- Diego Gerardo Navarro González - A01338941 - CCM
- Luis Rodrigo Montúfar Pérez - A01273078 - Hidalgo
- Carlos Colín Negrete - A01019975 - CSF
- Cesar Lorenzo - A01019975 - CSF
A continuación se mencionan los requerimientos técnicos mínimos del proyecto, favor de tenerlos presente para que cumpla con todos.
- Todo el código de la solución debe estar desarrollado en Python 3.7 utilizando módulos y Programación Orientada a Objetos.
- Las lecturas de los sensores debe programarse de manera asíncrona.
- Todo el código debe incluir el manejo de excepciones y validación de errores.
- El equipo tiene la libertad de elegir los servicios cognitivos y de nube que desee utilizar, sin embargo, debe tener presente que la solución final se deberá ejecutar en una Raspberry Pi y en una de las siguientes plataformas en la nube: Amazon Web Services, Google Cloud Platform o Microsoft Azure.
- El proyecto debe utilizar algunos de los servicios de reconocimiento de imágenes como: Azure Computer Vision API, Google Vision AI, Amazon Rekognition.
- El proyecto debe utilizar algún servicio de IoT en la nube como: Azure IoT Hub, Google IoT Core, Amazon IoT Core.
- Para la ingesta de datos, se debe utilizar un servicio de mensajería asíncrono como Azure Service Bus, Google Cloud Pub/Sub, Amazon SNS.
- Para el procesamiento de los paquetes de IoT se debe utilizar un servicio como Azure Functions, Cloud Functions, Amazon Lambda.
- Para el almacenamiento de la información se debe utilizar un servicio como Azure SQL Datawarehouse, Google BigQuery, Amazon Redshift. Para la visualización de los datos se debe utilizar un servicio como Azure Power BI, Google Data Studio, Amazon Quicksight.
- La conexión entre la Raspberry Pi y el servicio de nube de IoT debe realizarse utilizando el protocolo MQTT y llaves criptográficas para la autenticación.
- La solución debe utilizar una arquitectura de microservicios. Si no tiene conocimiento sobre este tema, le recomendamos la lectura Microservices de Martin Fowler.
- La arquitectura debe ser modular, escalable, con redundancia y alta disponibilidad.
- La arquitectura deberá estar separada claramente por capas (frontend, backend, API RESTful, datos y almacenamiento).
- Los diferentes componentes del proyecto (frontend, backend, API RESTful, bases de datos, entre otros) pueden ejecutarse, opcionalmente, sobre contenedores Docker y utilizar Kubernetes como orquestador.
- Todo el código, datasets y la documentación del proyecto debe alojarse en este repositorio de GitHub. Favor de mantener la estructura de carpetas generada.
El proyecto debe seguir la siguiente estructura de carpetas, la cual generamos por usted:
- / # Raíz de todo el proyecto
- README.md # Archivo con los datos del proyecto (este archivo)
- frontend # Carpeta con la solución del frontend (Web app, dashboards, etc.)
- backend # Carpeta con la solución del backend (CMS, API, Funciones, etc.)
- sensors # Carpeta con los códigos que se ejecutan en el RPi
- datasets # Carpeta con los datasets y recursos utilizados (csv, json, audio, videos, entre otros)
- dbs # Carpeta con los modelos, catálogos y scripts necesarios para generar las bases de datos
- docs # Carpeta con la documentación del proyecto
Como parte de la entrega final del reto, se debe incluir la siguiente información:
- Justificación del modelo o servicio de Machine Learning que seleccionaron.
- Descripción del o los datasets y las fuentes de información utilizadas.
- Guía de configuración, instalación y despliegue de la solución tanto en la Raspberry Pi como en la plataforma en la nube seleccionada.
- El código debe estar documentado siguiendo los estándares definidos para el lenguaje de programación seleccionado.
Este proyecto consiste en generar un refrigerador con diferentes sensores, para simular los refrigeradores de tiendas comerciales. Estos refrigeradores contaran con sensores para detectar el estado actual del refrigerador. El refrigerador también contara con un sensor para detectar si el usuario sacó un producto del refri para poder cobrarlo.
A continuación aparecen descritos los diferentes elementos que forman parte de la solución del proyecto.
[Incluya aquí una explicación del análisis realizado y la justificación de los modelos y/o servicios de Machine Learning seleccionados. Incluya todo lo que considere necesario para que una persona sin conocimientos técnicos pueda entender de que trata su solución.]
[Incluya aquí un diagrama donde se aprecie la arquitectura de la solución implementada, así como la interacción entre los diferentes componentes de la misma.]
[Incluya imágenes del circuito armado con los sensores conectados.]
[Incluya aquí una explicación de la solución utilizada para el frontend del proyecto. No olvide incluir las ligas o referencias donde se puede encontrar información de los lenguajes de programación, frameworks y librerías utilizadas.]
[Incluya aquí una explicación de la solución utilizada para el backend del proyecto. No olvide incluir las ligas o referencias donde se puede encontrar información de los lenguajes de programación, frameworks y librerías utilizadas.]
[Incluya aquí una explicación de cada uno de los endpoints que forman parte de la API. Cada endpoint debe estar correctamente documentado.]
[Por cada endpoint debe incluir lo siguiente:]
- Descripción:
- URL:
- Verbos HTTP:
- Headers:
- Formato JSON del cuerpo de la solicitud:
- Formato JSON de la respuesta:
[Incluya aquí una explicación de la solución utilizada para implementar la captura de datos de los diferentes sensores en la Raspberry Pi. No olvide incluir las ligas o referencias donde se puede encontrar información de los sensores, lenguajes de programación, frameworks y librerías utilizadas.]
[Incluya aquí una guía paso a paso para poder utilizar el proyecto, desde la clonación de este repositorio hasta el despliegue de la solución en una Raspberry Pi y en una plataforma en la nube.]
[Incluya aquí las referencias a sitios de interés, datasets y cualquier otra información que haya utilizado para realizar el proyecto y que le puedan ser de utilidad a otras personas que quieran usarlo como referencia]