Jos tekoälyä pidetään matkana pisteestä A pisteeseen B, pilvipalvelu on lentokenttä tai suurnopeusjuna-asema ja reunalaskenta on taksi tai jaettu polkupyörä. Reunalaskenta on lähellä ihmisiä, asioita tai tietolähteitä. Se käyttää avointa alustaa, joka integroi tallennuksen, laskennan, verkkoyhteyden ja sovellusten ydinominaisuudet tarjotakseen palveluita lähellä oleville käyttäjille. Keskitetysti käyttöönotettuihin pilvipalveluihin verrattuna reunalaskenta ratkaisee ongelmia, kuten pitkän viiveen ja suuren konvergenssin liikenteen, tarjoten paremman tuen reaaliaikaisille ja kaistanleveyttä vaativille palveluille.
ChatGPT:n tulipalo on käynnistänyt uuden tekoälyn kehitysaallon, joka on kiihdyttänyt tekoälyn uppoamista useampiin sovellusalueisiin, kuten teollisuuteen, vähittäiskauppaan, älykoteihin, älykaupunkeihin jne. Sovelluspäässä on tallennettava ja laskettava suuri määrä dataa, eikä pelkästään pilveen luottaminen enää pysty vastaamaan todelliseen kysyntään. Reunalaskenta parantaa tekoälysovellusten viimeistä kilometriä. Digitaalitalouden voimakkaan kehittämispolitiikan myötä Kiinan pilvilaskenta on siirtynyt osallistavan kehityksen aikaan, reunalaskennan kysyntä on kasvanut voimakkaasti ja pilvireunan ja päätepisteen integroinnista on tullut tärkeä kehityssuunta tulevaisuudessa.
Reunalaskennan markkinat kasvavat 36,1 % vuotuisella kasvuvauhdilla seuraavan viiden vuoden aikana
Reunalaskennan toimiala on siirtynyt vakaan kehityksen vaiheeseen, mistä on osoituksena palveluntarjoajien asteittainen monipuolistuminen, kasvava markkinakoko ja sovellusalueiden jatkuva laajeneminen. Markkinoiden koon osalta IDC:n seurantaraportin tiedot osoittavat, että reunalaskennan palvelimien kokonaismarkkinakoko Kiinassa oli 3,31 miljardia Yhdysvaltain dollaria vuonna 2021, ja reunalaskennan palvelimien kokonaismarkkinakoon Kiinassa odotetaan kasvavan 22,2 prosentin vuotuisella kasvuvauhdilla vuosina 2020–2025. Sullivan ennustaa, että reunalaskennan markkinakoon Kiinassa odotetaan saavuttavan 250,9 miljardia RMB vuonna 2027, ja vuotuinen kasvuvauhti on 36,1 prosenttia vuosina 2023–2027.
Edge computing -ekoteollisuus kukoistaa
Reunalaskenta on tällä hetkellä epidemian alkuvaiheessa, ja toimialaketjun liiketoimintarajat ovat suhteellisen epämääräiset. Yksittäisten toimittajien on otettava huomioon integrointi liiketoimintaskenaarioihin, ja on myös kyettävä sopeutumaan liiketoimintaskenaarioiden muutoksiin teknisellä tasolla. On myös varmistettava, että laitteistojen yhteensopivuus on korkeaa, samoin kuin tekninen kyky projektien toteuttamiseen.
Reunalaskennan toimialaketju jakautuu sirutoimittajiin, algoritmitoimittajiin, laitteistovalmistajiin ja ratkaisutoimittajiin. Sirutoimittajat kehittävät enimmäkseen aritmeettisia siruja päätelaitteesta reunaan ja pilvilaitteeseen, ja reunapuolen sirujen lisäksi ne kehittävät myös kiihdytyskortteja ja tukevat ohjelmistokehitysalustoja. Algoritmitoimittajat käyttävät konenäköalgoritmeja yleisten tai räätälöityjen algoritmien rakentamisen ytimenä, ja on myös yrityksiä, jotka rakentavat algoritmikeskuksia tai koulutus- ja push-alustoja. Laitetoimittajat investoivat aktiivisesti reunalaskennan tuotteisiin, ja reunalaskennan tuotteiden muoto rikastuu jatkuvasti, muodostaen vähitellen täyden pinon reunalaskennan tuotteita sirusta koko koneeseen. Ratkaisutoimittajat tarjoavat ohjelmistoja tai ohjelmisto-laitteisto-integroituja ratkaisuja tietyille toimialoille.
Reunalaskennan alan sovellukset kiihtyvät
Älykaupungin alalla
Kaupunkikiinteistöjen kattava tarkastus tehdään tällä hetkellä yleisesti manuaalisesti, ja manuaalisen tarkastustavan ongelmina ovat korkeat aikaa vievät ja työvoimavaltaiset kustannukset, prosessin riippuvuus yksilöistä, heikko kattavuus ja tarkastustiheys sekä heikko laadunvalvonta. Samaan aikaan tarkastusprosessissa tallentui valtava määrä tietoa, mutta näitä tietovaroja ei ole muunnettu liiketoiminnan edistämiseksi tarkoitetuiksi tietovaroiksi. Soveltamalla tekoälyteknologiaa mobiilitarkastusskenaarioihin yritys on luonut kaupunkihallinnon tekoälytarkastusajoneuvon, joka hyödyntää teknologioita, kuten esineiden internetiä, pilvipalveluita ja tekoälyalgoritmeja, ja jossa on ammattimaisia laitteita, kuten teräväpiirtokameroita, ajoneuvonäyttöjä ja tekoälypuolen palvelimia, ja yhdistää "älykäs järjestelmä + älykäs kone + henkilöstön apu" -tarkastusmekanismin. Se edistää kaupunkihallinnon muutosta henkilöstöintensiivisestä mekaaniseen älykkyyteen, empiirisestä arvioinnista data-analyysiin ja passiivisesta reagoinnista aktiiviseen löytämiseen.
Älykkään rakennustyömaan alalla
Reunalaskentaan perustuvat älykkäät rakennustyömaaratkaisut soveltavat tekoälyteknologian syvällistä integrointia perinteiseen rakennusalan turvallisuusvalvontatyöhön sijoittamalla reunalaskennan tekoälyanalyysipäätteen rakennustyömaalle, suorittamalla älykkääseen videoanalytiikkateknologiaan perustuvien visuaalisten tekoälyalgoritmien itsenäistä tutkimus- ja kehitystyötä, havaitsevien tapahtumien jatkuvaa havaitsemista (esim. kypärän käytön tarpeen havaitsemista), tarjoamalla henkilöstö-, ympäristö-, turvallisuus- ja muiden turvallisuusriskipisteiden tunnistus- ja hälytysmuistutuspalveluita sekä ottamalla aloitteen vaarallisten tekijöiden tunnistamiseen, älykkääseen tekoälyvartiointiin, säästäen työvoimakustannuksia ja täyttämällä rakennustyömaiden henkilöstö- ja omaisuusturvallisuuden hallintatarpeet.
Älykkään liikenteen alalla
Pilvipalveluarkkitehtuurista on tullut älykkään liikenteen sovellusten käyttöönoton perusparadigma. Pilvipalvelu vastaa keskitetystä hallinnasta ja osasta tietojenkäsittelyä, reunapalvelu tarjoaa pääasiassa reunapalvelun data-analyysin ja laskennallisen päätöksenteon, ja päätepalvelu vastaa pääasiassa liiketoimintadatan keräämisestä.
Tietyissä tilanteissa, kuten ajoneuvojen ja teiden koordinoinnissa, holografisissa risteyksissä, automaattisessa ajamisessa ja raideliikenteessä, käytössä on suuri määrä heterogeenisiä laitteita, ja nämä laitteet vaativat pääsynhallintaa, poistumistienhallintaa, hälytysten käsittelyä sekä käyttö- ja kunnossapitokäsittelyä. Reunalaskenta voi jakaa ja hallita, muuttaa suuren pieneksi, tarjota kerrosten välisiä protokollamuunnostoimintoja, saavuttaa yhtenäisen ja vakaan pääsyn ja jopa heterogeenisen datan yhteistyöhön perustuvan hallinnan.
Teollisen valmistuksen alalla
Tuotantoprosessin optimointiskenaario: Tällä hetkellä suuri määrä erillisiä valmistusjärjestelmiä on rajoitettuja datan epätäydellisyyden vuoksi, ja laitteiden yleinen tehokkuus ja muut indeksitietojen laskelmat ovat suhteellisen huolimattomia, mikä vaikeuttaa niiden käyttöä tehokkuuden optimoinnissa. Reunalaskenta-alusta, joka perustuu laitteiden tietomalliin semanttisen tason valmistusjärjestelmän horisontaalisen ja vertikaalisen viestinnän saavuttamiseksi, perustuu reaaliaikaiseen tiedonkulun käsittelymekanismiin suuren määrän reaaliaikaisen kenttädatan kokoamiseksi ja analysoimiseksi mallipohjaisen tuotantolinjan useiden tietolähteiden tiedon yhdistämiseksi ja tehokkaan datatuen tarjoamiseksi päätöksenteolle erillisessä valmistusjärjestelmässä.
Laitteiden ennakoivan kunnossapidon skenaario: Teollisuuslaitteiden kunnossapito jaetaan kolmeen tyyppiin: korjaavaan kunnossapitoon, ennaltaehkäisevään kunnossapitoon ja ennakoivaan kunnossapitoon. Korjaava kunnossapito kuuluu jälkikäteen tehtävään kunnossapitoon, ennakoiva kunnossapito ja ennakoiva kunnossapito kuuluvat ennakkoon tehtävään kunnossapitoon. Ensimmäinen perustuu aikaan, laitteiden suorituskykyyn, työmaan olosuhteisiin ja muihin tekijöihin. Laitteiden säännöllinen huolto perustuu enemmän tai vähemmän ihmisen kokemukseen, kun taas jälkimmäinen perustuu anturitietojen keräämiseen, laitteiden toimintatilan reaaliaikaiseen seurantaan ja teollisuusmallin data-analyysiin, jotta voidaan ennustaa tarkasti vian tapahtumisaika.
Teollisuuden laaduntarkastuksen skenaario: Teollisuuden konenäkötarkastusala on ensimmäinen perinteinen automaattisen optisen tarkastuksen (AOI) muoto laaduntarkastuksen alalla, mutta AOI:n kehitys tähän mennessä on osoittanut monissa viantunnistuksessa ja muissa monimutkaisissa tilanteissa erilaisten vikojen havaitsemista ja muita monimutkaisia skenaarioita. Erilaisten vikojen, ominaisuuksien epätäydellisen tunnistamisen, adaptiivisten algoritmien heikon laajennettavuuden, tuotantolinjan tiheän päivityksen, algoritmien joustavan migraation ja muiden tekijöiden vuoksi perinteinen AOI-järjestelmä on ollut vaikea vastata tuotantolinjan kehityksen tarpeisiin. Siksi syväoppimiseen ja piennäytteen oppimiseen perustuva tekoälyyn perustuva teollisen laaduntarkastuksen algoritmialusta on vähitellen korvaamassa perinteisen visuaalisen tarkastusjärjestelmän, ja tekoälyyn perustuva teollisen laaduntarkastuksen alusta on käynyt läpi kaksi vaihetta: klassiset koneoppimisalgoritmit ja syväoppivat tarkastusalgoritmit.
Julkaisun aika: 08.10.2023