Environnements de périphérie pour l'IA, l'IoT et l'apprentissage automatique

Créez un emplacement Satellite avec des clusters Red Hat OpenShift en périphérie, à proximité de vos appareils IoT, afin d’accéder aux services d’IA et d’apprentissage automatique IBM Cloud où que se trouvent vos données.

Résolution des défis courants liés aux charges de travail de périphérie avec IBM Cloud

Relever les défis liés aux charges de travail en périphérie, tels que l'entraînement des modèles et l'inférence, en utilisant les services IBM Cloud là où vos charges de travail en périphérie s'exécutent.

Formation d'un modèle d'apprentissage automatique
L'entraînement de votre modèle d'apprentissage automatique nécessite généralement d'importantes ressources de calcul en termes de mémoire, de processeur graphique (GPU) et de stockage. Plutôt que d'installer et de gérer un logiciel de modèle d'entraînement sur votre infrastructure de calcul, vous pouvez ajouter celle-ci à un emplacement Satellite. Vous pouvez ensuite accéder à IBM Cloud Pak® for Data, qui inclut des outils tels que Watson Studio et IBM Watson® Machine Learning pour l'analyse des données et l'entraînement des modèles. Accéder à ces outils en tant que services cloud vous permet de simplifier l'installation et la gestion des logiciels. Vous pouvez également utiliser ces mêmes services cloud dans toutes vos infrastructures de périphérie, quel que soit le fournisseur d'infrastructure sous-jacent.
Modèle d'inférence
Le modèle d'inférence est la tâche d'utiliser un modèle entrainé pour faire des prédictions, détecter les anomalies et catégoriser les données de votre environnement de bord. En raison des exigences en matière de mémoire, de stockage et de temps d'attente, l'inférence de modèle est plus efficace lorsqu'elle est exécutée à proximité de vos capteurs IoT et d'autres sources de données. Vous pouvez créer un emplacement Satellite avec des clusters Red Hat OpenShift gérés, où vos données sont stockées dans vos environnements périphériques. Vous pouvez ensuite mettre en place un modèle de programmation sans serveur, tel qu' Red Hat™ OpenShift™ Serverless™, afin de bénéficier d'un modèle de programmation simplifié doté d'une interface REST (Representational State Transfer) permettant d'interroger votre modèle entraîné pour générer une prédiction.

Configuration de votre solution de périphérie avec Satellite

Utilisez l' Satellite pour offrir une expérience cohérente et évolutive dans tous vos environnements de périphérie.

  1. Configurez l'apprentissage automatique et l'entraînement de modèles pour vos données.
  2. Déployez Satellite avec un composant sans serveur dans votre environnement de périphérie.
  3. Exécutez l'inférence de modèle en périphérie.

Configuration de l'apprentissage automatique et de l'entraînement de modèles pour vos données

Préparez les données en périphérie à l'aide de Watson Studio et Machine Learning dans IBM Cloud ou IBM Cloud Pak for Data avant de déployer votre modèle.

  1. Téléchargez les données d'apprentissage dans IBM Cloud Object Storage.
  2. Utilisez Watson Studio et Machine Learning pour extraire les données d’entraînement de IBM Cloud Object Storage, analyser ces données et entraîner un modèle à l’aide de TensorFlow,, Keras, SciKit-Learn, ou d’un autre algorithme d’apprentissage automatique courant.

Le modèle entraîné est sauvegardé dans IBM Cloud Object Storage pour que les données n'occupent aucun espace de stockage dans votre environnement de périphérie.

Déploiement de Satellite avec un composant sans serveur dans votre environnement de périphérie

En tant qu'administrateur de système d'environnement de périphérie, activez un outil sans serveur pour simplifier l'inférence de modèle en périphérie.

  1. Créez un emplacement Satellite sur votre infrastructure informatique de périphérie.
  2. Créez un cluster Red Hat OpenShift géré dans l'emplacement Satellite.
  3. Accédez à la console Web d'Red Hat OpenShift.
  4. En utilisant le site OperatorHub, , installez l'opérateur Red Hat OpenShift Serverless.
  5. Installez l'opérateur Knative Serving Operator.

Vous avez déployé Satellite avec un composant sans serveur.

Etape 3 : Exécution de l'inférence de modèle en périphérie

En tant que développeur d'IA, exécutez l'inférence de modèle sur vos données de périphérie en utilisant le traitement sans serveur que l'administrateur de périphérie a configuré.

  1. Téléchargez le modèle entraîné d'IBM Cloud Object Storage dans votre environnement de développement local.
  2. Créez une image de conteneur compatible Knative.
  3. Déployez l'image sur votre processeur Red Hat OpenShift sans serveur qui s'exécute dans votre cluster Satellite. Vous pouvez utiliser la console Web d'Red Hat OpenShift en tant que développeur ou utiliser l'outil de ligne de commande kn pour Satellite Serverless.

Vous disposez à présent d'un emplacement Satellite géré qui s'exécute sur votre environnement de périphérie et effectue une inférence de modèle à la demande pour vos données de périphérie via votre modèle entraîné par l'IA et Red Hat OpenShift Serverless.