir ve kapsayıcılı makine öğrenmesi modellerini depolayabilir.
- Azure Stack Edge. Azure Stack Edge, uçta makine öğrenmesi çıkarımı için tasarlanmış bir uç bilgi işlem cihazıdır. Veriler Azure'a aktarilmeden önce uçta önceden işlenmiştir. Azure Stack Edge, uçta yapay zeka çıkarımının performansını artırmak için tasarlanmış işlem hızlandırma donanımı içerir.
- Yerel veriler. Yerel veriler, makine öğrenmesi modelinin eğitiminde kullanılan tüm verilere başvurur. Veriler, Azure Arc dağıtımları dahil olmak üzere herhangi bir yerel depolama çözümünde bulunabilir.
Bileşenler
Senaryo ayrıntıları
Olası kullanım örnekleri
Bu çözüm, telekomünikasyon sektörü için idealdir. Çıkarımı genişletmeye yönelik tipik kullanımlar şunlardır:
- Veri alındıkçe ve önemli bir şirket içi donanım ayak izine sahip olduğunuzdan yerel ve hızlı makine öğrenmesi çıkarımlarını çalıştırın.
- Mevcut şirket içi verilerin temizlendiği ve model oluşturmak için kullanıldığı uzun vadeli araştırma çözümleri oluşturun. Model daha sonra hem şirket içinde hem de bulutta kullanılır; yeni veriler geldikçe düzenli olarak yeniden eğitilir.
- Hem fiziksel konumda hem de çevrimiçi olarak kullanıcılar hakkında çıkarımlar yapması gereken yazılım uygulamaları oluşturun.
Öneriler
Yerel olarak depolanan verileri alma, dönüştürme ve aktarma
Azure Stack Edge, yerel depolama alanından alınan verileri Azure'a aktarmadan önce dönüştürebilir. Bu dönüşüm, Azure Stack Edge cihazına dağıtılan bir Azure IoT Edge cihazı tarafından gerçekleştirilir. Bu IoT Edge cihazları, Azure bulut platformundaki bir Azure IoT Hub kaynağıyla ilişkilendirilir.
Her IoT Edge modülü, bir alma, dönüştürme ve aktarım iş akışında belirli bir görevi yerine getiren bir Docker kapsayıcısıdır. Örneğin IoT Edge modülü, Azure Stack Edge yerel paylaşımından veri toplayabilir ve verileri makine öğrenmesi için hazır bir biçime dönüştürebilir. Ardından modül, dönüştürülen verileri bir Azure Stack Edge bulut paylaşımına aktarır. IoT Edge cihazınıza özel veya yerleşik modüller ekleyebilir veya özel IoT Edge modülleri geliştirebilirsiniz..
Not
IoT Edge modülleri, Container Registry'de Docker kapsayıcı görüntüleri olarak kaydedilir.
Azure bulut platformundaki Azure Stack Edge kaynağında, bulut paylaşımı bir Azure Blob depolama hesabı kaynağı tarafından desteklenir. Bulut paylaşımındaki tüm veriler otomatik olarak ilişkili depolama hesabına yüklenir. Yerel veya bulut paylaşımını takarak veya Azure Depolama hesabından geçiş yaparak veri dönüştürmeyi ve aktarımı doğrulayabilirsiniz.
Modeli eğitma ve dağıtma
Blob depolamada verileri hazırlayıp depoladıktan sonra Azure Depolama'ya bağlanan bir Machine Learning veri kümesi oluşturabilirsiniz. Veri kümesi, depolama alanındaki verilerinizin Machine Learning tarafından doğrudan başvuruda bulunan tek bir kopyasını temsil eder.
Modelinizi eğitmek için gereken betikleri oluşturmak için Machine Learning komut satırı arabirimini (CLI), R SDK'sını, Python SDK'sını, tasarımcıyı veya Visual Studio Code'ı kullanabilirsiniz.
Modeli eğittik ve dağıtmaya hazırladıktan sonra, aşağıdakiler dahil ancak bunlarla sınırlı olmamak üzere çeşitli Azure hizmetlerine dağıtabilirsiniz:
- Azure Container Registry. Docker kapsayıcı görüntüleri olduklarından modelleri Azure Container Registry gibi özel bir Docker Kayıt Defteri'ne dağıtabilirsiniz.
- Azure Container Instances. Modelin Docker kapsayıcı görüntüsünü doğrudan bir kapsayıcı grubuna dağıtabilirsiniz.
- Azure Kubernetes Service. Yüksek ölçekli üretim dağıtımları için modelin Docker kapsayıcı görüntüsünü otomatik olarak ölçeklendirmek için Azure Kubernetes Service'i kullanabilirsiniz.
- Azure İşlevleri Bir modeli doğrudan bir işlev örneğinde çalışacak şekilde paketleyebilirsiniz.
- Azure Machine Learning. Modellerin hem eğitimi hem de çıkarımı için İşlem örneklerini, yönetilen bulut tabanlı geliştirme iş istasyonlarını kullanabilirsiniz. Modeli benzer şekilde şirket içi IoT Edge ve Azure Stack Edge cihazlarına da dağıtabilirsiniz.
Not
Model, bu başvuru mimarisi için Azure Stack Edge'e dağıtarak modeli şirket içi çıkarım için kullanılabilir hale getirir. Model ayrıca container Registry'ye dağıtarak modelin en çeşitli Azure hizmetlerinde çıkarıma uygun olmasını sağlar.
Yeni dağıtılan modelle çıkarım
Azure Stack Edge, yerleşik işlem hızlandırma donanımını kullanarak makine öğrenmesi modellerini şirket içindeki verilere karşı hızla yerel olarak çalıştırabilir. Bu hesaplama tamamen uçta gerçekleşir. Sonuç olarak, genel bulut bölgesine göre veri kaynağına daha yakın bir donanım kullanılarak verilerden hızlı içgörüler elde edilir.
Ayrıca Azure Stack Edge, yerel olarak depolanan verilerle çalışmakta olan modelle ilişkili bir makine öğrenmesi işlem hattı kullanarak sürekli yeniden eğitim ve geliştirme için Machine Learning'e veri aktarmaya devam eder.
Dikkat edilmesi gereken noktalar
Bu önemli noktalar, bir iş yükünün kalitesini artırmak için kullanılabilecek bir dizi yol gösteren ilke olan Azure İyi Tasarlanmış Çerçeve'nin yapı taşlarını uygular. Daha fazla bilgi için bkz . Microsoft Azure İyi Tasarlanmış Çerçeve.
Kullanılabilirlik
- Azure Stack Edge kaynağınızı erişecek diğer Azure hizmetleriyle aynı Azure bölgesine yerleştirmeyi göz önünde bulundurun. Karşıya yükleme performansını iyileştirmek için Azure Blob depolama hesabınızı aletinizin en iyi ağ bağlantısına sahip olduğu bölgeye yerleştirmeyi göz önünde bulundurun.
- Cihazınızla Azure arasında kararlı, yedekli bir bağlantı için Azure ExpressRoute'u göz önünde bulundurun.
Yönetilebilirlik
- Yöneticiler yerel depolamadaki veri kaynağının Azure Stack Edge kaynağına doğru şekilde aktarıldığını doğrulayabilir. Sunucu İleti Bloğu (SMB)/Ağ Dosya Sistemi (NFS) dosya paylaşımını bağlayarak veya Azure Depolama Gezgini kullanarak ilişkili Blob depolama hesabına bağlanarak doğrulayabilirler.
- Modelinizi eğitirken Blob depolamadaki verilerinize başvurmak için Machine Learning veri kümelerini kullanın. Depolamaya başvurmak, eğitim betiklerinize gizli diziler, veri yolları veya bağlantı dizesi ekleme gereksinimini ortadan kaldırır.
- Machine Learning çalışma alanınızda, zaman içinde farklı noktalarda modelleriniz arasındaki farkları izlemek için makine öğrenmesi modellerini kaydedin ve izleyin. Benzer şekilde, Container Registry'ye dağıtılan Docker kapsayıcı görüntüleri için kullandığınız etiketlerde sürüm oluşturma ve izleme meta verilerini yansıtabilirsiniz.
DevOps
- Machine Learning için MLOps yaşam döngüsü yönetimi yaklaşımını gözden geçirin. Örneğin, bir modeli otomatik olarak eğiten ve yeniden eğiten sürekli bir tümleştirme işlemi oluşturmak için GitHub veya Azure Pipelines'ı kullanın. Yeni veriler veri kümesini doldurduğunda veya eğitim betiklerinde değişiklik yapıldığında eğitim tetiklenebilir.
- Azure Machine Learning çalışma alanı, makine öğrenmesi modelleri ve IoT Edge modülleri için Docker kapsayıcı görüntülerini otomatik olarak kaydeder ve yönetir.
Maliyet iyileştirme
Maliyet iyileştirmesi, gereksiz giderleri azaltmanın ve operasyonel verimlilikleri iyileştirmenin yollarını aramaktır. Daha fazla bilgi için bkz . Maliyet iyileştirme sütununa genel bakış.
- Maliyetleri tahmin etmek için Azure fiyatlandırma hesaplayıcısını kullanın.
- Azure Stack Edge fiyatlandırması , tek seferlik gönderim ücretiyle sabit fiyatla aylık abonelik olarak hesaplanır.
- Azure Machine Learning ayrıca ek maliyetler doğuran Container Registry, Azure Depolama ve Azure Key Vault hizmetlerini de dağıtır. Daha fazla bilgi için bkz . Azure Machine Learning nasıl çalışır? Mimari ve kavramlar.
- Azure Machine Learning fiyatlandırması , modeli genel bulutta eğitmak için kullanılan sanal makinelere yönelik ücretleri içerir.
Sonraki adımlar
Ürün belgeleri
Microsoft Learn modülleri: