View a markdown version of this page

Near Real-Time IoT Analytics con AWS e IBM CP4D - Analytics vicino all' Real-Time IoT con AWS e IBM CP4D
Near IoT Analytics con Real-Time AWS e IBM CP4D DiagramApprofondimentiCollaboratoriStoria del diagramma

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Near Real-Time IoT Analytics con AWS e IBM CP4D

Data di pubblicazione: 12 maggio 2023 () Storia del diagramma

Questa architettura dimostra come creare analisi IOT quasi in tempo reale con l'apprendimento automatico utilizzando IBM Cloud Pak for DATA (CP4D) in esecuzione su. AWS

Near IoT Analytics con Real-Time AWS e IBM CP4D Diagram

Diagramma dell'architettura di riferimento che mostra come creare analisi IOT quasi in tempo reale con l'apprendimento automatico utilizzando IBM Cloud Pak for DATA (CP4D) in esecuzione su. AWS

  1. I dati provenienti da più fonti nell'impianto di produzione e nei dispositivi periferici vengono acquisiti da tutte le risorse in. AWS IoT Core

  2. Amazon Data Firehose trasmette i dati IoT e li carica in Amazon Simple Storage Service (Amazon S3), un servizio di storage di data lake completamente gestito, altamente disponibile e scalabile.

  3. I dati a cui si accede raramente vengono trasferiti in Amazon Glacier per un'archiviazione conveniente.

  4. CP4D viene eseguito come un carico di lavoro in container in esecuzione. OpenShift Servizio Red Hat OpenShift su AWS (ROSA) è un' OpenShift implementazione completamente gestita su AWS.

  5. Con IBM DataStage, puoi creare, modificare, caricare ed eseguire processi di trasformazione dei dati per generare informazioni arricchite e personalizzate.

  6. Puoi utilizzare IBM Watson Knowledge Catalog per creare un framework di governance dei dati, arricchire i dati e addestrare modelli di machine learning (ML). È possibile creare regole di protezione dei dati per l'accesso ai dati e mascherare le informazioni sensibili.

  7. Usa Watson Studio per analizzare i dati e creare e addestrare modelli di machine learning.

  8. I modelli addestrati vengono implementati su IBM Watson Machine Learning e sono esposti come endpoint.

  9. Gli output dei modelli sono archiviati in bucket di dati di output di Amazon S3.

  10. Il dispositivo Edge ha sviluppato applicazioni personalizzate su Amazon Elastic Compute Cloud (Amazon EC2) con dashboard utilizzate dagli operatori e dai supervisori di fabbrica per monitorare le previsioni del modello.

  11. Le applicazioni ERP (Enterprise Resource Planning) acquisiscono i dati e li inseriscono negli archivi dati utilizzando. AWS Transfer Family

Approfondimenti

Per ulteriori informazioni, fare riferimento a

Collaboratori

I contributori a questo diagramma di architettura di riferimento includono:

  • Sankar Cherukuri, Partner Solution Architect

Storia del diagramma

Per ricevere notifiche sugli aggiornamenti di questo diagramma di architettura di riferimento, iscriviti al feed RSS.

ModificaDescrizioneData

Pubblicazione iniziale

Diagramma dell'architettura di riferimento pubblicato per la prima volta.

12 maggio 2023

Nota

Per iscriverti agli aggiornamenti RSS, devi avere un plugin RSS abilitato per il browser che stai utilizzando.