Jeśli sztuczną inteligencję potraktować jako podróż z punktu A do B, to usługą przetwarzania w chmurze jest lotnisko lub dworzec szybkiej kolei, a przetwarzanie brzegowe to taksówka lub wspólny rower. Przetwarzanie brzegowe jest blisko ludzi, rzeczy i źródeł danych. Wykorzystuje 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 dużej konwergencji, zapewniając lepszą obsługę usług czasu rzeczywistego i wymagających przepustowości.
Wybuch ChatGPT zapoczątkował nową falę rozwoju sztucznej inteligencji, przyspieszając jej zanurzenie w większej liczbie obszarów zastosowań, takich jak przemysł, handel detaliczny, inteligentne domy, inteligentne miasta itp. Duża ilość danych musi być przechowywana i obliczana na poziomie aplikacji i opierając się wyłącznie na chmurze nie jest już w stanie zaspokoić rzeczywistego zapotrzebowania, przetwarzanie brzegowe usprawnia ostatni kilometr aplikacji AI. W ramach krajowej polityki energicznego rozwoju gospodarki cyfrowej chińskie przetwarzanie w chmurze wkroczyło w okres inkluzywnego rozwoju, popyt na przetwarzanie brzegowe wzrósł, a integracja brzegów i urządzeń końcowych w chmurze stała się ważnym kierunkiem ewolucyjnym w przyszłości.
Rynek przetwarzania brzegowego wzrośnie o 36,1% CAGR w ciągu najbliższych pięciu lat
Branża obliczeń brzegowych wkroczyła w fazę stałego rozwoju, o czym świadczy stopniowa dywersyfikacja dostawców usług, rosnąca wielkość rynku i dalsze poszerzanie obszarów zastosowań. Jeśli chodzi o wielkość rynku, dane z raportu IDC śledzącego pokazują, że całkowita wielkość rynku serwerów do przetwarzania brzegowego w Chinach osiągnęła 3,31 miliarda dolarów w 2021 r., a oczekuje się, że ogólna wielkość rynku serwerów do przetwarzania brzegowego w Chinach będzie rosła w złożonym rocznym tempie stopa wzrostu wyniesie 22,2% w latach 2020–2025. Sullivan prognozuje, że wielkość rynku przetwarzania brzegowego w Chinach osiągnie 250,9 miliarda RMB w 2027 r., przy CAGR na poziomie 36,1% w latach 2023–2027.
Ekoprzemysł obliczeniowy brzegowy kwitnie
Przetwarzanie brzegowe znajduje się obecnie we wczesnej fazie epidemii, a granice biznesowe w łańcuchu branżowym są stosunkowo niejasne. W przypadku poszczególnych dostawców konieczne jest uwzględnienie integracji ze scenariuszami biznesowymi, konieczna jest także umiejętność dostosowywania się do zmian w scenariuszach biznesowych od strony technicznej, a także zapewnienie wysokiego stopnia kompatybilność ze sprzętem sprzętowym, a także zdolność inżynierska do lądowania projektów.
Łańcuch branży przetwarzania brzegowego dzieli się na dostawców chipów, dostawców algorytmów, producentów urządzeń sprzętowych i dostawców rozwiązań. Dostawcy chipów opracowują głównie chipy arytmetyczne od strony końcowej, przez brzegową, aż do strony chmury, a oprócz chipów brzegowych opracowują także karty akceleracyjne i obsługują platformy do tworzenia oprogramowania. Dostawcy algorytmów wykorzystują algorytmy widzenia komputerowego jako rdzeń do tworzenia algorytmów ogólnych lub niestandardowych, są też przedsiębiorstwa, które budują centra algorytmiczne lub platformy szkoleniowe i push. Dostawcy sprzętu aktywnie inwestują w produkty do przetwarzania brzegowego, a forma produktów do przetwarzania brzegowego jest stale wzbogacana, stopniowo tworząc pełen stos produktów do przetwarzania brzegowego, od chipa po całą maszynę. Dostawcy rozwiązań dostarczają oprogramowanie lub rozwiązania zintegrowane programowo-sprzętowo dla określonych branż.
Aplikacje w branży obliczeń brzegowych przyspieszają
W obszarze inteligentnego miasta
Kompleksowa inspekcja mienia miejskiego jest obecnie powszechnie stosowana w trybie inspekcji ręcznej, a tryb inspekcji ręcznej wiąże się z problemami związanymi z wysokimi kosztami czasochłonnymi i pracochłonnymi, zależnością procesu od poszczególnych osób, słabym zasięgiem i częstotliwością inspekcji oraz niską jakością kontrola. Jednocześnie w procesie inspekcji zarejestrowano ogromną ilość danych, lecz zasoby te nie zostały przekształcone w aktywa danych w celu wzmocnienia pozycji przedsiębiorstwa. Stosując technologię AI w scenariuszach inspekcji mobilnych, przedsiębiorstwo stworzyło inteligentny pojazd inspekcyjny AI do zarządzania miastem, który wykorzystuje technologie takie jak Internet rzeczy, przetwarzanie w chmurze, algorytmy AI i jest wyposażony w profesjonalny sprzęt, taki jak kamery o wysokiej rozdzielczości, wyświetlacze tablicowe i serwery boczne AI oraz łączy mechanizm inspekcji „inteligentnego systemu + inteligentnej maszyny + pomocy personelu”. Promuje transformację zarządzania miastem z wymagającego zaangażowania personelu na inteligencję mechaniczną, od osądu empirycznego do analizy danych oraz od biernej reakcji do aktywnego odkrywania.
W zakresie inteligentnego placu budowy
Rozwiązania inteligentnego placu budowy oparte na przetwarzaniu brzegowym wykorzystują głęboką integrację technologii AI z tradycyjnymi pracami związanymi z monitorowaniem bezpieczeństwa w branży budowlanej, umieszczając terminal analityczny Edge AI na placu budowy, kończąc niezależne badania i rozwój wizualnych algorytmów AI opartych na inteligentnym wideo technologię analityczną, ciągłe wykrywanie zdarzeń, które mają zostać wykryte (np. wykrywanie, czy należy nosić kask), świadczenie usług w zakresie identyfikacji personelu, środowiska, bezpieczeństwa i innych punktów ryzyka oraz usług przypominania o alarmach, a także podejmowanie inicjatywy w zakresie identyfikacji niebezpiecznych czynniki, inteligentna ochrona AI, oszczędność kosztów siły roboczej, aby sprostać potrzebom zarządzania bezpieczeństwem personelu i mienia na placach budowy.
W obszarze inteligentnego transportu
Architektura po stronie chmury stała się podstawowym paradygmatem wdrażania aplikacji w inteligentnej branży transportowej, przy czym strona chmurowa odpowiada za scentralizowane zarządzanie i część przetwarzania danych, strona brzegowa zapewnia głównie analizę danych po stronie brzegowej i podejmowanie decyzji obliczeniowych -przetwarzanie, a strona końcowa odpowiada głównie za gromadzenie danych biznesowych.
W określonych scenariuszach, takich jak koordynacja pojazdów i dróg, skrzyżowania holograficzne, jazda automatyczna i ruch kolejowy, uzyskuje się dostęp do dużej liczby heterogenicznych urządzeń, a urządzenia te wymagają zarządzania dostępem, zarządzania wyjściami, przetwarzania alarmów oraz przetwarzania operacji i konserwacji. Przetwarzanie brzegowe może dzielić i zwyciężać, zamieniać duże w małe, zapewniać funkcje wielowarstwowej konwersji protokołów, uzyskiwać jednolity i stabilny dostęp, a nawet wspólną kontrolę nad heterogenicznymi danymi.
W zakresie produkcji przemysłowej
Scenariusz optymalizacji procesu produkcyjnego: obecnie duża liczba dyskretnych systemów produkcyjnych jest ograniczona przez niekompletność danych, a ogólna wydajność sprzętu i inne obliczenia danych wskaźnikowych są stosunkowo niechlujne, co utrudnia wykorzystanie ich do optymalizacji wydajności. Platforma przetwarzania brzegowego oparta na modelu informacji o sprzęcie w celu osiągnięcia poziomu semantycznego systemu produkcyjnego, komunikacji poziomej i komunikacji pionowej, w oparciu o mechanizm przetwarzania przepływu danych w czasie rzeczywistym w celu agregowania i analizowania dużej liczby danych terenowych w czasie rzeczywistym, w celu uzyskania linii produkcyjnej opartej na modelu fuzja informacji z wielu źródeł danych w celu zapewnienia potężnego wsparcia danych przy podejmowaniu decyzji w dyskretnym systemie produkcyjnym.
Scenariusz konserwacji predykcyjnej sprzętu: Konserwację sprzętu przemysłowego dzieli się na trzy typy: konserwacja naprawcza, konserwacja zapobiegawcza i konserwacja predykcyjna. Konserwacja naprawcza należy do konserwacji ex post, konserwacja zapobiegawcza i konserwacja predykcyjna należą do konserwacji ex ante, przy czym ta pierwsza opiera się na czasie, wydajności sprzętu, warunkach na miejscu i innych czynnikach związanych z regularną konserwacją sprzętu, mniej więcej w oparciu o człowieka doświadczenie, to ostatnie poprzez gromadzenie danych z czujników, monitorowanie w czasie rzeczywistym stanu pracy urządzeń, w oparciu o przemysłowy model analizy danych i dokładne przewidywanie momentu wystąpienia awarii.
Scenariusz kontroli jakości przemysłowej: pole inspekcji wizji przemysłowej jest pierwszą tradycyjną formą automatycznej kontroli optycznej (AOI) w polu kontroli jakości, ale dotychczasowy rozwój AOI w wielu przypadkach wykrywania defektów i innych złożonych scenariuszach, ze względu na wady różnych typów, ekstrakcja cech jest niekompletna, algorytmy adaptacyjne mają słabą rozszerzalność, linia produkcyjna jest często aktualizowana, migracja algorytmów nie jest elastyczna i inne czynniki sprawiają, że tradycyjny system AOI był trudny do spełnienia w związku z rozwojem potrzeb linii produkcyjnej. Dlatego platforma algorytmów kontroli jakości przemysłowej AI reprezentowana przez głębokie uczenie się + uczenie się małych próbek stopniowo zastępuje tradycyjny schemat kontroli wizualnej, a platforma kontroli jakości przemysłowej AI przeszła przez dwa etapy klasycznych algorytmów uczenia maszynowego i algorytmów kontroli głębokiego uczenia się.
Czas publikacji: 8 października 2023 r