Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Exécuter l'inférence de Machine Learning

Avec AWS IoT Greengrass, vous pouvez effectuer des inférences d'apprentissage automatique (ML) sur vos appareils périphériques à partir de données générées localement à l'aide de modèles conçus dans le cloud. Vous bénéficiez d'une faible latence et de coûts d'inférence locale réduits, tout en profitant des avantages de la puissance du cloud computing pour les modèles de formation et les traitements complexes.

AWS IoT Greengrass rend les étapes nécessaires à l'inférence plus efficaces. Vous pouvez entraîner vos modèles d'inférence n'importe où et les déployer localement en tant que composants d'apprentissage automatique. Par exemple, vous pouvez créer et entraîner des modèles d'apprentissage profond dans Amazon SageMaker AI ou des modèles de vision par ordinateur dans Amazon Lookout for Vision. Vous pouvez ensuite stocker ces modèles dans un compartiment Amazon S3, afin de pouvoir les utiliser comme artefacts dans vos composants pour effectuer des inférences sur vos appareils principaux.

Comment fonctionne l'inférence AWS IoT Greengrass ML

AWS fournit des composants d'apprentissage automatique que vous pouvez utiliser pour créer des déploiements en une étape afin d'effectuer des inférences d'apprentissage automatique sur votre appareil. Vous pouvez également utiliser ces composants comme modèles pour créer des composants personnalisés répondant à vos besoins spécifiques.

Chaque déploiement que vous créez pour effectuer une inférence d'apprentissage automatique comprend au moins un composant qui exécute votre application d'inférence, installe l'infrastructure d'apprentissage automatique et télécharge vos modèles d'apprentissage automatique. Pour effectuer un exemple d'inférence avec les composants AWS fournis, vous déployez un composant d'inférence sur votre périphérique principal, qui inclut automatiquement le modèle et les composants d'exécution correspondants en tant que dépendances. Pour personnaliser vos déploiements, vous pouvez intégrer ou remplacer les composants du modèle d'exemple par des composants de modèle personnalisés, ou vous pouvez utiliser les recettes de composants pour les composants AWS fournis comme modèles pour créer vos propres composants d'inférence, de modèle et d'exécution personnalisés.

Pour effectuer une inférence d'apprentissage automatique à l'aide de composants personnalisés :

Pour commencer à utiliser les composants AWS fournis, consultezTutoriel : Effectuer une inférence de classification d'images d'échantillons à l'aide TensorFlow de Lite.

Pour plus d'informations sur la création de composants d'apprentissage automatique personnalisés, consultezPersonnalisez vos composants d'apprentissage automatique.

Qu'est-ce qui est différent dans AWS IoT Greengrass la version 2 ?

AWS IoT Greengrass consolide les unités fonctionnelles pour l'apprentissage automatique, telles que les modèles, les environnements d'exécution et le code d'inférence, en composants qui vous permettent d'utiliser un processus en une étape pour installer le moteur d'apprentissage automatique, télécharger vos modèles entraînés et effectuer des inférences sur votre appareil.

En utilisant les composants d'apprentissage automatique AWS fournis, vous avez la possibilité de commencer à effectuer des inférences par apprentissage automatique à l'aide d'exemples de code d'inférence et de modèles préentraînés. Vous pouvez intégrer des composants de modèles personnalisés pour utiliser vos propres modèles entraînés sur mesure avec les composants d'inférence et d'exécution fournis. AWS Pour une solution d'apprentissage automatique entièrement personnalisée, vous pouvez utiliser les composants publics comme modèles pour créer des composants personnalisés et utiliser le type d'exécution, de modèle ou d'inférence de votre choix.

Prérequis

Pour créer et utiliser des composants d'apprentissage automatique, vous devez disposer des éléments suivants :

Sources de modèles prises en charge

AWS IoT Greengrass prend en charge l'utilisation de modèles d'apprentissage automatique personnalisés qui sont stockés dans Amazon S3. Vous pouvez également utiliser les tâches d'empaquetage Amazon SageMaker AI Edge pour créer directement des composants de modèle pour vos modèles compilés par SageMaker AI Neo. Pour plus d'informations sur l'utilisation d' SageMaker AI Edge Manager avec AWS IoT Greengrass, consultezUtiliser Amazon SageMaker AI Edge Manager sur les appareils principaux de Greengrass. Vous pouvez également utiliser Amazon Lookout for Vision pour les tâches d'empaquetage de modèles afin de créer des composants de modèle pour vos modèles Lookout for Vision. Pour plus d'informations sur l'utilisation de Lookout for Vision AWS IoT Greengrass avec, Amazon Lookout for Vision consultez.

Les compartiments S3 qui contiennent vos modèles doivent répondre aux exigences suivantes :

Runtimes d'apprentissage automatique pris en charge

AWS IoT Greengrass vous permet de créer des composants personnalisés pour utiliser n'importe quel environnement d'apprentissage automatique de votre choix pour effectuer des inférences d'apprentissage automatique avec vos modèles entraînés sur mesure. Pour plus d'informations sur la création de composants d'apprentissage automatique personnalisés, consultezPersonnalisez vos composants d'apprentissage automatique.

Pour rendre le processus de démarrage de l'apprentissage automatique plus efficace, AWS IoT Greengrass fournit des exemples de composants d'inférence, de modèle et d'exécution qui utilisent les environnements d'exécution d'apprentissage automatique suivants :

AWS-composants d'apprentissage automatique fournis

Le tableau suivant répertorie les composants AWS fournis utilisés pour l'apprentissage automatique.