Jeśli sztuczną inteligencję potraktować jako podróż z punktu A do B, 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 dużej 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 przetwarzania brzegowego 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 sztucznej inteligencji 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 w sobie 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 identyfikacji punktów ryzyka dla personelu, środowiska, bezpieczeństwa i innych punktów ryzyka oraz 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 zaspokojenia 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