Hvis kunstig intelligens betraktes som en reise fra A til B, er skytjenester en flyplass eller høyhastighetsjernbanestasjon, og edge computing er en taxi eller en delt sykkel. Edge computing er nært mennesker, ting eller datakilder. Den bruker en åpen plattform som integrerer lagring, beregning, nettverkstilgang og applikasjonskjernefunksjoner for å tilby tjenester for brukere i nærheten. Sammenlignet med sentralt distribuerte skytjenester, løser edge computing problemer som lang ventetid og høy konvergenstrafikk, og gir bedre støtte for sanntids- og båndbreddekrevende tjenester.
ChatGPT-ilden har satt i gang en ny bølge av AI-utvikling, noe som akselererer innføringen av AI i flere applikasjonsområder som industri, detaljhandel, smarte hjem, smarte byer osv. En stor mengde data må lagres og beregnes i applikasjonsenden, og det å stole på skyen alene er ikke lenger i stand til å møte den faktiske etterspørselen. Edge computing forbedrer den siste kilometeren av AI-applikasjoner. Under den nasjonale politikken for kraftig å utvikle den digitale økonomien har Kinas skytjenester gått inn i en periode med inkluderende utvikling, etterspørselen etter edge computing har økt kraftig, og integreringen av skytjenester i edge computing har blitt en viktig evolusjonær retning i fremtiden.
Markedet for edge computing vil vokse med en årlig vekstrate på 36,1 % i løpet av de neste fem årene.
Kantdatabehandlingsindustrien har gått inn i en fase med jevn utvikling, noe som fremgår av den gradvise diversifiseringen av tjenesteleverandører, den voksende markedsstørrelsen og den videre utvidelsen av bruksområder. Når det gjelder markedsstørrelse, viser data fra IDCs sporingsrapport at den totale markedsstørrelsen for kantdatabehandlingsservere i Kina nådde 3,31 milliarder amerikanske dollar i 2021, og den totale markedsstørrelsen for kantdatabehandlingsservere i Kina forventes å vokse med en sammensatt årlig vekstrate på 22,2 % fra 2020 til 2025. Sullivan anslår at markedsstørrelsen for kantdatabehandling i Kina forventes å nå 250,9 milliarder RMB i 2027, med en sammensatt årlig vekstrate på 36,1 % fra 2023 til 2027.
Økoindustrien for edge computing blomstrer
Edge computing er for tiden i en tidlig fase av utbruddet, og forretningsgrensene i industrikjeden er relativt uklare. For individuelle leverandører er det nødvendig å vurdere integrasjon med forretningsscenarier, og det er også nødvendig å ha evnen til å tilpasse seg endringer i forretningsscenarier fra det tekniske nivået, og det er også nødvendig å sikre at det er en høy grad av kompatibilitet med maskinvareutstyr, samt ingeniørevne til å lande prosjekter.
Bransjekjeden for edge computing er delt inn i chipleverandører, algoritmeleverandører, maskinvareprodusenter og løsningsleverandører. Chipleverandører utvikler hovedsakelig aritmetiske brikker fra endesiden til kantsiden og skysiden, og i tillegg til kantsidebrikker utvikler de også akselerasjonskort og støtter programvareutviklingsplattformer. Algoritmeleverandører bruker datasynalgoritmer som kjernen for å bygge generelle eller tilpassede algoritmer, og det finnes også bedrifter som bygger algoritmesentre eller opplærings- og push-plattformer. Utstyrsleverandører investerer aktivt i edge computing-produkter, og formen for edge computing-produkter berikes stadig, og danner gradvis en komplett stabel av edge computing-produkter fra brikken til hele maskinen. Løsningsleverandører tilbyr programvare eller programvare-maskinvareintegrerte løsninger for spesifikke bransjer.
Applikasjoner innen edge computing-industrien akselererer
Innen smartby-feltet
En omfattende inspeksjon av byeiendom brukes for tiden ofte i manuell inspeksjonsmodus, og den manuelle inspeksjonsmodusen har problemer med høye tidkrevende og arbeidsintensive kostnader, prosessavhengighet av individer, dårlig dekning og inspeksjonsfrekvens, og dårlig kvalitetskontroll. Samtidig registrerte inspeksjonsprosessen en enorm mengde data, men disse dataressursene har ikke blitt omgjort til dataressurser for forretningsstyrking. Ved å bruke AI-teknologi til mobile inspeksjonsscenarier har bedriften skapt et intelligent AI-inspeksjonskjøretøy for bystyring, som tar i bruk teknologier som tingenes internett, skytjenester, AI-algoritmer, og har profesjonelt utstyr som HD-kameraer, innebygde skjermer og AI-sideservere, og kombinerer inspeksjonsmekanismen "intelligent system + intelligent maskin + personalassistanse". Det fremmer transformasjonen av bystyring fra personellintensiv til mekanisk intelligens, fra empirisk vurdering til dataanalyse, og fra passiv respons til aktiv oppdagelse.
Innen intelligente byggeplasser
Intelligente byggeplassløsninger basert på Edge computing anvender dyp integrering av AI-teknologi i tradisjonell sikkerhetsovervåking i byggebransjen. Dette gjøres ved å plassere en edge AI-analyseterminal på byggeplassen, fullføre uavhengig forskning og utvikling av visuelle AI-algoritmer basert på intelligent videoanalyseteknologi, kontinuerlig deteksjon av hendelser som skal oppdages (f.eks. oppdage om man skal bruke hjelm eller ikke), tilby identifisering av risikopunkter for personell, miljø og andre sikkerhetsrisikoer og alarmpåminnelsestjenester, og ta initiativ til identifisering av usikre faktorer, AI-intelligent vakthold, spare arbeidskraftkostnader og møte behovene for sikkerhetsstyring for personell og eiendom på byggeplasser.
Innen intelligent transport
Skybasert arkitektur har blitt det grunnleggende paradigmet for utrulling av applikasjoner i den intelligente transportbransjen, der skysiden er ansvarlig for sentralisert administrasjon og deler av databehandlingen, kantsiden hovedsakelig sørger for dataanalyse og beregningsbeslutningsprosessering på kantsiden, og sluttsiden hovedsakelig er ansvarlig for innsamling av forretningsdata.
I spesifikke scenarier som koordinering mellom kjøretøy og vei, holografiske kryss, automatisk kjøring og jernbanetrafikk, er det et stort antall heterogene enheter som er tilgjengelige, og disse enhetene krever tilgangsstyring, utkjøringsstyring, alarmbehandling og drift og vedlikeholdsbehandling. Edge computing kan splitte og herske, gjøre stort til lite, tilby protokollkonverteringsfunksjoner på tvers av lag, oppnå enhetlig og stabil tilgang, og til og med samarbeidende kontroll av heterogene data.
Innen industriell produksjon
Scenario for optimalisering av produksjonsprosessen: For tiden er et stort antall diskrete produksjonssystemer begrenset av ufullstendige data, og den totale utstyrseffektiviteten og andre indeksdataberegninger er relativt slurvete, noe som gjør det vanskelig å bruke dem til effektivitetsoptimalisering. Edge computing-plattform basert på utstyrsinformasjonsmodell for å oppnå horisontal og vertikal kommunikasjon i produksjonssystemet på semantisk nivå, basert på en sanntids dataflytbehandlingsmekanisme for å aggregere og analysere et stort antall feltdata i sanntid, for å oppnå modellbasert fusjon av informasjon fra flere datakilder i produksjonslinjen, for å gi kraftig datastøtte for beslutningstaking i det diskrete produksjonssystemet.
Scenario for prediktivt vedlikehold av utstyr: Vedlikehold av industrielt utstyr er delt inn i tre typer: reparativt vedlikehold, forebyggende vedlikehold og prediktivt vedlikehold. Restaurerende vedlikehold tilhører etterfølgende vedlikehold, forebyggende vedlikehold og prediktivt vedlikehold tilhører forhåndsvedlikehold. Førstnevnte er basert på tid, utstyrets ytelse, forhold på stedet og andre faktorer for regelmessig vedlikehold av utstyr, mer eller mindre basert på menneskelig erfaring, sistnevnte gjennom innsamling av sensordata, sanntidsovervåking av utstyrets driftstilstand, basert på industrielle modeller for dataanalyse, og nøyaktig forutsigelse av når feilen oppstår.
Scenario for industriell kvalitetsinspeksjon: Industrielt synsinspeksjonsfelt er den første tradisjonelle automatiske optiske inspeksjonsformen (AOI) innen kvalitetsinspeksjonsfeltet. Men utviklingen av AOI så langt har gitt mange defektdeteksjons- og andre komplekse scenarier. På grunn av en rekke defekter, ufullstendig funksjonsutvinning, dårlig utvidbarhet for adaptive algoritmer, hyppige oppdateringer av produksjonslinjen, manglende fleksibel algoritmemigrering og andre faktorer, har det tradisjonelle AOI-systemet vært vanskelig å møte behovene til produksjonslinjens utvikling. Derfor erstatter AI-plattformen for industriell kvalitetsinspeksjon, representert ved dyp læring + læring av små prøver, gradvis den tradisjonelle visuelle inspeksjonsordningen. AI-plattformen for industriell kvalitetsinspeksjon har gått gjennom to stadier: klassiske maskinlæringsalgoritmer og dyp læringsalgoritmer for inspeksjon.
Publisert: 08. oktober 2023