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。

相 關 產 品

智慧醫療智慧醫療

09 Oct, 2020

BU4美編專用 AI應用
Read More
智慧教室智慧教室

16 Oct, 2020

BU4美編專用 AI應用
Read More
工廠設備預知保養工廠設備預知保養

17 Sep, 2020

BU4美編專用 AI應用
Read More
生產製程優化生產製程優化

17 Sep, 2020

BU4美編專用 AI應用
Read More