跳至主要内容

AWS 解决方案库

在 AWS 上使用物联网连接餐厅的指南

概览

本指南显示如何通过物联网（IoT）互联厨房设备提高餐厅的运营效率和改善员工体验。通过将 AWS 服务与智能厨房设备（如恒温器、机器人、洗碗机、冰箱、烤箱和烤架）集成，您可以实现基于机器学习（ML）的预测性维护、近乎实时的设备和库存监控，同时获得对功能性机器人设备的可视性。通过本指南，您可以生成由数据驱动的见解，从而最大限度地减少设备停机时间，简化厨房运营并做出明智的决策，最终帮助您减少浪费并增加收入。

工作原理

这些技术细节包含一张架构图，用于说明如何有效使用本解决方案。该架构图展示了关键组件及其相互作用，并逐步概述了架构的结构和功能。

下载架构图

Well-Architected 支柱

上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构，您应该遵循尽可能多的 Well-Architected 最佳实践。

Amazon CloudWatch 提供对基础设施和应用程序性能的可见性。这使得主动监控、快速排除错误和问题，以及近乎实时地响应事件和事故成为可能。

阅读“卓越运营”白皮书

API Gateway 通过 API 密钥提供身份验证和访问控制，从而增强后端服务和数据的安全性，它还可以帮助您限制对 API 的访问，并使用节流功能限制 API 速率。与 API 网关一起使用时，AWS 身份和访问管理 (IAM) 为您的 API 和 SSL 策略提供精细的访问控制。IAM 还提供数据加密功能，有助于保护传输中的数据和静止数据。API Gateway 提供访问日志和实施日志，使您可以了解 API 的使用情况，帮助您识别安全问题。

阅读《安全性》白皮书

AWS IoT Core 可在物联网连接的厨房设备和 AWS 服务之间实现可靠的双向通信。它可以处理来自多台厨房设备的大量消息，并将这些消息可靠地路由到 AWS，进行下游处理和连接。AWS IoT Core 可在不影响可靠性的情况下进行扩展，以支持任意数量的设备，并且内置的重试机制有助于实现大规模通信。此外，AWS IoT Greengrass 核心设备在与 AWS 云断开连接后仍可继续在本地运行。

阅读《可靠性》白皮书

SageMaker 使用户能够针对其物联网遥测数据，有效地大规模训练和部署机器学习模型。其分布式方法可在多个节点上扩展模型训练，从而缩短训练时间。此外，其自动模型调整功能可找到优化的超参数，而其模型推理功能可提供低延迟响应。

阅读《性能效率》白皮书

DynamoDB 可集中存储所有物联网数据。DynamoDB 生存时间（TTL）功能可根据配置的阈值，从表中删除这些数据。它完成此操作不会消耗任何写入吞吐量，因此您无需支付额外的存储费用，并且可以保持存储成本的最优化。

阅读《成本优化》白皮书

AWS IoT Greengrass 可在边缘设备上实现本地计算、消息传递、设备影子和机器学习推理功能。与在本地设备和 AWS 云之间发送大量数据相比，在本地执行计算和推理更节能。通过减少将数据传输到 AWS 进行分析的需求，您可以节省网络带宽和能源消耗，减少工作负载的总体碳足迹。

阅读《可持续性》白皮书

免责声明

示例代码；软件库；命令行工具；概念验证；模板；或其他相关技术（包括由我方人员提供的任何前述项）作为 AWS 内容按照《AWS 客户协议》或您与 AWS 之间的相关书面协议（以适用者为准）向您提供。您不应将这些 AWS 内容用在您的生产账户中，或用于生产或其他关键数据。您负责根据特定质量控制规程和标准测试、保护和优化 AWS 内容，例如示例代码，以使其适合生产级应用。部署 AWS 内容可能会因创建或使用 AWS 可收费资源（例如，运行 Amazon EC2 实例或使用 Amazon S3 存储）而产生 AWS 费用。

找到今天要查找的内容了吗？

请提供您的意见，以便帮助我们提高页面内容的质量