از خدمات ابری تا رایانش لبه، هوش مصنوعی به «آخرین مایل» می‌رسد

بازار محاسبات لبه در پنج سال آینده 36.1٪ CAGR رشد خواهد کرد

صنعت محاسبات لبه وارد مرحله ای از توسعه پایدار شده است، همانطور که با تنوع تدریجی ارائه دهندگان خدمات، اندازه بازار در حال گسترش، و گسترش بیشتر حوزه های کاربردی مشهود است.از نظر اندازه بازار، داده های گزارش ردیابی IDC نشان می دهد که اندازه کلی بازار سرورهای محاسباتی لبه در چین در سال 2021 به 3.31 میلیارد دلار آمریکا رسیده است و انتظار می رود اندازه کلی بازار سرورهای محاسبات لبه در چین با رشد مرکب سالانه رشد کند. نرخ 22.2% از 2020 تا 2025. سالیوان پیش بینی می کند که اندازه بازار محاسبات لبه در چین در سال 2027 به 250.9 میلیارد یوان با CAGR 36.1% از سال 2023 تا 2027 برسد.

صنعت اکو رایانش لبه رشد می کند

محاسبات لبه در حال حاضر در مرحله اولیه شیوع است و مرزهای تجاری در زنجیره صنعت نسبتا مبهم هستند.برای فروشندگان منفرد، لازم است که یکپارچگی با سناریوهای تجاری را در نظر داشته باشند و همچنین باید توانایی انطباق با تغییرات سناریوهای تجاری از سطح فنی را داشته باشند و همچنین لازم است از وجود درجه بالایی از سازگاری با تجهیزات سخت افزاری، و همچنین توانایی مهندسی زمین پروژه ها.

زنجیره صنعت محاسبات لبه به فروشندگان تراشه، فروشندگان الگوریتم، تولیدکنندگان دستگاه های سخت افزاری و ارائه دهندگان راه حل تقسیم می شود.فروشندگان تراشه عمدتاً تراشه‌های حسابی را از سمت انتهایی به سمت لبه تا سمت ابری توسعه می‌دهند و علاوه بر تراشه‌های سمت لبه، کارت‌های شتاب را نیز توسعه می‌دهند و از پلتفرم‌های توسعه نرم‌افزار پشتیبانی می‌کنند.فروشندگان الگوریتم، الگوریتم‌های بینایی کامپیوتر را هسته اصلی ساخت الگوریتم‌های عمومی یا سفارشی می‌کنند و همچنین شرکت‌هایی وجود دارند که مراکز خرید الگوریتم یا پلتفرم‌های آموزشی و هل می‌سازند.فروشندگان تجهیزات فعالانه روی محصولات محاسبات لبه ای سرمایه گذاری می کنند و شکل محصولات محاسبات لبه به طور مداوم غنی می شود و به تدریج مجموعه کاملی از محصولات محاسبات لبه از تراشه تا کل دستگاه را تشکیل می دهد.ارائه دهندگان راه حل نرم افزار یا راه حل های یکپارچه نرم افزاری-سخت افزاری را برای صنایع خاص ارائه می دهند.

برنامه های کاربردی صنعت محاسبات لبه شتاب می گیرد

در زمینه شهر هوشمند

بازرسی جامع املاک شهری در حال حاضر معمولاً در حالت بازرسی دستی استفاده می شود و حالت بازرسی دستی دارای مشکلات هزینه های وقت گیر و پر زحمت زیاد، وابستگی فرآیند به افراد، پوشش ضعیف و دفعات بازرسی و کیفیت پایین است. کنترل.در همان زمان فرآیند بازرسی حجم عظیمی از داده ها را ثبت کرد، اما این منابع داده به دارایی های داده برای توانمندسازی کسب و کار تبدیل نشده اند.با استفاده از فناوری هوش مصنوعی در سناریوهای بازرسی تلفن همراه، این شرکت یک وسیله بازرسی هوشمند هوش مصنوعی حاکمیت شهری ایجاد کرده است که فناوری‌هایی مانند اینترنت اشیا، محاسبات ابری، الگوریتم‌های هوش مصنوعی را به کار می‌گیرد و تجهیزات حرفه‌ای مانند دوربین‌های با کیفیت بالا را حمل می‌کند. صفحه نمایش، و سرورهای جانبی هوش مصنوعی، و مکانیزم بازرسی "سیستم هوشمند + ماشین هوشمند + کمک کارکنان" را ترکیب می کند.این امر تبدیل حکمرانی شهری از پرسنل فشرده به هوش مکانیکی، از قضاوت تجربی به تجزیه و تحلیل داده ها، و از پاسخ غیرفعال به کشف فعال را ترویج می کند.

در زمینه ساخت و ساز هوشمند

راه‌حل‌های سایت ساخت‌وساز هوشمند مبتنی بر محاسبات لبه، ادغام عمیق فناوری هوش مصنوعی را با کار نظارت بر ایمنی صنعت ساخت‌وساز سنتی، با قرار دادن یک پایانه تحلیل هوش مصنوعی لبه در محل ساخت‌وساز، تکمیل تحقیق مستقل و توسعه الگوریتم‌های هوش مصنوعی بصری بر اساس ویدیوی هوشمند، اعمال می‌کنند. فناوری تجزیه و تحلیل، تشخیص تمام وقت رویدادهایی که باید شناسایی شوند (به عنوان مثال، تشخیص استفاده از کلاه ایمنی یا عدم استفاده از کلاه ایمنی)، ارائه خدمات شناسایی پرسنل، محیط، امنیت و سایر نقاط خطر ایمنی و یادآوری هشدار، و ابتکار عمل برای شناسایی موارد ناامن عوامل، نگهبانی هوشمند هوش مصنوعی، صرفه جویی در هزینه های نیروی انسانی، برای رفع نیازهای مدیریت ایمنی پرسنل و اموال سایت های ساخت و ساز.

در زمینه حمل و نقل هوشمند

معماری Cloud-side-End به پارادایم اساسی برای استقرار برنامه های کاربردی در صنعت حمل و نقل هوشمند تبدیل شده است، با سمت ابری که مسئول مدیریت متمرکز و بخشی از پردازش داده است، سمت لبه عمدتا تجزیه و تحلیل داده ها و تصمیمات محاسباتی را ارائه می دهد. ساخت پردازش، و سمت پایانی عمدتا مسئول جمع آوری داده های کسب و کار است.

در سناریوهای خاص مانند هماهنگی وسیله نقلیه و جاده، تقاطع های هولوگرافیک، رانندگی خودکار و ترافیک ریلی، تعداد زیادی دستگاه ناهمگون قابل دسترسی است و این دستگاه ها نیاز به مدیریت دسترسی، مدیریت خروج، پردازش هشدار و پردازش عملیات و نگهداری دارند.محاسبات لبه می تواند تقسیم و تسخیر کند، بزرگ را به کوچک تبدیل کند، توابع تبدیل پروتکل متقابل را فراهم کند، دسترسی یکپارچه و پایدار و حتی کنترل مشترک داده های ناهمگن را به دست آورد.

در زمینه تولید صنعتی

سناریوی بهینه‌سازی فرآیند تولید: در حال حاضر، تعداد زیادی از سیستم‌های تولید گسسته به دلیل ناقص بودن داده‌ها محدود شده‌اند و بازده کلی تجهیزات و سایر محاسبات داده‌های شاخص نسبتاً شلخته هستند و استفاده از آن را برای بهینه‌سازی کارایی دشوار می‌کنند.پلت فرم محاسبات لبه بر اساس مدل اطلاعات تجهیزات برای دستیابی به سیستم تولید سطح معنایی ارتباطات افقی و ارتباطات عمودی، بر اساس مکانیسم پردازش جریان داده در زمان واقعی برای جمع آوری و تجزیه و تحلیل تعداد زیادی از داده های زمان واقعی میدانی، برای دستیابی به خط تولید مبتنی بر مدل ترکیب اطلاعات منبع چند داده، برای ارائه پشتیبانی قدرتمند داده برای تصمیم گیری در سیستم تولید گسسته.

سناریوی تعمیر و نگهداری پیش بینی کننده تجهیزات: تعمیر و نگهداری تجهیزات صنعتی به سه نوع تقسیم می شود: تعمیر و نگهداری جبرانی، تعمیر و نگهداری پیشگیرانه و نگهداری پیش بینی.تعمیر و نگهداری ترمیمی متعلق به نگهداری پس از عمل، نگهداری پیشگیرانه و نگهداری پیش بینی شده متعلق به تعمیر و نگهداری قبلی است، اولی بر اساس زمان، عملکرد تجهیزات، شرایط سایت و سایر عوامل برای نگهداری منظم تجهیزات، کم و بیش بر اساس انسان است. تجربه، دومی از طریق جمع آوری داده های حسگر، نظارت در زمان واقعی از وضعیت عملیاتی تجهیزات، بر اساس مدل صنعتی تجزیه و تحلیل داده ها، و پیش بینی دقیق زمانی که خرابی رخ می دهد.

سناریوی بازرسی کیفیت صنعتی: زمینه بازرسی بینایی صنعتی اولین فرم بازرسی خودکار نوری خودکار (AOI) در زمینه بازرسی کیفیت است، اما توسعه AOI تاکنون، در بسیاری از تشخیص عیب و سناریوهای پیچیده دیگر، به دلیل نقص های مختلف است. از بین انواع، استخراج ویژگی ناقص است، الگوریتم های تطبیقی ​​توسعه پذیری ضعیفی دارند، خط تولید به طور مکرر به روز می شود، مهاجرت الگوریتم انعطاف پذیر نیست و عوامل دیگر، سیستم سنتی AOI برای پاسخگویی به توسعه نیازهای خط تولید دشوار بوده است.بنابراین، پلت فرم الگوریتم بازرسی کیفیت صنعتی هوش مصنوعی که با یادگیری عمیق + یادگیری نمونه کوچک نشان داده می شود به تدریج جایگزین طرح بازرسی بصری سنتی می شود و پلت فرم بازرسی کیفیت صنعتی هوش مصنوعی دو مرحله الگوریتم های یادگیری ماشین کلاسیک و الگوریتم های بازرسی یادگیری عمیق را پشت سر گذاشته است.