Ha a mesterséges intelligenciát egy A-ból B-be vezető utazásnak tekintjük, akkor a felhőalapú számítástechnika egy repülőtér vagy egy nagysebességű vasútállomás, a peremhálózati számítástechnika pedig egy taxi vagy egy megosztott kerékpár. A peremhálózati számítástechnika az emberek, dolgok vagy adatforrások közelében működik. Nyílt platformot alkalmaz, amely integrálja a tárolást, a számítást, a hálózati hozzáférést és az alkalmazásközponti képességeket, hogy szolgáltatásokat nyújtson a közelben lévő felhasználóknak. A központilag telepített felhőalapú számítástechnikai szolgáltatásokkal összehasonlítva a peremhálózati számítástechnika megoldja az olyan problémákat, mint a hosszú késleltetés és a nagy konvergencia forgalom, jobban támogatva a valós idejű és sávszélességet igénylő szolgáltatásokat.
A ChatGPT tüze új mesterséges intelligencia fejlesztési hullámot indított el, felgyorsítva a mesterséges intelligencia elterjedését olyan alkalmazási területeken, mint az ipar, a kiskereskedelem, az intelligens otthonok, az intelligens városok stb. Az alkalmazás végén nagy mennyiségű adatot kell tárolni és kiszámítani, és a felhőre való kizárólagos támaszkodás már nem képes kielégíteni a tényleges igényeket, az edge computing a mesterséges intelligencia alkalmazások utolsó kilométerét javítja. A digitális gazdaság erőteljes fejlesztésére irányuló nemzeti politika keretében Kína felhőalapú számítástechnikája az inkluzív fejlődés időszakába lépett, az edge computing iránti kereslet megugrott, és a felhő edge és end integrációja a jövőben fontos evolúciós irányzattá vált.
Az edge computing piac várhatóan 36,1%-os éves összetett növekedési ütemmel fog növekedni a következő öt évben.
A peremhálózati számítástechnikai iparág a folyamatos fejlődés szakaszába lépett, amint azt a szolgáltatók fokozatos diverzifikációja, a bővülő piacméret és az alkalmazási területek további bővülése is bizonyítja. A piaci méretet tekintve az IDC nyomkövető jelentésének adatai azt mutatják, hogy a peremhálózati számítástechnikai szerverek teljes piaci mérete Kínában elérte a 3,31 milliárd USD-t 2021-ben, és a peremhálózati számítástechnikai szerverek teljes piaci mérete Kínában várhatóan 22,2%-os összetett éves növekedési ütemmel fog növekedni 2020 és 2025 között. A Sullivan előrejelzése szerint a peremhálózati számítástechnikai piac mérete Kínában várhatóan eléri a 250,9 milliárd RMB-t 2027-re, a 2023 és 2027 közötti éves összetett növekedési rátával pedig 36,1%-os éves összetett növekedési rátával.
Virágzik az edge computing ökoipar
Az edge computing jelenleg a járvány korai szakaszában van, és az iparági lánc üzleti határai viszonylag homályosak. Az egyes szállítók esetében figyelembe kell venni az üzleti forgatókönyvekkel való integrációt, valamint képesnek kell lenniük technikai szinten alkalmazkodni az üzleti forgatókönyvek változásaihoz, és biztosítani kell a hardvereszközökkel való magas fokú kompatibilitást, valamint a projektek megvalósításához szükséges mérnöki képességet.
Az edge computing iparági lánc chipgyártókra, algoritmusgyártókra, hardvereszköz-gyártókra és megoldásszolgáltatókra oszlik. A chipgyártók többnyire aritmetikai chipeket fejlesztenek az end-side-től az edge-side-en át a felhőoldalig, és az edge-side chipek mellett gyorsítókártyákat is fejlesztenek, és szoftverfejlesztési platformokat támogatnak. Az algoritmusgyártók a számítógépes látás algoritmusait veszik alapul általános vagy egyedi algoritmusok építéséhez, és vannak olyan vállalkozások is, amelyek algoritmus bevásárlóközpontokat vagy képzési és push platformokat építenek. A berendezésgyártók aktívan befektetnek az edge computing termékekbe, és az edge computing termékek formája folyamatosan bővül, fokozatosan kialakítva az edge computing termékek teljes körét a chiptől az egész gépig. A megoldásszolgáltatók szoftveres vagy szoftver-hardver integrált megoldásokat kínálnak adott iparágak számára.
A peremhálózati számítástechnikai alkalmazások felgyorsulnak
Az intelligens város területén
A városi ingatlanok átfogó ellenőrzését jelenleg általában manuális ellenőrzéssel végzik, és a manuális ellenőrzési mód problémái közé tartozik a magas időigényű és munkaigényes költségek, a folyamat egyénektől való függősége, a gyenge lefedettség és az ellenőrzési gyakoriság, valamint a gyenge minőségellenőrzés. Ugyanakkor az ellenőrzési folyamat hatalmas mennyiségű adatot rögzített, de ezeket az adatforrásokat nem alakították át üzleti célú adatvagyonná. A mesterséges intelligencia technológiájának mobil ellenőrzési forgatókönyvekben történő alkalmazásával a vállalat egy városirányítási mesterséges intelligencián alapuló intelligens ellenőrző járművet hozott létre, amely olyan technológiákat alkalmaz, mint a dolgok internete, a felhőalapú számítástechnika, a mesterséges intelligencia algoritmusai, és professzionális felszereléseket, például nagyfelbontású kamerákat, fedélzeti kijelzőket és mesterséges intelligencia oldali szervereket hordoz, és ötvözi az "intelligens rendszer + intelligens gép + személyzeti segítségnyújtás" ellenőrzési mechanizmusát. Elősegíti a városirányítás átalakulását a személyzetigényesről a mechanikus intelligenciára, az empirikus megítélésről az adatelemzésre, a passzív válaszról pedig az aktív felfedezésre.
Az intelligens építkezés területén
Az edge computing alapú intelligens építkezési megoldások a mesterséges intelligencia (MI) technológiájának mélyreható integrációját alkalmazzák a hagyományos építőipari biztonsági felügyeleti munkába azáltal, hogy egy edge AI elemző terminált helyeznek el az építkezésen, elvégzik az intelligens videoanalitikai technológián alapuló vizuális AI algoritmusok független kutatását és fejlesztését, teljes idejű észlelést végeznek az észlelendő eseményekről (pl. sisak viselésének szükségességének észlelése), személyzeti, környezeti, biztonsági és egyéb biztonsági kockázati pontok azonosítására és riasztási emlékeztető szolgáltatások nyújtására, valamint kezdeményezőkészséget vállalnak a veszélyes tényezők azonosításában, az AI intelligens őrzésben, megtakarítva a munkaerőköltségeket, hogy kielégítsék az építkezések személyzeti és vagyonbiztonsági irányítási igényeit.
Az intelligens közlekedés területén
A felhőoldali architektúra az intelligens közlekedési iparágban az alkalmazások telepítésének alapvető paradigmájává vált, ahol a felhőoldal felelős a központosított menedzsmentért és az adatfeldolgozás egy részéért, a peremoldal főként a peremoldali adatelemzést és a számítási döntéshozatalt biztosítja, a végpont pedig elsősorban az üzleti adatok gyűjtéséért felelős.
Bizonyos esetekben, mint például a jármű-út koordináció, a holografikus kereszteződések, az automatikus vezetés és a vasúti forgalom, nagyszámú heterogén eszközhöz férnek hozzá, és ezek az eszközök hozzáférés-kezelést, kijáratkezelést, riasztásfeldolgozást, valamint üzemeltetési és karbantartási feldolgozást igényelnek. Az edge computing képes megosztani és meghódítani, a nagyot kicsivé alakítani, rétegek közötti protokollkonverziós funkciókat biztosítani, egységes és stabil hozzáférést elérni, sőt akár heterogén adatok közös vezérlését is lehetővé tenni.
Az ipari gyártás területén
Gyártási folyamat optimalizálási forgatókönyv: Jelenleg számos diszkrét gyártórendszert korlátoz az adatok hiányossága, és az általános berendezéshatékonyság és egyéb indexadatok számítása viszonylag hanyag, ami megnehezíti a hatékonyság optimalizálására való felhasználást. A berendezésinformációs modellen alapuló peremhálózati számítástechnikai platform szemantikai szintű gyártórendszer horizontális és vertikális kommunikációt valós idejű adatfolyam-feldolgozási mechanizmuson alapul, amely nagyszámú valós idejű terepi adatot összesít és elemez, modellalapú gyártósor-több adatforrás információfúziót valósít meg, és hatékony adattámogatást nyújt a diszkrét gyártórendszer döntéshozatalához.
Berendezések prediktív karbantartásának forgatókönyve: Az ipari berendezések karbantartása három típusra oszlik: helyreállító karbantartás, megelőző karbantartás és prediktív karbantartás. A helyreállító karbantartás az utólagos karbantartáshoz, a megelőző karbantartás pedig az előzetes karbantartáshoz tartozik. Az előbbi az időn, a berendezés teljesítményén, a helyszíni körülményeken és egyéb tényezőkön alapul, a berendezések rendszeres karbantartása többé-kevésbé az emberi tapasztalatokon alapul, az utóbbi pedig az érzékelőadatok gyűjtésén, a berendezés működési állapotának valós idejű monitorozásán, az adatelemzés ipari modelljén alapul, és pontosan előrejelzi a meghibásodás időpontját.
Ipari minőségellenőrzési forgatókönyv: az ipari vizuális ellenőrzési terület az első hagyományos automatikus optikai ellenőrzési (AOI) forma a minőségellenőrzés területén, de az AOI eddigi fejlesztése során számos hibaészlelési és más összetett forgatókönyvben a különféle típusú hibák, a jellemzők kinyerése hiányos, az adaptív algoritmusok gyenge bővíthetősége, a gyártósor gyakori frissítése, az algoritmusmigráció nem rugalmas és egyéb tényezők miatt a hagyományos AOI rendszer nehezen tudta kielégíteni a gyártósor fejlődési igényeit. Ezért a mélytanulás + kismintás tanulás által képviselt mesterséges intelligencia ipari minőségellenőrzési algoritmus platform fokozatosan felváltja a hagyományos vizuális ellenőrzési sémát, és a mesterséges intelligencia ipari minőségellenőrzési platform két szakaszon ment keresztül: a klasszikus gépi tanulási algoritmusokon és a mélytanulási ellenőrzési algoritmusokon.
Közzététel ideje: 2023. október 8.