Jos tekoälyä pidetään matkana paikasta A paikkaan B, pilvipalvelu on lentoasema tai suurnopeusjuna-asema ja reunalaskenta taksi tai yhteinen polkupyörä. Edge computing on lähellä ihmisiä, asioita tai tietolähteitä. Se ottaa käyttöön avoimen alustan, joka integroi tallennus-, laskenta-, verkkokäyttö- ja sovelluksen ydinominaisuudet palvelujen tarjoamiseksi lähistöllä oleville käyttäjille. Verrattuna keskitetysti käyttöön otettuihin pilvipalveluihin, reunalaskenta ratkaisee ongelmia, kuten pitkän viiveen ja suuren konvergenssiliikenteen, tarjoten paremman tuen reaaliaikaisille ja kaistanleveyttä vaativille palveluille.
ChatGPT:n tulipalo on käynnistänyt uuden tekoälykehityksen aallon, joka on nopeuttanut tekoälyn uppoamista useammille sovellusalueille, kuten teollisuuteen, vähittäiskauppaan, älykotiin, älykkäisiin kaupunkeihin jne. Suuri määrä dataa on tallennettava ja laskettava sovellus loppuu, ja pelkkään pilveen luottaen ei enää pysty vastaamaan todelliseen kysyntään, reunalaskenta parantaa tekoälysovellusten viimeistä kilometriä. Digitaalisen talouden voimakkaan kehittämisen kansallisen politiikan mukaisesti Kiinan pilvilaskenta on siirtynyt osallistavan kehityksen jaksoon, reunalaskennan kysyntä on kasvanut ja pilven reunan ja lopun integroinnista on tullut tärkeä kehityssuunta tulevaisuudessa.
Edge computing -markkinat kasvavat 36,1 prosenttia CAGR:stä seuraavan viiden vuoden aikana
Reunalaskenta-ala on siirtynyt tasaisen kehityksen vaiheeseen, mistä ovat osoituksena sen palveluntarjoajien asteittainen monipuolistuminen, kasvava markkinakoko ja sovellusalueiden edelleen laajentuminen. Markkinoiden koon osalta IDC:n seurantaraportin tiedot osoittavat, että reunalaskentapalvelimien kokonaismarkkinoiden koko Kiinassa oli 3,31 miljardia dollaria vuonna 2021, ja reunalaskentapalvelimien kokonaismarkkinoiden koon Kiinassa odotetaan kasvavan vuosittaisella kasvulla. 22,2 % vuosina 2020–2025. Sullivan ennustaa, että reunalaskennan markkinoiden koon Kiinassa odotetaan nousevan 250,9 miljardiin RMB:iin vuonna 2027 ja CAGR:n olevan 36,1 % vuosina 2023–2027.
Edge computing -ekoteollisuus kukoistaa
Edge computing on tällä hetkellä epidemian alkuvaiheessa, ja toimialaketjun liiketoimintarajat ovat suhteellisen sumeat. Yksittäisten toimittajien kohdalla on tarpeen harkita integrointia liiketoimintaskenaarioihin, ja on myös kyettävä sopeutumaan liiketoimintaskenaarioiden muutoksiin tekniseltä tasolta, ja on myös varmistettava, että yhteensopivuus laitteistolaitteiden kanssa sekä suunnittelukyky hankkeiden purkamiseen.
Reunalaskenta-alan ketju jakautuu siru-, algoritmi-, laitevalmistajiin ja ratkaisutoimittajiin. Sirujen toimittajat kehittävät enimmäkseen aritmeettisia siruja päästä reunalta pilvipuolelle, ja reunapuolen sirujen lisäksi he kehittävät myös kiihdytyskortteja ja tukevat ohjelmistokehitysalustoja. Algoritmitoimittajat ottavat tietokonenäköalgoritmit ytimenä yleisten tai räätälöityjen algoritmien rakentamisessa, ja on myös yrityksiä, jotka rakentavat algoritmikeskuksia tai koulutus- ja työntöalustoja. Laitetoimittajat investoivat aktiivisesti reunalaskentatuotteisiin, ja reunalaskentatuotteiden muoto rikastuu jatkuvasti muodostaen asteittain täyden pinon reunalaskentatuotteita sirulta koko koneelle. Ratkaisutoimittajat tarjoavat ohjelmistoja tai ohjelmisto-laitteisto-integroituja ratkaisuja tietyille toimialoille.
Edge-laskentateollisuuden sovellukset kiihtyvät
Smart Cityn alalla
Kaupunkikiinteistön kokonaisvaltaista tarkastusta käytetään tällä hetkellä yleisesti manuaalisen tarkastuksen tilassa, ja manuaalisen tarkastuksen ongelmana ovat korkeat aikaa vievät ja työvoimavaltaiset kustannukset, prosessiriippuvuus yksilöistä, huono kattavuus ja tarkastustiheys sekä huono laatu. ohjata. Samaan aikaan tarkastusprosessi tallensi valtavan määrän dataa, mutta näitä tietoresursseja ei ole muutettu tietoresurssiksi liiketoiminnan voimaannuttamiseksi. Soveltamalla tekoälyteknologiaa mobiilitarkastuksiin yritys on luonut kaupunkien hallinnan tekoälyn älykkään tarkastusajoneuvon, joka ottaa käyttöön tekniikoita, kuten esineiden internetin, pilvilaskentaa, tekoälyalgoritmeja ja joka kuljettaa mukanaan ammattimaisia laitteita, kuten teräväpiirtokameroita, taulunäytöt ja AI-puolen palvelimet ja yhdistää "älykäs järjestelmä + älykäs kone + henkilökunnan apu" tarkastusmekanismin. Se edistää kaupunkihallinnon muutosta henkilöstöintensiivisestä mekaaniseen älykkyyteen, empiirisesta arvioinnista data-analyysiin ja passiivisesta vastauksesta aktiiviseen löytöihin.
Älykkään rakennustyömaan alalla
Edge computing -pohjaiset älykkäät työmaaratkaisut soveltavat tekoälyteknologian syvällistä integraatiota perinteiseen rakennusalan turvallisuusvalvontatyöhön sijoittamalla rakennustyömaalle reunan tekoälyanalyysiterminaalin, joka saa päätökseen älykkääseen videoon perustuvien visuaalisten tekoälyalgoritmien itsenäisen tutkimuksen ja kehittämisen. analytiikkatekniikka, havaittavien tapahtumien kokoaikainen havaitseminen (esim. kypärän käyttö vai ei), henkilöstö-, ympäristö-, turvallisuus- ja muiden turvallisuusriskipisteiden tunnistus- ja hälytysmuistutuspalvelujen tarjoaminen sekä aloitteen tekeminen vaarallisten kohteiden tunnistamiseen tekijät, AI älykäs vartiointi, työvoimakustannusten säästö, rakennustyömaiden henkilöstö- ja omaisuusturvallisuuden hallinnan tarpeisiin.
Älykkään liikenteen alalla
Pilvipuolen arkkitehtuurista on tullut älykkään liikenteen sovellusten käyttöönoton perusparadigma, jossa pilvipuoli vastaa keskitetystä hallinnasta ja osa tietojenkäsittelystä, reunapuoli tarjoaa pääasiassa reunapuolen data-analyysin ja laskentapäätöksen. -valmistusprosessi, ja loppupuoli vastaa pääasiassa yritystietojen keräämisestä.
Tietyissä skenaarioissa, kuten ajoneuvon ja tien koordinoinnissa, holografisissa risteyksissä, automaattisessa ajossa ja rautatieliikenteessä, käytössä on suuri määrä heterogeenisiä laitteita, ja nämä laitteet vaativat pääsynhallinnan, poistumisten hallinnan, hälytyskäsittelyn sekä käyttö- ja ylläpitokäsittelyn. Edge computing voi jakaa ja valloittaa, muuttaa suuria pieniksi, tarjota monitasoisia protokollamuunnostoimintoja, saavuttaa yhtenäisen ja vakaan pääsyn ja jopa yhteisen hallinnan heterogeenisille tiedoille.
Teollisen valmistuksen alalla
Tuotantoprosessin optimoinnin skenaario: Tällä hetkellä suurta määrää erillisiä valmistusjärjestelmiä rajoittaa tietojen epätäydellisyys, ja laitteiden kokonaistehokkuus ja muut indeksitiedot ovat suhteellisen huolimattomia, mikä vaikeuttaa tehokkuuden optimointia. Edge-laskenta-alusta, joka perustuu laitteiden tietomalliin semanttisen tason valmistusjärjestelmän horisontaalisen viestinnän ja vertikaalisen viestinnän saavuttamiseksi, joka perustuu reaaliaikaiseen tietovirran käsittelymekanismiin suuren määrän kentän reaaliaikaista dataa yhdistämiseksi ja analysoimiseksi mallipohjaisen tuotantolinjan saavuttamiseksi usean tietolähteen tiedon fuusio, joka tarjoaa tehokkaan datatuen päätöksentekoon erillisessä valmistusjärjestelmässä.
Laitteiden ennakoiva huolto skenaario: Teollisuuden laitteiden huolto on jaettu kolmeen tyyppiin: korjaava huolto, ennakoiva huolto ja ennakoiva huolto. Korjaava huolto kuuluu jälkihuoltoon, ennaltaehkäisevä huolto ja ennakoiva huolto ennakkohuoltoon, ensimmäinen perustuu aikaan, laitteiden suorituskykyyn, työmaan olosuhteisiin ja muihin laitteiden säännöllisen huollon tekijöihin, jotka perustuvat enemmän tai vähemmän ihmisen toimintaan. kokemus, jälkimmäinen keräämällä anturitietoja, valvomalla reaaliaikaisesti laitteiden toimintatilaa teolliseen data-analyysimalliin perustuen ja ennustamalla tarkasti, milloin vika ilmenee.
Teollisuuden laaduntarkastuksen skenaario: teollisen näön tarkastuskenttä on ensimmäinen perinteinen automaattinen optinen tarkastus (AOI) laaduntarkastuskenttään, mutta AOI:n kehitys on tähän mennessä kehittynyt monissa vikojen havaitsemisessa ja muissa monimutkaisissa skenaarioissa, mikä johtuu erilaisten vikojen vuoksi. tyyppejä, ominaisuus louhinta on epätäydellinen, mukautuvat algoritmit huono laajennettavuus, tuotantolinja päivitetään usein, algoritmi muuttoliike ei ole joustava, ja muut tekijät, perinteinen AOI-järjestelmä on ollut vaikea vastata kehitystä tuotantolinjan tarpeisiin. Siksi syväoppimisen + pienen näyteoppimisen edustama tekoälyn teollisen laaduntarkistusalgoritmialusta on vähitellen korvaamassa perinteisen visuaalisen tarkastusjärjestelmän, ja tekoälyn teollisen laaduntarkastusalusta on käynyt läpi kaksi klassisten koneoppimisalgoritmien ja syväoppimisen tarkastusalgoritmien vaihetta.
Postitusaika: 08.10.2023