Hvis kunstig intelligens betragtes som en rejse fra A til B, er cloud computing-tjeneste en lufthavn eller højhastighedstogstation, og edge computing er en taxa eller en delt cykel. Edge computing er tæt på siden af mennesker, ting eller datakilder. Det vedtager en åben platform, der integrerer lagring, beregning, netværksadgang og applikationskernefunktioner for at levere tjenester til brugere i nærheden. Sammenlignet med centralt implementerede cloud computing-tjenester, løser edge computing problemer såsom lang ventetid og høj konvergenstrafik, hvilket giver bedre support til realtids- og båndbreddekrævende tjenester.
Branden fra ChatGPT har sat gang i en ny bølge af AI-udvikling, der har fremskyndet nedsænkningen af AI til flere anvendelsesområder såsom industri, detailhandel, smarte hjem, smarte byer osv. En stor mængde data skal lagres og beregnes på applikationsslut, og at stole på, at skyen alene ikke længere er i stand til at imødekomme den faktiske efterspørgsel, forbedrer edge computing den sidste kilometer af AI-applikationer. Under den nationale politik om kraftigt at udvikle den digitale økonomi er Kinas cloud computing gået ind i en periode med inklusiv udvikling, efterspørgsel efter edge computing er steget, og integrationen af cloud edge og end er blevet en vigtig evolutionær retning i fremtiden.
Edge computing-markedet vil vokse med 36,1% CAGR i løbet af de næste fem år
Edgecomputerindustrien er gået ind i et stadie af konstant udvikling, hvilket fremgår af den gradvise diversificering af dens tjenesteudbydere, den voksende markedsstørrelse og den yderligere udvidelse af anvendelsesområder. Med hensyn til markedsstørrelse viser data fra IDC's sporingsrapport, at den samlede markedsstørrelse for edge computing-servere i Kina nåede 3,31 milliarder USD i 2021, og den samlede markedsstørrelse for edge computing-servere i Kina forventes at vokse med en sammensat årlig vækst sats på 22,2 % fra 2020 til 2025. Sullivan forudser, at markedsstørrelsen for edge computing i Kina forventes at nå op på 250,9 milliarder RMB i 2027 med en CAGR på 36,1 % fra 2023 til 2027.
Edge computing øko-industrien trives
Edge computing er i øjeblikket i den tidlige fase af udbruddet, og forretningsgrænserne i branchekæden er relativt uklare. For de enkelte leverandører er det nødvendigt at overveje integrationen med forretningsscenarier, og det er også nødvendigt at kunne tilpasse sig ændringer i forretningsscenarier fra det tekniske niveau, ligesom det er nødvendigt at sikre, at der er en høj grad af kompatibilitet med hardwareudstyr, samt den tekniske evne til at lande projekter.
Edgecomputerindustriens kæde er opdelt i chipleverandører, algoritmeleverandører, hardwareenhedsproducenter og løsningsudbydere. Chipleverandører udvikler for det meste aritmetiske chips fra endeside til kantside til skyside, og udover kantsidechips udvikler de også accelerationskort og understøtter softwareudviklingsplatforme. Algoritmeleverandører tager computervisionsalgoritmer som kernen for at bygge generelle eller tilpassede algoritmer, og der er også virksomheder, der bygger algoritmecentre eller trænings- og push-platforme. Udstyrsleverandører investerer aktivt i edge computing-produkter, og formen af edge computing-produkter beriges konstant og danner gradvist en fuld stak af edge computing-produkter fra chippen til hele maskinen. Løsningsudbydere leverer software eller software-hardware-integrerede løsninger til specifikke industrier.
Edge computing industriapplikationer accelererer
Inden for smart city
En omfattende inspektion af byejendomme er i øjeblikket almindeligt anvendt i tilstanden for manuel inspektion, og den manuelle inspektionstilstand har problemer med høje tidskrævende og arbejdskrævende omkostninger, procesafhængighed af enkeltpersoner, dårlig dækning og inspektionsfrekvens og dårlig kvalitet kontrollere. Samtidig registrerede inspektionsprocessen en enorm mængde data, men disse dataressourcer er ikke blevet omdannet til dataaktiver til forretningsbemyndigelse. Ved at anvende AI-teknologi til mobile inspektionsscenarier har virksomheden skabt et intelligent AI-inspektionskøretøj for urban governance, som anvender teknologier såsom Internet of Things, cloud computing, AI-algoritmer og bærer professionelt udstyr såsom high-definition kameraer, on- bordskærme og AI-sideservere og kombinerer inspektionsmekanismen "intelligent system + intelligent maskine + personaleassistance". Det fremmer transformationen af bystyring fra personaleintensiv til mekanisk intelligens, fra empirisk bedømmelse til dataanalyse og fra passiv respons til aktiv opdagelse.
Inden for intelligent byggeplads
Edge computing-baserede intelligente byggepladsløsninger anvender den dybe integration af AI-teknologi til det traditionelle sikkerhedsovervågningsarbejde i byggebranchen ved at placere en edge AI-analyseterminal på byggepladsen, fuldende den uafhængige forskning og udvikling af visuelle AI-algoritmer baseret på intelligent video analyseteknologi, fuldtidsdetektion af hændelser, der skal detekteres (f.eks. registrering af, om der skal bæres hjelm eller ej), tilvejebringelse af personale, miljø, sikkerhed og andre sikkerhedsrisikopunkters identifikation og alarmpåmindelsestjenester og tage initiativ til identifikation af usikre faktorer, AI intelligent bevogtning, sparer arbejdskraftomkostninger, for at imødekomme behovene for personale- og ejendomssikkerhedsstyring på byggepladser.
Inden for intelligent transport
Cloud-side-end-arkitektur er blevet det grundlæggende paradigme for implementering af applikationer i den intelligente transportindustri, hvor cloud-siden er ansvarlig for centraliseret styring og en del af databehandlingen, og edge-siden leverer hovedsageligt kant-side dataanalyse og beregningsbeslutning -making behandling, og slutsiden hovedsageligt ansvarlig for indsamling af forretningsdata.
I specifikke scenarier såsom køretøj-vejkoordinering, holografiske kryds, automatisk kørsel og jernbanetrafik er der adgang til et stort antal heterogene enheder, og disse enheder kræver adgangsstyring, udkørselsstyring, alarmbehandling og drift og vedligeholdelsesbehandling. Edge computing kan opdele og erobre, blive stort til småt, levere tværlagsprotokolkonverteringsfunktioner, opnå ensartet og stabil adgang og endda kollaborativ kontrol af heterogene data.
Inden for industriel fremstilling
Scenarie for optimering af produktionsprocesser: I øjeblikket er et stort antal diskrete produktionssystemer begrænset af ufuldstændigheden af data, og den overordnede udstyrseffektivitet og andre indeksdataberegninger er relativt sjuskede, hvilket gør det vanskeligt at bruge til effektivitetsoptimering. Edge computing platform baseret på udstyr informationsmodel for at opnå semantisk niveau fremstillingssystem horisontal kommunikation og vertikal kommunikation, baseret på real-time data flow behandling mekanisme til at aggregere og analysere et stort antal felt real-time data, for at opnå model-baseret produktionslinje multi-datakilde informationsfusion, for at give kraftfuld dataunderstøttelse til beslutningstagning i det diskrete produktionssystem.
Udstyrs forudsigelig vedligeholdelsesscenarie: Vedligeholdelse af industrielt udstyr er opdelt i tre typer: reparerende vedligeholdelse, forebyggende vedligeholdelse og forudsigelig vedligeholdelse. Restorativ vedligeholdelse hører til efterfølgende vedligeholdelse, forebyggende vedligeholdelse og forudsigelig vedligeholdelse hører til forudgående vedligeholdelse, førstnævnte er baseret på tid, udstyrs ydeevne, stedets forhold og andre faktorer for regelmæssig vedligeholdelse af udstyr, mere eller mindre baseret på menneskelig erfaring, sidstnævnte gennem indsamling af sensordata, realtidsovervågning af udstyrets driftstilstand, baseret på den industrielle model for dataanalyse, og præcist forudsige, hvornår fejlen opstår.
Industrielt kvalitetsinspektionsscenarie: Industrielt synsinspektionsfelt er den første traditionelle automatiske optiske inspektion (AOI) form i kvalitetsinspektionsfeltet, men udviklingen af AOI hidtil i mange defektdetektering og andre komplekse scenarier på grund af defekterne i en række forskellige af typer, funktionsudvinding er ufuldstændig, adaptive algoritmer dårlig udvidelsesmuligheder, produktionslinjen opdateres ofte, algoritmemigrationen er ikke fleksibel, og andre faktorer har det traditionelle AOI-system været vanskeligt at imødekomme udviklingen af produktionslinjens behov. Derfor erstatter AI industriel kvalitetsinspektionsalgoritme-platformen repræsenteret ved dyb læring + lille prøveindlæring gradvist den traditionelle visuelle inspektionsordning, og AI industriel kvalitetsinspektionsplatform har gennemgået to faser af klassiske maskinlæringsalgoritmer og inspektionsalgoritmer for dyb læring.
Indlægstid: Okt-08-2023