Microsoft Azure *

Среди набора примеров для Azure на GitHub был найден один очень интересный: распознавание образов на Raspberry Pi, в офлайне. Авторами предлагается подготовить модель машинного обучения в одном из облачных сервисов Azure, затем перенести ее на компьютер, у которого большую часть времени нет подключения к Интернет, после чего распознавание образов будет работать автономно. Разработчики подготовили проект для двух платформ: ARM32 (собственно Raspberry Pi) и AMD64 (но без поддержки веб-камеры).

На волне коронавирусного хайпа мы решили адаптировать пример для распознавания, надета маска на человеке или нет. Сразу выяснилось, что шаги по адаптации примера не вполне очевидны. В этом материале рассмотрим последовательно, как этот пример, во-первых, модифицировать для работы со своей моделью машинного обучения, во-вторых, перенести его на платформу AMD64. Будем считать, что наш компьютер, на котором работает модель, управляет турникетом: если человек пришел в маске, турникет открывается, если нет — остается закрытым.

Посвятите январь обучению — обретите новые технические навыки, которые помогут вам стать еще лучшим профессионалом, а вашей организации достичь большего в новом году.

Посетив Azure Virtual Training Days вы узнаете как решения на основе облачных сервисов Microsoft Azure могут помочь вашему бизнесу успешно преодолевать сложности.

Виртуальные мероприятия Azure посвящены разным темам: от основ облачных технологий Azure до модернизации веб-приложений или создания хранилищ данных, вебинары подходят для специалистов любого уровня и помогают бесплатно подготовиться к сертификационному экзамену Microsoft AzureFundamentals (AZ-900: Microsoft Azure Fundamentals).

Под катом 3 обучающих мероприятия по Azure в январе.

Каждому специалисту по обработке и анализу данных, прежде чем запускать на своем наборе данных сложные алгоритмы машинного обучения, нужно исследовать и проанализировать его несколькими способами.

Бессерверный SQL — это инструмент распределенных вычислений, который позволяет обрабатывать распределенные данные с помощью языка SQL без необходимости администрировать серверы баз данных. Если у нас есть данные, или даже "большие данные", в одном из наших озер или хранилищ, например AWS S3 или хранилище BLOB-объектов Azure, мы сможем выполнить запрос SQL на этих данных без необходимости создавать конвейер или импортировать данные в распределенные базы данных, например в Cassandra или MongoDB.

Это огромное преимущество, особенно если мы собираемся взаимодействовать с данными в автономных системах, не создавая конвейеры, или просто взглянуть на абсолютно новые данные, которые только что были добавлены в хранилище, прежде чем реплицировать или преобразовывать их, а затем сохранять в выделенную базу данных.

Подробности под катом!

• Microsoft Azure track. Интеграция Microsoft Azure в локальную инфраструктуру.
• Modern Workplace track. Организация современного виртуального рабочего места.

1. Интеллектуальное принятие решений с помощью современных хранилищ данных
2. День виртуального обучения Microsoft Azure: основы
3. Миграция серверной инфраструктуры
4. Модернизация веб-приложений и данных

Одной из самых сложных вещей за последние восемь месяцев перехода на удаленную работу стало то, как компании измеряют продуктивность своих сотрудников. Раньше менеджеры могли своими глазами видеть, как и над чем работает человек, потому что они находились с ним в одном помещении. Теперь это зачастую приходится делать при помощи какой-то утилиты. Причём не только для программистов, но и для обычного офисного персонала.

Чтобы помочь с определением того, является ли человек продуктивным, в конце ноября Microsoft выпустила новый инструмент для удаленных сотрудников — Productivity Score. Его можно найти в Microsoft 365, в «Рабочей Аналитике». Он позволяет начальникам следить за тем, насколько эффективно и активно их персонал использует инструменты Microsoft. Многие на Твиттере, в том числе эксперты по конфиденциальности, уже успели обвинить компанию в том, что она становится Большим Братом, и помогает организовать тотальную слежку за сотрудниками.

• История изменений: с чего начали;
• Контроль версий: синхронизация и подключение среды разработки;
• Подключение Test и Prerelease к контролю версий;
• Как происходит сборка релиза сейчас и какие результаты получили на выходе.

Поздравляем! Вам удалось убедить ваше начальство в миграции приложений на микросервисную архитектуру с использованием контейнеров и Kubernetes.

Вы очень довольны и все идет по плану. Вы создаете свой первый кластер Kubernetes (у всех основных облачных провайдеров: Azure, AWS и GCP, — есть простые решения для провиженинга управляемого или неуправляемого Kubernetes), разрабатываете первое контейнерное приложение и развертываете его в кластере. Это было легко, не так ли?

Через некоторое время вы понимаете, что все становится немного сложнее: вам нужно развернуть в кластере несколько приложений, поэтому вам нужен Ingress Controller. Далее вы хотите мониторить нагрузку, поэтому вы начинаете искать решения для этого и, к счастью, находите Prometheus. Разворачиваете его, добавляете Grafana и все!

Позже вы начинаете задаваться вопросом: "Почему Prometheus работает только с одной репликой"? Что произойдет в случае рестарта контейнера? Что будет при простом обновлении версии? Как долго Prometheus может хранить метрики? Что если кластер развалится? Нужен ли еще один кластер для HA и DR? Как мне получить единое представление метрик со всех серверов Prometheus? 

Что ж, продолжайте читать, умные люди уже разобрались с этими вопросами.

o7 cmdr!

Теплым карантинным вечером, в одном из телеграмных чатиков по Elite: Dangerous разгорелась дискуссия на тему: а у какого типа звезд чаще всего встречаются землеподобные планеты?

Дело в том, что исследование планет является одной из основных механик игры. А в иерархии полезности планет, землеподобные стоят на самом верху. Но и редкость их довольно высока. Так что командеры захотели узнать: на какие звезды прежде всего обращать внимание, при перемещении по млечному пути?

Из этого обсуждения родился целый проект, который я в итоге и похоронил. Нет, ответ на поставленный вопрос мы с его помощью нашли. Но проект мне по разным причинам не нравился и, спустя несколько месяцев прокрастинации, я запустил вторую итерацию. Что из этого получилось, а так же ответ на поставленный вопрос — в этой статье.