Entornos de extremo para inteligencia artificial, Internet de las cosas y aprendizaje automático

Crea una ubicación de Satellite con clústeres de Red Hat OpenShift en el borde, cerca de tus dispositivos IoT, para acceder a los servicios de IA y aprendizaje automático de IBM Cloud independientemente de dónde se encuentren tus datos.

Resolución de retos de carga de trabajo periférica comunes con IBM Cloud

Aborda los retos de las cargas de trabajo en el borde, como el entrenamiento de modelos y la inferencia, utilizando los servicios de IBM Cloud allí donde se ejecutan tus cargas de trabajo en el borde.

Entrenamiento de un modelo de aprendizaje automático
El entrenamiento de un modelo de aprendizaje automático suele requerir importantes recursos informáticos en cuanto a memoria, unidad de procesamiento gráfico (GPU) y almacenamiento. En lugar de instalar y gestionar el software del modelo de entrenamiento en la infraestructura de su equipo, puede añadir la infraestructura de cálculo en una ubicación de Satellite. A continuación, puede acceder a IBM Cloud Pak® for Data, que incluye herramientas como Watson Studio y IBM Watson® Machine Learning para el análisis de datos y el entrenamiento de modelos. Al acceder a estas herramientas como servicios en la nube, simplifique la instalación y la gestión del software. También puede utilizar estos mismos servicios en la nube en toda la infraestructura perimetral, independientemente del proveedor de infraestructura subyacente.
Inferencia de modelos
La inferencia de modelos es la tarea de utilizar un modelo entrenado para realizar predicciones, detectar anomalías y categorizar datos del entorno perimetral. Debido a los requisitos de memoria, almacenamiento y latencia, la inferencia de modelos se ejecuta de forma más eficaz lo más cerca posible de los sensores de IoT y otros orígenes de datos. Puedes crear una ubicación de Satellite con clústeres gestionados de Red Hat OpenShift en los que tus datos se almacenen en tus entornos periféricos. A continuación, puede configurar un modelo de programación sin servidor, como Red Hat™ OpenShift™ Serverless™, para disponer de un modelo de programación simplificado con una interfaz REST (Representational State Transfer) que permita consultar su modelo entrenado y obtener una predicción.

Configuración de la solución de extremo con Satellite

Utiliza Satellite para ofrecer una experiencia coherente y escalable en todos tus entornos periféricos.

  1. Configuración del aprendizaje automático y el entrenamiento de modelos para sus datos.
  2. Despliegue de Satellite con un componente sin servidor en el entorno de extremo.
  3. Ejecución de la inferencia de modelos en el extremo.

Paso 1: Configuración del aprendizaje automático y el entrenamiento de modelos para sus datos

Prepara los datos de perímetro con Watson Studio y Machine Learning en IBM Cloud o IBM Cloud Pak for Data antes de implementar tu modelo.

  1. Cargue los datos de entrenamiento en IBM Cloud Object Storage.
  2. Utiliza Watson Studio y Machine Learning para obtener los datos de entrenamiento de IBM Cloud Object Storage, analizar los datos y entrenar un modelo con TensorFlow,, Keras, SciKit-Learn, u otro algoritmo de aprendizaje automático habitual.

El modelo entrenado se guarda de nuevo en IBM Cloud Object Storage de modo que los datos no ocupan espacio de almacenamiento en el entorno de extremo.

Paso 2: Despliegue de Satellite con un componente sin servidor en el entorno de extremo

Como administrador del sistema del entorno de extremo, habilita una herramienta sin servidor para simplificar la inferencia de modelos en el extremo.

  1. Cree una ubicación de Satellite en la infraestructura de cálculo de extremo.
  2. Cree un clúster de Red Hat OpenShift gestionado en la ubicación de Satellite.
  3. Acceda a la consola web de Red Hat OpenShift.
  4. A través de OperatorHub, instale el operador sin servidor Red Hat OpenShift.
  5. Instale el operador de servicio de Knative.

Ha desplegado Satellite con un componente sin servidor.

Paso 3: Ejecución de la inferencia de modelos en el extremo

Como desarrollador de IA, ejecute el modelo de inferencia en los datos de extremo utilizando el proceso sin servidor que ha configurado el administrador de extremo.

  1. Descargue el modelo entrenado de IBM Cloud Object Storage en su entorno de desarrollo local.
  2. Cree una imagen de contenedor compatible con Knative.
  3. Despliegue la imagen en el procesador sin servidor Red Hat OpenShift que se ejecuta en el clúster Satellite. Puede utilizar la consola web de Red Hat OpenShift en la perspectiva de desarrollador o utilizar la herramienta de línea de mandatos de kn para Satellite Serverless.

Ahora, tiene una ubicación de Satellite gestionada que se ejecuta en el entorno de edge y realiza una conferencia sobre el modelo de demanda para sus datos de borde a través de su modelo entrenado por IA y Red Hat OpenShift Serverless.