Wann kënschtlech Intelligenz als eng Rees vun A op B ugesi gëtt, ass Cloud-Computing-Service en Flughafen oder eng Gare mat héijer Geschwindegkeet, an Edge-Computing ass en Taxi oder e gemeinsamt Vëlo. Edge-Computing ass no bei Leit, Saachen oder Datenquellen. Et benotzt eng oppe Plattform, déi Späicherung, Berechnung, Netzwierkzougang a Kärfunktioune vun Applikatiounen integréiert, fir Servicer fir Benotzer an der Géigend ze bidden. Am Verglach mat zentral installéierte Cloud-Computing-Servicer léist Edge-Computing Problemer wéi laang Latenz an héije Konvergenzverkéier a bitt besser Ënnerstëtzung fir Echtzäit- a Bandbreet-ufuerderungsräich Servicer.
De Feier vum ChatGPT huet eng nei Well vun der KI-Entwécklung ausgeléist, wat d'Verbreedung vun der KI a méi Uwendungsberäicher wéi Industrie, Handel, Smart Homes, Smart Cities, etc. beschleunegt. Eng grouss Quantitéit un Daten muss um Applikatiounsende gespäichert a berechent ginn, an d'Vertrauen eleng op d'Cloud ass net méi fäeg, déi tatsächlech Nofro ze decken. Edge Computing verbessert de leschte Kilometer vun KI-Applikatiounen. Ënnert der nationaler Politik vun der kräfteger Entwécklung vun der digitaler Wirtschaft ass de Cloud Computing a China an eng Period vun inklusiver Entwécklung agaangen, d'Nofro fir Edge Computing ass staark eropgaang, an d'Integratioun vu Cloud Edge and End ass eng wichteg Evolutiounsrichtung fir d'Zukunft ginn.
Edge Computing Maart wäert an de nächste fënnef Joer ëm 36,1% CAGR wuessen
D'Edge Computing Industrie ass an eng Phas vun stänneger Entwécklung agaangen, wéi déi graduell Diversifikatioun vun hire Serviceprovider, déi wuessend Maartgréisst an déi weider Expansioun vun Uwendungsberäicher beweist. Wat d'Maartgréisst ugeet, weisen d'Donnéeën aus dem Tracking Report vun IDC, datt déi total Maartgréisst vun Edge Computing Serveren a China am Joer 2021 3,31 Milliarden US-Dollar erreecht huet, an et gëtt erwaart, datt déi total Maartgréisst vun Edge Computing Serveren a China vun 2020 bis 2025 mat enger duerchschnëttlecher jäerlecher Wuestumsquote vun 22,2% wiisst. De Sullivan prognostizéiert, datt d'Maartgréisst vum Edge Computing a China am Joer 2027 250,9 Milliarden RMB erreechen wäert, mat enger duerchschnëttlecher Wuestumsquote vun 36,1% vun 2023 bis 2027.
D'Edge Computing-Ökoindustrie bléit
Edge Computing ass de Moment nach an der fréier Phas vum Ausbroch, an d'Geschäftsgrenzen an der Industriekette si relativ verschwommen. Fir eenzel Ubidder ass et néideg, d'Integratioun mat Geschäftsszenarien ze berücksichtegen, an et ass och néideg, d'Fäegkeet ze hunn, sech un Ännerungen an de Geschäftsszenarien vum techneschen Niveau unzepassen, an et ass och néideg, sécherzestellen, datt et e groussen Grad u Kompatibilitéit mat Hardware-Ausrüstung gëtt, souwéi d'Ingenieursfäegkeet, Projeten ze landen.
D'Edge Computing Industriekette ass opgedeelt a Chip-Verkeefer, Algorithmus-Verkeefer, Hardware-Geräterhersteller a Léisungsanbieter. Chip-Verkeefer entwéckelen haaptsächlech arithmetesch Chips vun End-Side iwwer Edge-Side bis Cloud-Side, an zousätzlech zu Edge-Side Chips entwéckelen si och Beschleunigungskaarten a ënnerstëtzen Softwareentwécklungsplattformen. Algorithmus-Verkeefer huelen Computervisiounsalgorithmen als Kär fir allgemeng oder personaliséiert Algorithmen ze bauen, an et gëtt och Entreprisen, déi Algorithmus-Malls oder Trainings- a Push-Plattforme bauen. Ausrüstungsverkeefer investéieren aktiv an Edge Computing Produkter, an d'Form vun Edge Computing Produkter gëtt stänneg beräichert, sou datt lues a lues e komplette Stack vun Edge Computing Produkter vum Chip bis zur ganzer Maschinn entsteet. Léisungsanbieter bidden Software oder Software-Hardware-integréiert Léisunge fir spezifesch Industrien.
Applikatioune vun der Edge Computing-Industrie beschleunegen sech
Am Beräich vun der Smart City
Eng ëmfaassend Inspektioun vu städtesche Propriétéiten gëtt de Moment dacks am Modus vun der manueller Inspektioun benotzt, an de manuelle Inspektiounsmodus huet d'Problemer vun héijen zäitopwännegen an arbeitsintensiven Käschten, Prozessofhängegkeet vun den Eenzelpersounen, schlechter Ofdeckung an Inspektiounsfrequenz, a schlechter Qualitéitskontroll. Gläichzäiteg huet den Inspektiounsprozess eng enorm Quantitéit un Daten opgeholl, awer dës Datenressourcen goufen net an Datenressourcen fir d'Geschäftsstäerkung ëmgewandelt. Duerch d'Uwendung vun KI-Technologie op mobil Inspektiounsszenarien huet d'Entreprise en intelligent KI-Inspektiounsgefier fir städtesch Gouvernance geschaf, dat Technologien wéi den Internet vun de Saachen, Cloud Computing, KI-Algorithmen asetzt a professionell Ausrüstung wéi High-Definition-Kameraen, Onboard-Displays an KI-Säiteserveren dréit, an de Inspektiounsmechanismus vun "intelligentem System + intelligenter Maschinn + Personalhëllef" kombinéiert. Et fërdert d'Transformatioun vun der städtescher Gouvernance vu personalintensiver zu mechanescher Intelligenz, vun empirescher Beurteelung zu Datenanalyse, a vu passiver Reaktioun zu aktiver Entdeckung.
Am Beräich vun intelligenten Baustellen
Intelligent Baustellléisungen, déi op Edge Computing baséieren, applizéieren déi déif Integratioun vun KI-Technologie an d'traditionell Sécherheetsiwwerwaachungsaarbecht an der Bauindustrie, andeems en Edge-KI-Analyseterminal op der Baustell placéiert gëtt, déi onofhängeg Fuerschung an Entwécklung vu visuelle KI-Algorithmen baséiert op intelligenter Videoanalysetechnologie ofgeschloss gëtt, d'Evenementer, déi detektéiert solle ginn, permanent erkannt ginn (z.B. Erkennen ob en Helm gedroe soll ginn oder net), d'Identifikatioun vu Risikopunkten fir Personal, Ëmwelt, Sécherheet an aner Sécherheetsrisiken an Alarmerënnerungsdéngschter ugebuede ginn, an d'Initiativ zur Identifikatioun vun onséchere Faktoren, intelligent KI-Bewaachung iwwerholl gëtt, Personalkäschte gespuert gëtt, fir de Personal- a Propriétéitssécherheetsmanagementbedürfnisser vu Baustellen ze erfëllen.
Am Beräich vum intelligenten Transport
D'Cloud-Side-End-Architektur ass zum Basisparadigma fir den Asaz vun Applikatiounen an der intelligenter Transportindustrie ginn, woubäi d'Cloud-Säit fir d'zentraliséiert Gestioun an en Deel vun der Datenveraarbechtung verantwortlech ass, d'Edge-Säit haaptsächlech fir d'Edge-Side-Datenanalyse an d'Berechnungsentscheedungsveraarbechtung suergt, an d'End-Säit haaptsächlech fir d'Sammlung vun Geschäftsdaten verantwortlech ass.
A spezifesche Szenarie wéi Koordinatioun tëscht Gefier a Strooss, holographesch Kräizungen, automatescht Fueren a Schinneverkéier gëtt et eng grouss Zuel vun heterogenen Apparater, op déi zougegraff gëtt, an dës Apparater erfuerderen Zougangsmanagement, Ausfahrtsmanagement, Alarmveraarbechtung a Betribs- a Wartungsveraarbechtung. Edge Computing kann opdeelen a beherrschen, vu Grouss zu Kleng maachen, Cross-Layer-Protokollkonversiounsfunktiounen ubidden, eenheetlechen a stabilen Zougang erreechen, a souguer eng kollaborativ Kontroll vun heterogenen Daten.
Am Beräich vun der industrieller Produktioun
Szenario fir d'Optimiséierung vum Produktiounsprozess: Aktuell ass eng grouss Zuel vun diskrete Produktiounssystemer duerch d'Onvollstännegkeet vun den Daten limitéiert, an d'Gesamteffizienz vun der Ausrüstung an aner Indexdatenberechnungen si relativ schlampig, wat et schwéier mécht, se fir d'Effizienzoptimiséierung ze benotzen. Eng Edge-Computing-Plattform baséiert op engem Ausrüstungsinformatiounsmodell fir semantescht Niveau vun horizontaler a vertikaler Kommunikatioun am Produktiounssystem z'erreechen, baséiert op engem Echtzäit-Datenflussveraarbechtungsmechanismus fir eng grouss Zuel vun Echtzäitdaten am Feld ze aggregéieren an z'analyséieren, fir eng modellbaséiert Fusioun vun Informatioune vu verschiddene Datenquellen op der Produktiounslinn z'erreechen, fir eng mächteg Datenënnerstëtzung fir d'Entscheedungsprozesser am diskrete Produktiounssystem ze bidden.
Szenario vun der prädiktiver Ënnerhaltung vun Ausrüstung: D'Ënnerhaltung vun industriellen Ausrüstung ass an dräi Zorten opgedeelt: reparativ Ënnerhaltung, präventiv Ënnerhaltung a prädiktiv Ënnerhaltung. Restaurativ Ënnerhaltung gehéiert zu der Ex-Post-Facto-Ënnerhaltung, präventiv Ënnerhaltung a prädiktiv Ënnerhaltung gehéieren zu der Ex-Ante-Ënnerhaltung. Déi éischt baséiert op Zäit, Ausrüstungsleistung, Standuertbedingungen an aner Faktoren fir déi reegelméisseg Ënnerhaltung vun Ausrüstung, méi oder manner baséiert op mënschlecher Erfahrung. Déi zweet baséiert op der Sammlung vu Sensorendaten, Echtzäit-Iwwerwaachung vum Betribszoustand vun der Ausrüstung, baséiert op der Datenanalyse vum industrielle Modell, a präzis Viraussoen, wéini e Feeler optrieden.
Szenario vun der industrieller Qualitéitsinspektioun: D'Industrie-Visiounsinspektioun ass déi éischt traditionell Form vun automatescher optescher Inspektioun (AOI) am Beräich vun der Qualitéitsinspektioun. Awer bis elo huet d'Entwécklung vun AOI a ville Defektdetektiouns- an anere komplexe Szenarie stattfonnt, wéinst verschiddenen Aarte vu Defekter, onvollstänneger Feature-Extraktioun, schlechter Erweiterbarkeet vun adaptiven Algorithmen, reegelméissegen Aktualiséierungen vun der Produktiounslinn, net flexibel Algorithmusmigratioun an aner Faktoren. Et war schwéier fir dat traditionellt AOI-System, den Ufuerderunge vun der Entwécklung vun der Produktiounslinn gerecht ze ginn. Dofir ersetzt d'Algorithmusplattform fir d'Industrie-Qualitéitsinspektioun, déi duerch Deep Learning + Small Sample Learning representéiert gëtt, lues a lues dat traditionellt Schema vun der visueller Inspektioun. D'Industrie-Qualitéitsinspektiounsplattform fir AI huet zwou Etappen duerchlaf: klassesch Maschinnléieralgorithmen an Deep Learning-Inspektiounsalgorithmen.
Zäitpunkt vun der Verëffentlechung: 08. Oktober 2023