თუ ხელოვნური ინტელექტი განიხილება, როგორც მოგზაურობა A– დან B– მდე, Cloud Computing Service არის აეროპორტი ან მაღალსიჩქარიანი სარკინიგზო სადგური, ხოლო Edge Computing არის ტაქსი ან საერთო ველოსიპედი. Edge Computing ახლოსაა ხალხის, ნივთების ან მონაცემთა წყაროების მხარესთან. იგი იღებს ღია პლატფორმას, რომელიც აერთიანებს შენახვას, გამოთვლას, ქსელის დაშვებას და პროგრამის ძირითადი შესაძლებლობებს, რათა უზრუნველყოს მომსახურება მომხმარებლებისთვის მიმდებარე ტერიტორიაზე. ცენტრალურად განლაგებული ღრუბლოვანი კომპიუტერული სერვისების შედარებით, Edge Computing წყვეტს პრობლემებს, როგორიცაა გრძელი ლატენტობა და მაღალი კონვერგენციის ტრაფიკი, რაც უზრუნველყოფს რეალურ დროში და სიჩქარის მოთხოვნის სერვისების უკეთეს მხარდაჭერას.
ChatGpt– ის ხანძარმა აითვისა AI– ის განვითარების ახალი ტალღა, დააჩქარა AI– ის ჩაძირვა უფრო მეტ განაცხადის სფეროებში, როგორიცაა ინდუსტრია, საცალო, ჭკვიანური სახლები, ჭკვიანი ქალაქები და ა.შ., დიდი რაოდენობით მონაცემების შენახვა და გამოთვლაა საჭირო განაცხადის დასასრულს, და მხოლოდ ღრუბელს ეყრდნობა, აღარ შეუძლია დააკმაყოფილოს ფაქტობრივი მოთხოვნილება, აუმჯობესებს ბოლო კილომეტრის AI პროგრამებს. ციფრული ეკონომიკის ენერგიულად განვითარების ეროვნული პოლიტიკის თანახმად, ჩინეთის Cloud Computing შემოვიდა ინკლუზიური განვითარების პერიოდში, Edge Computing მოთხოვნა გაიზარდა, ხოლო Cloud Edge and End- ის ინტეგრაცია მომავალში გახდა მნიშვნელოვანი ევოლუციური მიმართულება.
Edge Computing Market გაიზარდოს 36.1% CAGR მომდევნო ხუთწლიანი პერიოდის განმავლობაში
Edge Computing ინდუსტრია შემოვიდა სტაბილური განვითარების ეტაპზე, რაც დასტურდება მისი მომსახურების მიმწოდებლების თანდათანობით დივერსიფიკაციით, ბაზრის გაფართოების ზომით და განაცხადის სფეროების შემდგომი გაფართოებით. ბაზრის ზომების თვალსაზრისით, IDC– ის თვალთვალის ანგარიშის მონაცემებმა აჩვენა, რომ ჩინეთში Computing Servers– ის ბაზრის მთლიანი ზომა მიაღწია 3,31 მილიარდ აშშ დოლარს 2021 წელს, ხოლო ჩინეთში Edge Computing Servers– ის ბაზრის მთლიანი ზომა, სავარაუდოდ, გაიზრდება ყოველწლიური ზრდის ზრდის ტემპით 2020 - დან 2025 წლამდე. 36.1% 2023 წლიდან 2027 წლამდე.
Edge Computing ეკო-ინდუსტრია აყვავდება
Edge Computing ამჟამად ადრეულ ეტაპზეა დაავადება, და ინდუსტრიის ჯაჭვში ბიზნესის საზღვრები შედარებით ფუჟერია. ცალკეული მოვაჭრეებისთვის, აუცილებელია განიხილონ ბიზნეს სცენარებთან ინტეგრაცია, ასევე აუცილებელია ტექნიკური დონის ბიზნეს სცენარებში ცვლილებების ადაპტირება, ასევე აუცილებელია უზრუნველყოს ტექნიკის აღჭურვილობასთან თავსებადობის მაღალი ხარისხი, ასევე საინჟინრო უნარი მიწის პროექტებით.
Edge Computing ინდუსტრიის ჯაჭვი იყოფა ჩიპების მომწოდებლებად, ალგორითმის მომწოდებლებად, აპარატების მოწყობილობის მწარმოებლებად და გადაწყვეტის მიმწოდებლებად. ჩიპის მოვაჭრეები ძირითადად ავითარებენ არითმეტიკულ ჩიპებს ბოლოიდან ზღვარზე, ღრუბლის მხრიდან, და გარდა ზღვარზე ჩიპებისა, ისინი ასევე ავითარებენ აჩქარების ბარათებს და ხელს უწყობენ პროგრამული უზრუნველყოფის განვითარების პლატფორმებს. ალგორითმის მოვაჭრეები იღებენ კომპიუტერული ხედვის ალგორითმებს, როგორც ზოგადი ან მორგებული ალგორითმების აშენების ბირთვს, ასევე არსებობს საწარმოები, რომლებიც აშენებენ ალგორითმის ცენტრებს ან ტრენინგებს და პლატფორმებს. აღჭურვილობის მოვაჭრეები აქტიურად ინვესტიციას ახდენენ Edge Computing პროდუქტებში, ხოლო Edge Computing პროდუქტების ფორმა მუდმივად გამდიდრებულია, თანდათანობით აყალიბებს ზღვარზე კომპიუტერული პროდუქტების სრულ დასტას ჩიპიდან მთელ აპარატამდე. გადაწყვეტილების მიმწოდებლები უზრუნველყოფენ პროგრამული უზრუნველყოფის ან პროგრამული უზრუნველყოფის შემუშავების ინტეგრირებულ გადაწყვეტილებებს კონკრეტული ინდუსტრიებისთვის.
Edge Computing ინდუსტრიის პროგრამები აჩქარებს
ჭკვიანი ქალაქის სფეროში
ურბანული საკუთრების ყოვლისმომცველი შემოწმება ამჟამად ჩვეულებრივ გამოიყენება სახელმძღვანელო შემოწმების რეჟიმში, ხოლო სახელმძღვანელო შემოწმების რეჟიმში არის მაღალი დროული და შრომის ინტენსიური ხარჯების პრობლემები, პროცესისადმი დამოკიდებულება ინდივიდებზე, ცუდი დაფარვისა და შემოწმების სიხშირეზე და უხარისხო კონტროლისთვის. ამავდროულად, შემოწმების პროცესმა დააფიქსირა უზარმაზარი მონაცემები, მაგრამ ეს მონაცემთა რესურსები არ გარდაიქმნა მონაცემთა აქტივებად ბიზნესის გაძლიერებისათვის. AI ტექნოლოგიის მობილური ინსპექციის სცენარებში გამოყენებით, საწარმომ შექმნა ურბანული მმართველობა AI ინტელექტუალური ინსპექციის მანქანა, რომელიც იყენებს ტექნოლოგიებს, როგორიცაა ინტერნეტი საგნების, ღრუბლოვანი გამოთვლის, AI ალგორითმების, და ახორციელებს პროფესიონალურ აღჭურვილობას, როგორიცაა მაღალი დონის კამერები, ბორტზე დისპლეები და AI მხარის დახმარების გაწევა "ინტელექტის სისტემით". ეს ხელს უწყობს ურბანული მმართველობის გადაქცევას პერსონალიდან ინტენსიურიდან მექანიკურ ინტელექტამდე, ემპირიული განსჯიდან მონაცემთა ანალიზამდე და პასიური რეაგირებისგან აქტიურ აღმოჩენამდე.
ინტელექტუალური სამშენებლო ადგილის სფეროში
ზღვარზე დაფუძნებული ინტელექტუალური სამშენებლო ობიექტების გადაწყვეტილებები იყენებენ AI ტექნოლოგიის ღრმა ინტეგრაციას ტრადიციული სამშენებლო ინდუსტრიის უსაფრთხოების მონიტორინგის სამუშაოზე, სამშენებლო მოედანზე AI ანალიზის ტერმინალის განთავსებით, ვიზუალური AI ალგორითმების დამოუკიდებელი კვლევისა და განვითარების შესახებ, ინტელექტუალური ვიდეო ანალიტიკური ტექნოლოგიის საფუძველზე, მოვლენების სრულ განაკვეთზე გამოვლენაში, თუ არა იმის გარემოება, თუ როგორ უნდა აცვიათ უსაფრთხოება) მომსახურება და ინიციატივის მიღება არასაიმედო ფაქტორების იდენტიფიცირებისთვის, AI ინტელექტუალური დაცვა, ადამიანური ენერგიის ხარჯების დაზოგვა, სამშენებლო ობიექტების პერსონალისა და ქონების უსაფრთხოების მენეჯმენტის საჭიროებების დასაკმაყოფილებლად.
ინტელექტუალური ტრანსპორტის სფეროში
ღრუბლის მხარის არქიტექტურა გახდა ინტელექტუალური სატრანსპორტო ინდუსტრიაში განაცხადების განლაგების ძირითადი პარადიგმა, რომლის ღრუბელი მხარეა პასუხისმგებელი ცენტრალიზებული მენეჯმენტისა და მონაცემთა დამუშავების ნაწილზე, ზღვარზე, რომელიც ძირითადად უზრუნველყოფს მონაცემთა ანალიზისა და გამოთვლების გადაწყვეტილების მიღების დამუშავებას, ხოლო საბოლოო მხარე, ძირითადად, პასუხისმგებელია ბიზნესის მონაცემების შეგროვებაზე.
კონკრეტულ სცენარებში, როგორიცაა სატრანსპორტო გზის კოორდინაცია, ჰოლოგრაფიული კვეთა, ავტომატური მართვისა და სარკინიგზო ტრაფიკი, არსებობს დიდი რაოდენობით ჰეტეროგენული მოწყობილობები და ამ მოწყობილობებს მოითხოვს წვდომის მენეჯმენტი, გასასვლელი მენეჯმენტი, განგაშის დამუშავება და ოპერაცია და ტექნიკური დამუშავება. Edge Computing– ს შეუძლია გაყოფა და დაპყრობა, გახადოს დიდი პატარა, უზრუნველყოს ჯვარედინი ფენის პროტოკოლის კონვერტაციის ფუნქციები, მიაღწიოს ერთიან და სტაბილურ დაშვებას და ჰეტეროგენული მონაცემების თანამშრომლობის კონტროლს.
სამრეწველო წარმოების სფეროში
წარმოების პროცესის ოპტიმიზაციის სცენარი: ამჟამად, დიდი რაოდენობით დისკრეტული წარმოების სისტემები შემოიფარგლება მონაცემთა არასრულყოფილებით, ხოლო აღჭურვილობის საერთო ეფექტურობა და სხვა ინდექსის მონაცემების გამოთვლები შედარებით დაუდევარია, რაც რთულდება ეფექტურობის ოპტიმიზაციისთვის. Edge Computing პლატფორმა, რომელიც დაფუძნებულია აღჭურვილობის შესახებ ინფორმაციის მოდელზე, რათა მიაღწიოს სემანტიკური დონის წარმოების სისტემას ჰორიზონტალური კომუნიკაციისა და ვერტიკალური კომუნიკაციის საფუძველზე, რეალურ დროში მონაცემთა ნაკადის დამუშავების მექანიზმის საფუძველზე, რეალურ დროში მონაცემების დიდი რაოდენობის დაგროვებისა და გაანალიზება, მოდელის დაფუძნებული წარმოების ხაზის მრავალ მონაცემის წყაროს ინფორმაციის შერწყმის მისაღწევად, უზრუნველყოს მონაცემების ძლიერი მხარდაჭერა გადაწყვეტილების წარმოების სისტემაში.
აღჭურვილობის პროგნოზირებადი შენარჩუნების სცენარი: სამრეწველო აღჭურვილობის მოვლა დაყოფილია სამ ტიპად: რეპარაციული მოვლა, პროფილაქტიკური მოვლა და პროგნოზირებადი მოვლა. აღდგენითი შენარჩუნება ეკუთვნის Ex Post Pocto- ს შენარჩუნებას, პროფილაქტიკური მოვლა-პატრონობას და პროგნოზირებულ შენარჩუნებას მიეკუთვნება ანტისის ყოფილ მოვლა-პატრონობას, პირველი ემყარება დროის, აღჭურვილობის მუშაობას, საიტის პირობებს და აღჭურვილობის რეგულარული მოვლის სხვა ფაქტორებს, მეტ-ნაკლებად ადამიანის გამოცდილებას, ეს უკანასკნელი სენსორული მონაცემების შეგროვების გზით, აღჭურვილობის ოპერაციული მდგომარეობის რეალურ დროში მონიტორინგზე, მონაცემების ანალიზისა და ზუსტი პროგნოზირების საფუძველზე.
სამრეწველო ხარისხის შემოწმების სცენარი: სამრეწველო ხედვის შემოწმების ველი არის პირველი ტრადიციული ავტომატური ოპტიკური შემოწმების (AOI) ფორმა ხარისხის შემოწმების სფეროში, მაგრამ AOI– ს განვითარება ჯერჯერობით, მრავალი დეფექტის გამოვლენაში და სხვა რთულ სცენარებში, სხვადასხვა ტიპების დეფექტების გამო, მახასიათებლების მოპოვება და ალგორითული არ არის, რომ არ არის წარმოებული წარმოების სტრიქონი. სხვა ფაქტორები, ტრადიციული AOI სისტემა ძნელია წარმოების ხაზის საჭიროებების განვითარების დაკმაყოფილება. ამრიგად, AI სამრეწველო ხარისხის შემოწმების ალგორითმის პლატფორმა, რომელიც წარმოდგენილია ღრმა სწავლებით + მცირე ნიმუშის სწავლის შედეგად, თანდათანობით შეცვლის ტრადიციულ ვიზუალურ შემოწმების სქემას, ხოლო AI ინდუსტრიული ხარისხის ინსპექციის პლატფორმამ გაიარა კლასიკური მანქანების სასწავლო ალგორითმების და ღრმა სწავლის შემოწმების ალგორითმების ორი ეტაპი.
პოსტის დრო: ოქტომბერი -08-2023