Als we kunstmatige intelligentie beschouwen als een reis van A naar B, dan is cloudcomputing een luchthaven of hogesnelheidsstation, en edgecomputing een taxi of een deelfiets. Edgecomputing bevindt zich dicht bij mensen, objecten of databronnen. Het maakt gebruik van een open platform dat opslag, rekenkracht, netwerktoegang en applicatiekernfunctionaliteiten integreert om diensten te leveren aan gebruikers in de directe omgeving. In vergelijking met centraal geïmplementeerde cloudcomputing lost edgecomputing problemen op zoals lange latentie en hoge verkeersintensiteit, en biedt het betere ondersteuning voor realtime- en bandbreedte-intensieve diensten.
Het succes van ChatGPT heeft een nieuwe golf van AI-ontwikkeling teweeggebracht, waardoor AI steeds vaker wordt toegepast in sectoren zoals industrie, detailhandel, slimme huizen en slimme steden. Grote hoeveelheden data moeten aan de applicatiezijde worden opgeslagen en verwerkt, en alleen vertrouwen op de cloud is niet langer voldoende om aan de vraag te voldoen. Edge computing verbetert de laatste schakel in AI-toepassingen. Onder het nationale beleid om de digitale economie krachtig te ontwikkelen, bevindt de Chinese cloudcomputing zich in een fase van inclusieve ontwikkeling. De vraag naar edge computing is sterk toegenomen en de integratie van cloud, edge en end-to-end computing is een belangrijke ontwikkelingsrichting voor de toekomst.
De markt voor edge computing zal de komende vijf jaar met 36,1% per jaar groeien.
De edge computing-industrie bevindt zich in een fase van gestage ontwikkeling, zoals blijkt uit de geleidelijke diversificatie van de dienstverleners, de groeiende marktomvang en de verdere uitbreiding van de toepassingsgebieden. Wat betreft de marktomvang, tonen gegevens uit het IDC-rapport aan dat de totale markt voor edge computing-servers in China in 2021 US$ 3,31 miljard bedroeg. Naar verwachting zal deze markt tussen 2020 en 2025 met een samengesteld jaarlijks groeipercentage (CAGR) van 22,2% groeien. Sullivan voorspelt dat de markt voor edge computing in China in 2027 RMB 250,9 miljard zal bereiken, met een CAGR van 36,1% tussen 2023 en 2027.
De edge computing-eco-industrie bloeit.
Edge computing bevindt zich momenteel in een vroeg stadium van ontwikkeling en de zakelijke grenzen in de industriële keten zijn relatief vaag. Voor individuele leveranciers is het noodzakelijk om rekening te houden met de integratie in bedrijfsscenario's en om zich technisch te kunnen aanpassen aan veranderingen in die scenario's. Daarnaast is het essentieel om een hoge mate van compatibiliteit met hardwareapparatuur te garanderen en over de technische expertise te beschikken om projecten succesvol af te ronden.
De toeleveringsketen van edge computing is onderverdeeld in chipfabrikanten, algoritmefabrikanten, hardwarefabrikanten en oplossingsaanbieders. Chipfabrikanten ontwikkelen voornamelijk rekenchips voor de eindgebruiker, edge computing en cloud, en ontwikkelen naast edge-chips ook acceleratiekaarten en ondersteunende softwareontwikkelingsplatformen. Algoritmefabrikanten gebruiken computervisie-algoritmen als basis voor het bouwen van algemene of aangepaste algoritmen. Daarnaast zijn er bedrijven die algoritme-databases of trainings- en implementatieplatformen opzetten. Apparatuurfabrikanten investeren actief in edge computing-producten, waardoor het aanbod voortdurend groeit en er geleidelijk een complete edge computing-stack ontstaat, van chip tot complete machine. Oplossingsaanbieders leveren software of geïntegreerde software-hardware-oplossingen voor specifieke sectoren.
Toepassingen van edge computing in de industrie versnellen de versnelling.
Op het gebied van slimme steden
Een uitgebreide inspectie van stedelijk vastgoed wordt momenteel veelal handmatig uitgevoerd. Deze handmatige inspectiemethode kent echter nadelen, zoals hoge tijdsinvestering en arbeidsintensieve kosten, afhankelijkheid van individuen, beperkte dekking en inspectiefrequentie, en gebrekkige kwaliteitscontrole. Tegelijkertijd genereert het inspectieproces een enorme hoeveelheid data, maar deze data worden niet omgezet in bruikbare gegevens voor zakelijke doeleinden. Door AI-technologie toe te passen op mobiele inspectiescenario's heeft het bedrijf een intelligent inspectievoertuig voor stedelijk beheer ontwikkeld. Dit voertuig maakt gebruik van technologieën zoals het Internet of Things, cloud computing en AI-algoritmen, en is uitgerust met professionele apparatuur zoals high-definition camera's, displays en AI-servers. Het combineert het inspectiemechanisme van "intelligent systeem + intelligente machine + personeelsondersteuning". Dit bevordert de transformatie van stedelijk beheer van een personeelsintensieve naar een mechanische intelligentie, van empirisch oordeel naar data-analyse en van passieve reactie naar actieve ontdekking.
Op het gebied van intelligente bouwplaatsen
Op edge computing gebaseerde intelligente oplossingen voor bouwplaatsen integreren AI-technologie op een diepgaande manier in de traditionele veiligheidsmonitoring in de bouw. Door een AI-analyseterminal op de bouwplaats te plaatsen, die zelfstandig visuele AI-algoritmen ontwikkelt op basis van intelligente videoanalyse, worden continu relevante gebeurtenissen gedetecteerd (bijvoorbeeld of iemand een helm draagt). Dit levert diensten op voor het identificeren van risico's voor personeel, omgeving, beveiliging en andere veiligheidsaspecten, inclusief alarmmeldingen. Bovendien worden proactief onveilige factoren geïdentificeerd en AI-gestuurde bewaking ingezet, waardoor personeelskosten worden bespaard en wordt voldaan aan de behoeften op het gebied van personeels- en eigendomsveiligheidsbeheer op bouwplaatsen.
Op het gebied van intelligent transport
De cloud-side-end-architectuur is het basisparadigma geworden voor de implementatie van applicaties in de intelligente transportsector. De cloud is verantwoordelijk voor gecentraliseerd beheer en een deel van de gegevensverwerking, de edge-kant verzorgt voornamelijk de data-analyse en de verwerking van berekeningen voor besluitvorming, en de end-kant is hoofdzakelijk verantwoordelijk voor het verzamelen van bedrijfsgegevens.
In specifieke scenario's zoals voertuig-wegcoördinatie, holografische kruispunten, autonoom rijden en spoorverkeer, is er sprake van toegang tot een groot aantal heterogene apparaten. Deze apparaten vereisen toegangsbeheer, uitgangsbeheer, alarmverwerking en operationele en onderhoudsprocessen. Edge computing kan taken verdelen en beheren, grote systemen verkleinen, protocolconversie tussen verschillende lagen bieden, uniforme en stabiele toegang realiseren en zelfs gezamenlijke controle over heterogene data mogelijk maken.
Op het gebied van industriële productie
Scenario voor optimalisatie van het productieproces: Momenteel worden veel discrete productiesystemen beperkt door de onvolledigheid van gegevens, en de berekeningen van de algehele efficiëntie van apparatuur en andere indexgegevens zijn relatief onnauwkeurig, waardoor efficiëntieoptimalisatie moeilijk is. Een edge computing-platform, gebaseerd op een informatiemodel van apparatuur, maakt horizontale en verticale communicatie op semantisch niveau mogelijk binnen productiesystemen. Gebruikmakend van een realtime dataflow-verwerkingsmechanisme worden grote hoeveelheden realtime veldgegevens geaggregeerd en geanalyseerd, waardoor modelgebaseerde informatiefusie van meerdere databronnen binnen de productielijn wordt gerealiseerd. Dit biedt krachtige dataondersteuning voor besluitvorming binnen discrete productiesystemen.
Scenario voor voorspellend onderhoud van apparatuur: Het onderhoud van industriële apparatuur is onderverdeeld in drie typen: reparatief onderhoud, preventief onderhoud en voorspellend onderhoud. Reparatief onderhoud valt onder onderhoud achteraf, terwijl preventief en voorspellend onderhoud onder onderhoud vooraf vallen. Reparatief onderhoud is gebaseerd op de tijd, de prestaties van de apparatuur, de omstandigheden ter plaatse en andere factoren voor regulier onderhoud, en is min of meer gebaseerd op menselijke ervaring. Voorspellend onderhoud maakt gebruik van sensorgegevens, realtime monitoring van de operationele status van de apparatuur en analyse van industriële datamodellen om nauwkeurig te voorspellen wanneer een storing zich voordoet.
Scenario voor industriële kwaliteitscontrole: In de industriële visuele inspectie is de traditionele vorm van automatische optische inspectie (AOI) de eerste stap in de kwaliteitsinspectie. De ontwikkeling van AOI tot nu toe heeft echter in veel complexe scenario's voor defectdetectie en andere taken problemen ondervonden. Dit komt door de grote verscheidenheid aan defecttypen, de onvolledige extractie van kenmerken, de beperkte schaalbaarheid van adaptieve algoritmen, de frequente updates van de productielijn en de beperkte flexibiliteit bij het migreren van algoritmen. Hierdoor kan het traditionele AOI-systeem moeilijk voldoen aan de eisen van de steeds veranderende productielijn. Daarom vervangt het AI-platform voor industriële kwaliteitscontrole, gebaseerd op deep learning in combinatie met training met kleine steekproeven, geleidelijk aan de traditionele visuele inspectie. Het AI-platform voor industriële kwaliteitscontrole heeft inmiddels twee ontwikkelingsfasen doorlopen: de ontwikkeling van klassieke machine learning-algoritmen en deep learning-inspectiealgoritmen.
Geplaatst op: 8 oktober 2023