Jeśli sztuczną inteligencję postrzegamy jako podróż z punktu A do punktu B, usługa przetwarzania w chmurze to lotnisko lub stacja szybkiej kolei, a przetwarzanie brzegowe to taksówka lub rower współdzielony. Przetwarzanie brzegowe jest blisko ludzi, rzeczy lub źródeł danych. Przyjmuje otwartą platformę, która integruje pamięć masową, obliczenia, dostęp do sieci i podstawowe możliwości aplikacji, aby świadczyć usługi użytkownikom w pobliżu. W porównaniu z centralnie wdrażanymi usługami przetwarzania w chmurze przetwarzanie brzegowe rozwiązuje problemy, takie jak długie opóźnienia i ruch o wysokiej konwergencji, zapewniając lepsze wsparcie dla usług w czasie rzeczywistym i wymagających dużej przepustowości.
Ogień ChatGPT zapoczątkował nową falę rozwoju AI, przyspieszając zatapianie AI w większej liczbie obszarów zastosowań, takich jak przemysł, handel detaliczny, inteligentne domy, inteligentne miasta itp. Duża ilość danych musi być przechowywana i obliczana po stronie aplikacji, a poleganie wyłącznie na chmurze nie jest już w stanie sprostać rzeczywistemu zapotrzebowaniu, przetwarzanie brzegowe poprawia ostatni kilometr zastosowań AI. W ramach krajowej polityki energicznego rozwoju gospodarki cyfrowej, chińskie przetwarzanie w chmurze weszło w okres inkluzywnego rozwoju, popyt na przetwarzanie brzegowe gwałtownie wzrósł, a integracja krawędzi chmury i jej końca stała się ważnym kierunkiem ewolucyjnym w przyszłości.
Rynek przetwarzania brzegowego będzie rósł w tempie 36,1% CAGR w ciągu najbliższych pięciu lat
Branża przetwarzania brzegowego weszła w fazę stabilnego rozwoju, o czym świadczy stopniowa dywersyfikacja dostawców usług, rosnący rozmiar rynku i dalsza ekspansja obszarów zastosowań. Jeśli chodzi o wielkość rynku, dane z raportu śledzącego IDC pokazują, że ogólna wielkość rynku serwerów przetwarzania brzegowego w Chinach osiągnęła 3,31 mld USD w 2021 r., a ogólna wielkość rynku serwerów przetwarzania brzegowego w Chinach ma wzrosnąć ze złożoną roczną stopą wzrostu wynoszącą 22,2% od 2020 r. do 2025 r. Sullivan prognozuje, że wielkość rynku przetwarzania brzegowego w Chinach ma osiągnąć 250,9 mld RMB w 2027 r., ze średniorocznym wskaźnikiem wzrostu (CAGR) wynoszącym 36,1% od 2023 r. do 2027 r.
Ekoprzemysł przetwarzania brzegowego kwitnie
Edge computing jest obecnie na wczesnym etapie wybuchu, a granice biznesowe w łańcuchu przemysłowym są stosunkowo niejasne. W przypadku indywidualnych dostawców konieczne jest rozważenie integracji ze scenariuszami biznesowymi, a także konieczne jest posiadanie zdolności do dostosowywania się do zmian w scenariuszach biznesowych z poziomu technicznego, a także konieczne jest zapewnienie wysokiego stopnia kompatybilności ze sprzętem, a także zdolności inżynieryjnych do realizacji projektów.
Łańcuch branży przetwarzania brzegowego jest podzielony na dostawców chipów, dostawców algorytmów, producentów urządzeń sprzętowych i dostawców rozwiązań. Dostawcy chipów w większości opracowują chipy arytmetyczne od strony końcowej do krawędziowej i do chmury, a oprócz chipów krawędziowych opracowują również karty akceleracyjne i obsługują platformy programistyczne. Dostawcy algorytmów traktują algorytmy widzenia komputerowego jako rdzeń do tworzenia ogólnych lub dostosowanych algorytmów, a istnieją również przedsiębiorstwa, które budują centra algorytmów lub platformy szkoleniowe i push. Dostawcy sprzętu aktywnie inwestują w produkty przetwarzania brzegowego, a forma produktów przetwarzania brzegowego jest stale wzbogacana, stopniowo tworząc pełny stos produktów przetwarzania brzegowego od chipa do całej maszyny. Dostawcy rozwiązań dostarczają oprogramowanie lub rozwiązania zintegrowane ze sprzętem i oprogramowaniem dla określonych branż.
Aplikacje branży przetwarzania brzegowego przyspieszają
W obszarze inteligentnego miasta
Kompleksowa inspekcja nieruchomości miejskich jest obecnie powszechnie stosowana w trybie ręcznej inspekcji, a tryb ręcznej inspekcji ma problemy z wysokimi kosztami czasochłonności i pracochłonności, zależnością procesu od osób, słabym zasięgiem i częstotliwością inspekcji oraz słabą kontrolą jakości. Jednocześnie proces inspekcji rejestrował ogromną ilość danych, ale te zasoby danych nie zostały przekształcone w aktywa danych w celu wzmocnienia pozycji biznesowej. Poprzez zastosowanie technologii AI w scenariuszach mobilnej inspekcji przedsiębiorstwo stworzyło inteligentny pojazd inspekcyjny AI do zarządzania miastem, który przyjmuje technologie takie jak Internet rzeczy, przetwarzanie w chmurze, algorytmy AI i przenosi profesjonalny sprzęt, taki jak kamery wysokiej rozdzielczości, wyświetlacze pokładowe i serwery boczne AI, i łączy mechanizm inspekcji „inteligentny system + inteligentna maszyna + pomoc personelu”. Promuje transformację zarządzania miastem z intensywnego personelu na inteligencję mechaniczną, z osądu empirycznego na analizę danych i z biernej reakcji na aktywne odkrywanie.
W obszarze inteligentnego placu budowy
Rozwiązania dla inteligentnego placu budowy oparte na przetwarzaniu brzegowym stosują głęboką integrację technologii AI z tradycyjnymi pracami monitorowania bezpieczeństwa w branży budowlanej, poprzez umieszczenie terminala analizy AI na placu budowy, przeprowadzenie niezależnych badań i rozwoju wizualnych algorytmów AI opartych na technologii inteligentnej analizy wideo, pełnoetatowe wykrywanie zdarzeń podlegających wykryciu (np. wykrywanie, czy należy nosić kask), zapewnianie identyfikacji personelu, środowiska, bezpieczeństwa i innych punktów zagrożenia bezpieczeństwa oraz usług przypominania o alarmach, a także podejmowanie inicjatyw w celu identyfikacji niebezpiecznych czynników, inteligentnego zabezpieczenia AI, oszczędzania kosztów siły roboczej w celu zaspokojenia potrzeb w zakresie zarządzania bezpieczeństwem personelu i mienia na placach budowy.
W obszarze inteligentnego transportu
Architektura typu cloud-side-end stała się podstawowym paradygmatem wdrażania aplikacji w branży inteligentnego transportu, przy czym chmura odpowiada za scentralizowane zarządzanie i część przetwarzania danych, krawędź sieci zapewnia głównie analizę danych i przetwarzanie obliczeń w celu podejmowania decyzji, a krawędź sieci odpowiada głównie za zbieranie danych biznesowych.
W określonych scenariuszach, takich jak koordynacja pojazdów z drogami, skrzyżowania holograficzne, jazda automatyczna i ruch kolejowy, istnieje duża liczba heterogenicznych urządzeń, do których uzyskuje się dostęp, a te urządzenia wymagają zarządzania dostępem, zarządzania wyjściami, przetwarzania alarmów oraz przetwarzania operacyjnego i konserwacyjnego. Edge computing może dzielić i rządzić, zamieniać duże w małe, zapewniać funkcje konwersji protokołów międzywarstwowych, osiągać ujednolicony i stabilny dostęp, a nawet wspólną kontrolę heterogenicznych danych.
W dziedzinie produkcji przemysłowej
Scenariusz optymalizacji procesu produkcji: Obecnie duża liczba dyskretnych systemów produkcyjnych jest ograniczona przez niekompletność danych, a ogólna wydajność sprzętu i inne obliczenia danych indeksowych są stosunkowo niedbałe, co utrudnia ich wykorzystanie do optymalizacji wydajności. Platforma przetwarzania brzegowego oparta na modelu informacji o sprzęcie w celu osiągnięcia semantycznego poziomu komunikacji poziomej i komunikacji pionowej systemu produkcyjnego, oparta na mechanizmie przetwarzania przepływu danych w czasie rzeczywistym w celu agregacji i analizy dużej liczby danych terenowych w czasie rzeczywistym, w celu osiągnięcia opartej na modelu fuzji informacji z wielu źródeł danych linii produkcyjnej, w celu zapewnienia potężnego wsparcia danych do podejmowania decyzji w dyskretnym systemie produkcyjnym.
Scenariusz konserwacji predykcyjnej sprzętu: Konserwacja sprzętu przemysłowego dzieli się na trzy typy: konserwacja naprawcza, konserwacja zapobiegawcza i konserwacja predykcyjna. Konserwacja naprawcza należy do konserwacji ex post facto, konserwacja zapobiegawcza i konserwacja predykcyjna należą do konserwacji ex ante, pierwsza opiera się na czasie, wydajności sprzętu, warunkach na miejscu i innych czynnikach regularnej konserwacji sprzętu, mniej lub bardziej opartych na doświadczeniu ludzkim, druga poprzez zbieranie danych z czujników, monitorowanie w czasie rzeczywistym stanu roboczego sprzętu, w oparciu o przemysłowy model analizy danych i dokładne przewidywanie, kiedy wystąpi awaria.
Scenariusz przemysłowej kontroli jakości: przemysłowa inspekcja wizyjna jest pierwszą tradycyjną formą automatycznej kontroli optycznej (AOI) w dziedzinie kontroli jakości, ale rozwój AOI do tej pory, w wielu wykrywaniu defektów i innych złożonych scenariuszach, ze względu na defekty różnych typów, ekstrakcja cech jest niekompletna, adaptacyjne algorytmy mają słabą rozszerzalność, linia produkcyjna jest często aktualizowana, migracja algorytmów nie jest elastyczna i inne czynniki, tradycyjny system AOI był trudny do zaspokojenia potrzeb rozwoju linii produkcyjnej. Dlatego platforma algorytmów przemysłowej kontroli jakości AI reprezentowana przez głębokie uczenie + uczenie się małej próbki stopniowo zastępuje tradycyjny schemat kontroli wizualnej, a platforma przemysłowej kontroli jakości AI przeszła przez dwa etapy klasycznych algorytmów uczenia maszynowego i algorytmów inspekcji głębokiego uczenia.
Czas publikacji: 08-paź-2023