Hvis kunstig intelligens betraktes som en reise fra A til B, er cloud computing-tjeneste en flyplass eller høyhastighetsjernbanestasjon, og edge computing er en taxi eller en felles sykkel. Edge computing er nær siden av mennesker, ting eller datakilder. Den tar i bruk en åpen plattform som integrerer lagring, beregning, nettverkstilgang og applikasjonskjernefunksjoner for å tilby tjenester for brukere i nærheten. Sammenlignet med sentralt distribuerte cloud computing-tjenester, løser edge computing problemer som lang ventetid og høy konvergenstrafikk, og gir bedre støtte for sanntids- og båndbreddekrevende tjenester.
Brannen fra ChatGPT har satt i gang en ny bølge av AI-utvikling, og akselerert synkingen av AI til flere applikasjonsområder som industri, detaljhandel, smarte hjem, smarte byer osv. En stor mengde data må lagres og beregnes på applikasjonsslutt, og å stole på at skyen alene ikke lenger er i stand til å møte den faktiske etterspørselen, forbedrer edge computing den siste kilometeren med AI-applikasjoner. Under den nasjonale politikken for å kraftig utvikle den digitale økonomien, har Kinas cloud computing gått inn i en periode med inkluderende utvikling, etterspørselen etter edge computing har økt, og integrasjonen av cloud edge og end har blitt en viktig evolusjonær retning i fremtiden.
Edge databehandlingsmarkedet vil vokse 36,1 % CAGR i løpet av de neste fem årene
Edgedataindustrien har gått inn i et stadium med jevn utvikling, noe som fremgår av den gradvise diversifiseringen av tjenesteleverandørene, den økende markedsstørrelsen og den videre utvidelsen av bruksområdene. Når det gjelder markedsstørrelse, viser data fra IDCs sporingsrapport at den totale markedsstørrelsen for edge computing-servere i Kina nådde USD 3,31 milliarder i 2021, og den totale markedsstørrelsen for edge computing-servere i Kina forventes å vokse med en sammensatt årlig vekst rate på 22,2 % fra 2020 til 2025. Sullivan anslår at markedsstørrelsen for edge computing i Kina forventes å nå RMB 250,9 milliarder i 2027, med en CAGR på 36,1 % fra 2023 til 2027.
Edge computing øko-industri trives
Edge computing er for tiden i et tidlig stadium av utbruddet, og forretningsgrensene i bransjekjeden er relativt uklare. For enkeltleverandører er det nødvendig å vurdere integrasjonen med forretningsscenarier, og det er også nødvendig å ha evne til å tilpasse seg endringer i forretningsscenarier fra teknisk nivå, og det er også nødvendig å sikre at det er høy grad av kompatibilitet med maskinvareutstyr, samt ingeniørevnen til å lande prosjekter.
Edgedatabransjen er delt inn i chipleverandører, algoritmeleverandører, maskinvareenhetsprodusenter og løsningsleverandører. Chipleverandører utvikler stort sett aritmetiske brikker fra endeside til kantside til skyside, og i tillegg til kantsidebrikker utvikler de også akselerasjonskort og støtter programvareutviklingsplattformer. Algoritmeleverandører tar datasynsalgoritmer som kjernen for å bygge generelle eller tilpassede algoritmer, og det er også bedrifter som bygger algoritmesentre eller opplærings- og push-plattformer. Utstyrsleverandører investerer aktivt i edge computing-produkter, og formen til edge computing-produkter blir stadig beriket, og danner gradvis en full stabel med edge computing-produkter fra brikken til hele maskinen. Løsningsleverandører leverer programvare eller programvare-hardware-integrerte løsninger for spesifikke bransjer.
Edge computing industriapplikasjoner akselererer
Innen smart by
En omfattende inspeksjon av urban eiendom er for tiden ofte brukt i modusen for manuell inspeksjon, og den manuelle inspeksjonsmodusen har problemer med høye tid- og arbeidskrevende kostnader, prosessavhengighet av enkeltpersoner, dårlig dekning og inspeksjonsfrekvens og dårlig kvalitet kontroll. Samtidig registrerte inspeksjonsprosessen en enorm mengde data, men disse dataressursene har ikke blitt transformert til dataressurser for å styrke virksomheten. Ved å bruke AI-teknologi på mobile inspeksjonsscenarier, har bedriften skapt et intelligent AI-inspeksjonskjøretøy for urban styring, som tar i bruk teknologier som tingenes internett, cloud computing, AI-algoritmer og bærer profesjonelt utstyr som høydefinisjonskameraer, on- bordskjermer og AI-sideservere, og kombinerer inspeksjonsmekanismen "intelligent system + intelligent maskin + personalhjelp". Det fremmer transformasjonen av bystyring fra personellintensiv til mekanisk intelligens, fra empirisk vurdering til dataanalyse, og fra passiv respons til aktiv oppdagelse.
Innen intelligent byggeplass
Edge computing-baserte intelligente byggeplassløsninger anvender den dype integrasjonen av AI-teknologi til det tradisjonelle sikkerhetsovervåkingsarbeidet i byggebransjen, ved å plassere en avansert AI-analyseterminal på byggeplassen, og fullføre uavhengig forskning og utvikling av visuelle AI-algoritmer basert på intelligent video analyseteknologi, fulltidsdeteksjon av hendelser som skal oppdages (f.eks. oppdage om man skal bruke hjelm eller ikke), gi personell, miljø, sikkerhet og andre sikkerhetsrisikopunkter identifisering og alarmpåminnelsestjenester, og ta initiativ til identifisering av utrygge faktorer, AI intelligent vakthold, sparer arbeidskraftkostnader, for å møte behovene for personell og eiendomssikkerhetsstyring på byggeplasser.
Innen intelligent transport
Sky-side-end-arkitektur har blitt det grunnleggende paradigmet for distribusjon av applikasjoner i den intelligente transportindustrien, med skysiden som er ansvarlig for sentralisert administrasjon og en del av databehandlingen, kantsiden gir hovedsakelig kant-side dataanalyse og beregningsbeslutning -making behandling, og sluttsiden hovedansvarlig for innsamling av forretningsdata.
I spesifikke scenarier som kjøretøy-vei-koordinering, holografiske veikryss, automatisk kjøring og jernbanetrafikk, er det et stort antall heterogene enheter tilgang til, og disse enhetene krever tilgangsadministrasjon, avkjørselhåndtering, alarmbehandling og drift og vedlikeholdsbehandling. Edge computing kan dele og erobre, gjøre store til små, gi protokollkonverteringsfunksjoner på tvers av lag, oppnå enhetlig og stabil tilgang, og til og med samarbeidskontroll av heterogene data.
Innen industriell produksjon
Produksjonsprosessoptimaliseringsscenario: For tiden er et stort antall diskrete produksjonssystemer begrenset av ufullstendigheten til data, og den generelle utstyrseffektiviteten og andre indeksdataberegninger er relativt slurvete, noe som gjør det vanskelig å bruke for effektivitetsoptimalisering. Edge databehandlingsplattform basert på utstyrsinformasjonsmodell for å oppnå semantisk nivå produksjonssystem horisontal kommunikasjon og vertikal kommunikasjon, basert på sanntids dataflytbehandlingsmekanisme for å aggregere og analysere et stort antall feltsanntidsdata, for å oppnå modellbasert produksjonslinje multi-datakilde informasjon fusjon, for å gi kraftig datastøtte for beslutningstaking i det diskrete produksjonssystemet.
Utstyrsprediktivt vedlikeholdsscenario: Vedlikehold av industrielt utstyr er delt inn i tre typer: reparativt vedlikehold, forebyggende vedlikehold og forutsigbart vedlikehold. Restorativt vedlikehold tilhører ex post facto vedlikehold, forebyggende vedlikehold og prediktivt vedlikehold tilhører ex ante vedlikehold, førstnevnte er basert på tid, utstyrsytelse, anleggsforhold og andre faktorer for regelmessig vedlikehold av utstyr, mer eller mindre basert på menneskelig erfaring, sistnevnte gjennom innsamling av sensordata, sanntidsovervåking av driftstilstanden til utstyret, basert på den industrielle modellen for dataanalyse, og nøyaktig forutsi når feilen oppstår.
Industriell kvalitetsinspeksjonsscenario: Industrielt synsinspeksjonsfelt er den første tradisjonelle automatiske optiske inspeksjonsformen (AOI) i kvalitetsinspeksjonsfeltet, men utviklingen av AOI så langt, i mange defektdeteksjon og andre komplekse scenarier, på grunn av defektene til en rekke av typer, funksjonsutvinning er ufullstendig, adaptive algoritmer dårlig utvidbarhet, produksjonslinjen oppdateres ofte, algoritmemigreringen er ikke fleksibel, og andre faktorer, det tradisjonelle AOI-systemet har vært vanskelig å møte utviklingen av produksjonslinjens behov. Derfor erstatter AI-plattformen for industriell kvalitetsinspeksjonsalgoritme, representert ved dyp læring + liten prøvelæring, gradvis det tradisjonelle visuelle inspeksjonsskjemaet, og plattformen for industriell kvalitetsinspeksjon av AI har gått gjennom to stadier av klassiske maskinlæringsalgoritmer og inspeksjonsalgoritmer for dyp læring.
Innleggstid: Okt-08-2023