老編說說 - 運用 AI 技術 產業面大力佈署 擴增其應用面

2017年有業界先進發聲可以說是人工智慧發展的元年,確實在各大產業中的領頭羊都在大力佈局AI技術希望能有擴增的具體應用。然而2018年更是AI的應用需求更是明確,原先由雲端運算的產品有轉向終端運算處理的趨勢,2018年可以說是人工智慧的邊緣運算年。
AI 與高度運算是密不可分的,連網設備現在解決網路頻寬有限、通訊延遲、缺乏網路覆蓋、資料隱私與機密…等需求,對終端AI運算能力的需求多過於雲端運算。除了演算法和大數據之外,作為AI三大要素之一的「運算能力」也變得非常重要。
AI 是一個演進的過程,過去人工智慧都要送上雲端來運算,遇到了頻寬、延遲和資訊安全等問題,人工智慧發展初期由雲端運算主導,但在上述的條件等限制因素下,運算任務需要轉移至終端裝置或就近的網路設備上,邊緣運算因而興起。2017年廠商紛紛發表關於邊緣運算的產品與概念,就整體而言,對於邊緣運算皆有一個共通目標:萬物聯網 (IoE) 時代隨之產生大數據 (Big Data),僅仰賴中央伺服器集中處理,勢必面對不斷增長的網路傳輸負荷,再者,數據交由「遠在天邊」雲端伺服器集中決策,可能延遲關鍵時刻的反應時間, 所以產生了「邊緣運算」(edge computing) ,這概念被導入物聯網 (IoT) 傳輸架構,由就近的邊緣智能服務器進行初步分析工作,減少雲端運算資源運用,提升物聯網傳輸效率。 或是從資料分工角度來說,邊緣運算概念將具有時間敏感性 (就近與即時) 的資料,直接在終端設備輕度分析,以加速終端反應時間;原本大家所熟悉的雲端運算,主要針對需要歷時分析資料,以及長時間的儲存之數據進行儲存分析,「雲端」與「邊緣」依據資料特性分工運行,可提升整體運算效率,同時也可縮減通訊流量。
在工廠,以工業4.0為基礎之物聯網傳輸架構中,改採邊緣運算架構以生產設備狀態監控及預防維護為例,縮短機器學習預判時間,邊緣智能服務器針對設備數據採樣分析,以及零件時數統計,當設備出現異常狀態,或達到耐用時數設定,直接通知雲端管理平台進行預防性修復,減少突發狀況造成不法生產的龐大損失。「即時性」、「分散性」的運算需求已成顯學且被重視,透過邊緣端智慧設備,針對初步資料進行過濾、彙整以及運算,僅傳輸「關鍵」且「必須」的資料上雲端,不僅可提升傳輸效率,也可減少雲端傳遞過程產生的延遲性問題。現在改將機器學習模型就近放置在工廠設備前端來執行,只須0.1秒就能反應,兩者反應時間相差多達20倍。能有快20倍的反應速度,靠得就是把機器學習放到最靠近資料源的設備前端來分析,讓異常事件預警可以更接近即時,因為省下了資料兩地往返的等待時間,所以能更快處理,可以更即時現場判斷,甚至,因為在設備前端就可以執行機器學習模型,所以一旦網路斷線也無需擔心。

老編