Jeśli sztuczną inteligencję postrzegamy jako podróż z punktu A do punktu B, to usługi przetwarzania w chmurze to lotnisko lub dworzec kolei dużych prędkości, a przetwarzanie brzegowe to taksówka lub rower współdzielony. Przetwarzanie brzegowe znajduje się blisko ludzi, rzeczy lub źródeł danych. Wykorzystuje otwartą platformę, która integruje pamięć masową, obliczenia, dostęp do sieci i możliwości rdzenia aplikacji, aby świadczyć usługi użytkownikom w pobliżu. W porównaniu z centralnie wdrażanymi usługami przetwarzania w chmurze, przetwarzanie brzegowe rozwiązuje problemy takie jak duże opóźnienia i wysoki poziom konwergencji, zapewniając lepsze wsparcie dla usług w czasie rzeczywistym i wymagających dużej przepustowości.
Rozwój ChatGPT zapoczątkował nową falę rozwoju sztucznej inteligencji (AI), przyspieszając jej upowszechnianie się w takich obszarach jak przemysł, handel detaliczny, inteligentne domy i miasta. Ogromna ilość danych musi być przechowywana i przetwarzana po stronie aplikacji, a poleganie wyłącznie na chmurze nie jest już w stanie zaspokoić rzeczywistego zapotrzebowania. Edge computing usprawnia ostatni kilometr zastosowań AI. W ramach krajowej polityki dynamicznego rozwoju gospodarki cyfrowej, chińskie przetwarzanie w chmurze weszło w okres inkluzywnego rozwoju, popyt na przetwarzanie brzegowe gwałtownie wzrósł, a integracja przetwarzania brzegowego i końcowego w chmurze stała się ważnym kierunkiem ewolucji 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, rosnąca wielkość rynku oraz dalsza ekspansja obszarów zastosowań. Dane z raportu IDC pokazują, że całkowita wartość rynku serwerów przetwarzania brzegowego w Chinach osiągnęła 3,31 mld USD w 2021 r., a przewiduje się, że w latach 2020-2025 będzie ona rosła ze średnioroczną stopą wzrostu na poziomie 22,2%. Sullivan prognozuje, że wartość rynku przetwarzania brzegowego w Chinach osiągnie 250,9 mld RMB w 2027 r., ze średnioroczną stopą wzrostu (CAGR) na poziomie 36,1% w latach 2023-2027.
Eko-przemysł przetwarzania brzegowego kwitnie
Edge computing znajduje się obecnie na wczesnym etapie rozwoju, a granice biznesowe w łańcuchu branżowym są stosunkowo niejasne. W przypadku indywidualnych dostawców konieczne jest uwzględnienie integracji ze scenariuszami biznesowymi, a także zapewnienie możliwości adaptacji do zmian scenariuszy biznesowych na poziomie technicznym. Konieczne jest również zapewnienie wysokiego stopnia kompatybilności ze sprzętem, a także kompetencji inżynieryjnych w zakresie realizacji projektów.
Łańcuch branżowy edge computingu dzieli się na dostawców chipów, algorytmów, urządzeń sprzętowych i rozwiązań. Dostawcy chipów głównie opracowują układy arytmetyczne od end-side, przez edge-side, po cloud-side, a oprócz chipów edge-side opracowują również karty akceleracyjne i obsługują platformy programistyczne. Dostawcy algorytmów wykorzystują algorytmy widzenia komputerowego jako podstawę do tworzenia algorytmów ogólnych lub niestandardowych, a istnieją również przedsiębiorstwa budujące centra obliczeniowe algorytmów lub platformy szkoleniowe i dystrybucyjne. Dostawcy sprzętu aktywnie inwestują w produkty edge computingu, a forma produktów edge computingu jest stale wzbogacana, stopniowo tworząc pełny stos produktów edge computingu, od chipu po całą maszynę. Dostawcy rozwiązań dostarczają oprogramowanie lub rozwiązania zintegrowane ze sprzętem i oprogramowaniem dla konkretnych branż.
Przyspieszenie zastosowań w branży przetwarzania brzegowego
W dziedzinie inteligentnych miast
Kompleksowa inspekcja mienia miejskiego jest obecnie powszechnie przeprowadzana w trybie inspekcji ręcznej, która wiąże się z problemami związanymi z wysokimi kosztami i pracochłonnością, uzależnieniem procesu od osób, niskim zasięgiem i częstotliwością inspekcji oraz niską jakością kontroli. Jednocześnie proces inspekcji rejestrował ogromną ilość danych, ale zasoby te nie zostały przekształcone w zasoby danych, które mogłyby wzmocnić pozycję przedsiębiorstwa. Dzięki zastosowaniu technologii sztucznej inteligencji (AI) w scenariuszach inspekcji mobilnej, przedsiębiorstwo stworzyło inteligentny system inspekcji oparty na sztucznej inteligencji (AI) do zarządzania miastem, który wykorzystuje technologie takie jak Internet Rzeczy, przetwarzanie w chmurze, algorytmy AI, a także wyposażony jest w profesjonalny sprzęt, taki jak kamery wysokiej rozdzielczości, wyświetlacze pokładowe i serwery boczne AI, łącząc mechanizm inspekcji „inteligentny system + inteligentna maszyna + pomoc personelu”. Promuje on transformację zarządzania miastem z intensywnego zatrudnienia personelu w inteligencję mechaniczną, z osądu empirycznego w analizę danych oraz z biernej reakcji w aktywne odkrywanie.
W obszarze inteligentnego placu budowy
Rozwiązania dla inteligentnych placów budowy oparte na przetwarzaniu brzegowym stosują głęboką integrację technologii sztucznej inteligencji (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 do wykrycia (np. wykrywanie, czy należy nosić kask), świadczenie usług identyfikacji personelu, środowiska, bezpieczeństwa i innych punktów zagrożenia dla bezpieczeństwa oraz przypominanie o alarmach, a także podejmowanie inicjatywy 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 dziedzinie inteligentnego transportu
Architektura typu cloud-side-end stała się podstawowym paradygmatem wdrażania aplikacji w branży inteligentnego transportu. Część chmurowa odpowiada za scentralizowane zarządzanie i część przetwarzania danych, część brzegowa zapewnia głównie analizę danych brzegowych i przetwarzanie obliczeń w celu podejmowania decyzji, a część końcowa odpowiada głównie za gromadzenie danych biznesowych.
W określonych scenariuszach, takich jak koordynacja ruchu pojazdów z drogą, skrzyżowania holograficzne, jazda automatyczna i ruch kolejowy, dostęp do dużej liczby heterogenicznych urządzeń wymaga zarządzania dostępem, zarządzania wyjściami, przetwarzania alarmów oraz przetwarzania operacji i konserwacji. Edge computing potrafi dzielić i rządzić, przekształcać duże w małe, zapewniać funkcje konwersji protokołów międzywarstwowych, zapewniać ujednolicony i stabilny dostęp, a nawet wspólną kontrolę nad heterogenicznymi danymi.
W dziedzinie produkcji przemysłowej
Scenariusz optymalizacji procesu produkcyjnego: Obecnie wiele dyskretnych systemów produkcyjnych jest ograniczonych przez niekompletność danych, a obliczenia ogólnej wydajności urządzeń i innych danych indeksowych są stosunkowo niedbałe, co utrudnia ich wykorzystanie do optymalizacji wydajności. Platforma przetwarzania brzegowego oparta na modelu informacji o urządzeniach, umożliwiająca osiągnięcie komunikacji poziomej i pionowej w systemie produkcyjnym na poziomie semantycznym, oparta na mechanizmie przetwarzania przepływu danych w czasie rzeczywistym, agreguje i analizuje dużą liczbę danych terenowych w czasie rzeczywistym, umożliwiając fuzję informacji z wielu źródeł danych na linii produkcyjnej w oparciu o model, zapewniając wydajne wsparcie danych dla procesu decyzyjnego w dyskretnym systemie produkcyjnym.
Scenariusz predykcyjnej konserwacji sprzętu: Konserwację sprzętu przemysłowego dzieli się na trzy rodzaje: konserwację naprawczą, konserwację zapobiegawczą i konserwację predykcyjną. Konserwacja naprawcza należy do konserwacji ex post facto, konserwacja zapobiegawcza i konserwacja predykcyjna należą do konserwacji ex ante. Pierwsza z nich opiera się na czasie, wydajności sprzętu, warunkach na miejscu i innych czynnikach regularnej konserwacji sprzętu, w mniejszym lub większym stopniu opartych na doświadczeniu ludzkim, druga zaś na gromadzeniu danych z czujników, monitorowaniu stanu pracy sprzętu w czasie rzeczywistym, w oparciu o przemysłowy model analizy danych i dokładnym przewidywaniu momentu wystąpienia awarii.
Scenariusz przemysłowej kontroli jakości: przemysłowa inspekcja wizyjna to pierwsza tradycyjna forma automatycznej kontroli optycznej (AOI) w dziedzinie kontroli jakości. Jednak dotychczasowy rozwój AOI w wielu złożonych scenariuszach, takich jak wykrywanie defektów i inne, ze względu na różnorodność defektów, niepełną ekstrakcję cech, słabą rozszerzalność algorytmów adaptacyjnych, częste aktualizacje linii produkcyjnej, brak elastyczności migracji algorytmów i inne czynniki, utrudniały tradycyjny system AOI zaspokojenie potrzeb rozwoju linii produkcyjnej. Dlatego platforma algorytmów przemysłowej kontroli jakości AI, oparta na uczeniu głębokim i uczeniu na małych próbkach, stopniowo zastępuje tradycyjny schemat kontroli wizualnej. Platforma AI przemysłowej kontroli jakości przeszła dwa etapy: klasyczne algorytmy uczenia maszynowego i algorytmy głębokiego uczenia inspekcji.
Czas publikacji: 08-10-2023