Ja mākslīgais intelekts tiek uzskatīts par braucienu no A uz B, mākoņdatošanas pakalpojums ir lidosta vai ātrgaitas dzelzceļa stacija, un Edge Computing ir taksometrs vai kopīgs velosipēds. Edge Computing ir tuvu cilvēku, lietu vai datu avotu pusē. Tas izmanto atvērtu platformu, kas integrē glabāšanas, aprēķina, tīkla piekļuves un lietojumprogrammu pamattekstas, lai sniegtu pakalpojumus lietotājiem tuvumā. Salīdzinot ar centralizēti izvietotiem mākoņdatošanas pakalpojumiem, Edge Computing izšķir tādas problēmas kā garais latentums un augsta konverģences trafika, nodrošinot labāku atbalstu reālā laika un joslas platuma prasmīgajiem pakalpojumiem.
Chatgpt ugunskurs ir uzsācis jaunu AI attīstības vilni, paātrinot AI grimšanu vairākās lietojumprogrammu jomās, piemēram, rūpniecībā, mazumtirdzniecībā, viedās mājas, viedās pilsētas utt. Liels daudzums datu ir jāuzglabā un jāaptērē lietojumprogrammas beigās, un, balstoties tikai uz mākoni, vairs nav spējīgs apmierināt faktisko pieprasījumu, malu skaitļošana uzlabo pēdējo Kilometra lietojumprogrammu. Saskaņā ar nacionālo politiku enerģiski attīstīt digitālo ekonomiku, Ķīnas mākoņdatošana ir sākusi iekļaujošas attīstības periodu, ir palielinājies Edge Computing pieprasījums, un mākoņa malas un beigu integrācija nākotnē ir kļuvusi par svarīgu evolūcijas virzienu.
Edge Computing tirgus, lai nākamo piecu gadu laikā pieaugtu par 36,1% CAGR
Edge Computing Industry ir nonākusi vienmērīgas attīstības posmā, par ko liecina tā pakalpojumu sniedzēju pakāpeniska dažādošana, paplašinošais tirgus lielums un turpmāka lietojumprogrammu zonu paplašināšana. Runājot par tirgus lielumu, dati no IDC izsekošanas ziņojuma rāda, ka kopējais tirgus lielums, ko rada malu skaitļošanas serveri Ķīnā, 2021. gadā sasniedza USD 3,31 miljardu, un sagaidāms, ka kopējais tirgus samazināšanas serveru tirgus lielums Ķīnā pieaugs ar saliktiem gada pieauguma tempu 22,2% no 2020. līdz 2025. gadam. 36,1% no 2023. līdz 2027. gadam.
EDO APDROŠINĀŠANA EKO INDUSTRIJA plaukst
Edge Computing pašlaik ir agrīnā uzliesmojuma posmā, un biznesa robežas nozares ķēdē ir salīdzinoši izplūdušas. Atsevišķiem pārdevējiem ir jāapsver integrācija ar biznesa scenārijiem, un ir arī jāspēj pielāgoties izmaiņām biznesa scenārijos no tehniskā līmeņa, kā arī ir jānodrošina, ka ir augsta savietojamība ar aparatūras aprīkojumu, kā arī inženiertehniskās spējas veikt zemes projektus.
Edge skaitļošanas nozares ķēde ir sadalīta mikroshēmu pārdevējiem, algoritmu pārdevējiem, aparatūras ierīču ražotājiem un risinājumu nodrošinātājiem. Chip pārdevēji lielākoties izstrādā aritmētiskās mikroshēmas no gala līdz malai līdz mākonim līdz mākonim, un papildus malas mikroshēmām viņi arī izstrādā paātrinājuma kartes un atbalsta programmatūras izstrādes platformas. Algoritma pārdevēji izmanto datoru redzes algoritmus kā galveno pamatojumu, lai izveidotu vispārīgus vai pielāgotus algoritmus, un ir arī uzņēmumi, kas veido algoritmu centrus vai apmācības un stumšanas platformas. Iekārtas pārdevēji aktīvi iegulda malu skaitļošanas produktos, un malu skaitļošanas produktu forma tiek pastāvīgi bagātināta, pakāpeniski veidojot pilnu malu skaitļošanas produktu kaudzi no mikroshēmas līdz visai mašīnai. Risinājumu nodrošinātāji nodrošina programmatūras vai programmatūras-hardware integrētus risinājumus konkrētām nozarēm.
Edge Computing Industry lietojumprogrammas paātrināt
Viedās pilsētas jomā
Visaptveroša pilsētas īpašuma pārbaude pašlaik parasti tiek izmantota manuālas pārbaudes veidā, un manuālās pārbaudes režīmā ir problēmas ar ievērojamām laikietilpīgām un darbietilpīgām izmaksām, procesa atkarība no indivīdiem, slikta pārklājuma un pārbaudes biežums, kā arī slikta kvalitātes kontrole. Tajā pašā laikā pārbaudes process reģistrēja milzīgu datu daudzumu, bet šie datu resursi nav pārveidoti par datu aktīviem datu aktīviem. Pielietojot AI tehnoloģiju mobilajām inspekcijas scenārijiem, uzņēmums ir izveidojis pilsētas pārvaldības AI inteliģentu inspekcijas transportlīdzekli, kas izmanto tādas tehnoloģijas kā lietu internets, mākoņdatošana, AI algoritmi un nes profesionālu aprīkojumu, piemēram, augstas ikdienas kameru kameras, borta displejus un AI, kas ir blakus esošie serveri, un kombinē inspekcijas mehānismu "intelektu + inteliģents + +. Tas veicina pilsētas pārvaldības pārveidošanu no personāla intensīvas uz mehānisko intelektu, no empīriskā sprieduma līdz datu analīzei un no pasīvas reakcijas uz aktīvu atklāšanu.
Inteliģentās būvlaukas laukā
Edge computing-based intelligent construction site solutions apply the deep integration of AI technology to the traditional construction industry safety monitoring work, by placing an edge AI analysis terminal at the construction site, completing the independent research and development of visual AI algorithms based on intelligent video analytics technology, full-time detection of events to be detected (eg, detecting whether or not to wear a helmet), providing personnel, environment, security and other safety risk point identification and alarm reminder pakalpojumi un iniciatīva, lai identificētu nedrošus faktorus, AI inteliģentu apsardzi, ietaupītu darbaspēka izmaksas, lai apmierinātu būvlaukumu personāla un īpašuma drošības vajadzības.
Inteliģenta transporta jomā
Mākoņu malas arhitektūra ir kļuvusi par pamata paradigmu lietojumprogrammu izvietošanai viedajā transporta nozarē, un mākoņa puse ir atbildīga par centralizētu pārvaldību un daļu no datu apstrādes, malu puse galvenokārt nodrošina malas datu analīzi un aprēķina lēmumu pieņemšanas apstrādi, kā arī gala puse, kas galvenokārt ir atbildīga par biznesa datu vākšanu.
Īpašos scenārijos, piemēram, transportlīdzekļu ceļa koordinācijā, hologrāfiskos krustojumos, automātiskajā braukšanā un dzelzceļa satiksmē, ir pieejams liels skaits neviendabīgu ierīču, un šīm ierīcēm ir nepieciešama piekļuves pārvaldība, izejas pārvaldība, trauksmes apstrāde, darbība un apkopes apstrāde. Malu skaitļošana var sadalīt un iekarot, pārvērst lielos mazos, nodrošināt savstarpējo slāņu protokola pārveidošanas funkcijas, sasniegt vienotu un stabilu piekļuvi un pat neviendabīgu datu kopīgu kontroli.
Rūpniecības ražošanas jomā
Ražošanas procesa optimizācijas scenārijs: Pašlaik lielu skaitu diskrētu ražošanas sistēmu ierobežo datu nepilnība, un vispārējā aprīkojuma efektivitāte un citi indeksa datu aprēķini ir samērā aplieti, padarot to grūti izmantot efektivitātes optimizācijai. Malu skaitļošanas platforma, kas balstīta uz aprīkojuma informācijas modeli, lai sasniegtu semantiskā līmeņa ražošanas sistēmas horizontālo komunikāciju un vertikālo komunikāciju, balstoties uz reālā laika datu plūsmas apstrādes mehānismu, lai apkopotu un analizētu lielu skaitu lauka reālā laika datu, lai sasniegtu uz modeli balstītu ražošanas līnijas daudzdatu avota informācijas saplūšanu, lai sniegtu jaudīgu datu atbalstu lēmumu pieņemšanai diskrētā ražošanas sistēmā.
Iekārtas prognozējošais apkopes scenārijs: Rūpniecisko aprīkojuma uzturēšana ir sadalīta trīs veidos: reparatīvā apkope, profilaktiskā apkope un paredzamā apkope. Atjaunojošā apkope pieder pie ex post facto uzturēšanas, profilaktiskā apkopes un prognozējošā apkopes, kas pieder pie bijušās Antes uzturēšanas, bijušais ir balstīts uz laiku, aprīkojuma veiktspēju, vietas apstākļiem un citiem faktoriem regulārai aprīkojuma uzturēšanai, vairāk vai mazāk balstoties uz cilvēku pieredzi, pēdējais, izmantojot sensoru datu apkopošanu, reāllaika uzraudzību, kas paredzēta operatīvajam stāvoklim.
Rūpnieciskās kvalitātes pārbaudes scenārijs: Rūpnieciskās redzamības pārbaudes lauks ir pirmā tradicionālā automātiskā optiskā pārbaudes (AOI) forma kvalitātes pārbaudes jomā, bet līdz šim AOI attīstība daudzos defektu noteikšanā un citos sarežģītos scenārijos, ņemot vērā dažādas tipu defektus, un to ir nepilnīgi, un tie ir nepilnīgi. Tradicionālajai AOI sistēmai ir bijis grūti apmierināt ražošanas līnijas vajadzību attīstību. Tāpēc AI rūpnieciskās kvalitātes pārbaudes algoritma platforma, ko attēlo Deep Learning + maza parauga mācīšanās, pakāpeniski aizstāj tradicionālo vizuālās pārbaudes shēmu, un AI rūpnieciskās kvalitātes pārbaudes platforma ir izgājusi divus klasisko mašīnmācīšanās algoritmu un dziļas mācību pārbaudes algoritmu posmus.
Pasta laiks: oktobris-08-2023