จากบริการคลาวด์ไปจนถึงเอดจ์คอมพิวติ้ง ปัญญาประดิษฐ์ (AI) เข้ามาสู่ "ขั้นตอนสุดท้าย" แล้ว

ตลาด Edge Computing คาดว่าจะเติบโตในอัตราเฉลี่ยต่อปี (CAGR) 36.1% ในอีกห้าปีข้างหน้า

อุตสาหกรรมเอจคอมพิวติ้งได้เข้าสู่ช่วงการพัฒนาอย่างมั่นคงแล้ว ดังที่เห็นได้จากการกระจายตัวของผู้ให้บริการที่ค่อยเป็นค่อยไป ขนาดตลาดที่ขยายตัว และการขยายขอบเขตการใช้งานเพิ่มเติม ในแง่ของขนาดตลาด ข้อมูลจากรายงานการติดตามของ IDC แสดงให้เห็นว่าขนาดตลาดโดยรวมของเซิร์ฟเวอร์เอจคอมพิวติ้งในประเทศจีนมีมูลค่าถึง 3.31 พันล้านดอลลาร์สหรัฐในปี 2021 และคาดว่าขนาดตลาดโดยรวมของเซิร์ฟเวอร์เอจคอมพิวติ้งในประเทศจีนจะเติบโตในอัตราการเติบโตเฉลี่ยต่อปี (CAGR) ที่ 22.2% ตั้งแต่ปี 2020 ถึง 2025 Sullivan คาดการณ์ว่าขนาดตลาดเอจคอมพิวติ้งในประเทศจีนจะมีมูลค่าถึง 250.9 พันล้านหยวนในปี 2027 โดยมี CAGR ที่ 36.1% ตั้งแต่ปี 2023 ถึง 2027

ระบบนิเวศอุตสาหกรรมการประมวลผลแบบเอดจ์เฟื่องฟู

ปัจจุบัน Edge computing ยังอยู่ในช่วงเริ่มต้นของการแพร่หลาย และขอบเขตทางธุรกิจในห่วงโซ่อุตสาหกรรมยังไม่ชัดเจนนัก สำหรับผู้จำหน่ายแต่ละราย จำเป็นต้องพิจารณาการบูรณาการกับสถานการณ์ทางธุรกิจ และจำเป็นต้องมีความสามารถในการปรับตัวให้เข้ากับการเปลี่ยนแปลงของสถานการณ์ทางธุรกิจในระดับเทคนิค รวมถึงต้องมั่นใจว่ามีความเข้ากันได้สูงกับอุปกรณ์ฮาร์ดแวร์ และมีความสามารถทางวิศวกรรมในการดำเนินโครงการให้สำเร็จ

ห่วงโซ่อุตสาหกรรมเอจคอมพิวติ้งแบ่งออกเป็นผู้ผลิตชิป ผู้ผลิตอัลกอริทึม ผู้ผลิตอุปกรณ์ฮาร์ดแวร์ และผู้ให้บริการโซลูชัน ผู้ผลิตชิปส่วนใหญ่พัฒนาชิปประมวลผลตั้งแต่ฝั่งปลายทางไปจนถึงฝั่งเอจและฝั่งคลาวด์ และนอกเหนือจากชิปฝั่งเอจแล้ว ยังพัฒนาการ์ดเร่งความเร็วและแพลตฟอร์มการพัฒนาซอฟต์แวร์ด้วย ผู้ผลิตอัลกอริทึมใช้อัลกอริทึมด้านคอมพิวเตอร์วิชั่นเป็นแกนหลักในการสร้างอัลกอริทึมทั่วไปหรือแบบกำหนดเอง และยังมีบริษัทที่สร้างศูนย์รวมอัลกอริทึมหรือแพลตฟอร์มการฝึกอบรมและการเผยแพร่ ผู้ผลิตอุปกรณ์ลงทุนอย่างแข็งขันในผลิตภัณฑ์เอจคอมพิวติ้ง และรูปแบบของผลิตภัณฑ์เอจคอมพิวติ้งก็มีความหลากหลายมากขึ้นเรื่อยๆ จนค่อยๆ กลายเป็นผลิตภัณฑ์เอจคอมพิวติ้งแบบครบวงจรตั้งแต่ชิปไปจนถึงเครื่องจักรทั้งหมด ผู้ให้บริการโซลูชันให้บริการซอฟต์แวร์หรือโซลูชันแบบบูรณาการซอฟต์แวร์และฮาร์ดแวร์สำหรับอุตสาหกรรมเฉพาะ

การประยุกต์ใช้ Edge computing ในอุตสาหกรรมช่วยเร่งการพัฒนา

ในด้านเมืองอัจฉริยะ

ปัจจุบัน การตรวจสอบทรัพย์สินในเขตเมืองอย่างครอบคลุมมักใช้รูปแบบการตรวจสอบด้วยตนเอง ซึ่งรูปแบบการตรวจสอบด้วยตนเองนั้นมีปัญหาหลายประการ เช่น ใช้เวลานานและต้องใช้แรงงานมาก กระบวนการขึ้นอยู่กับบุคคล การครอบคลุมและการตรวจสอบไม่ทั่วถึง และการควบคุมคุณภาพไม่ดี ในขณะเดียวกัน กระบวนการตรวจสอบก็บันทึกข้อมูลจำนวนมหาศาล แต่ทรัพยากรข้อมูลเหล่านี้ยังไม่ได้ถูกแปลงเป็นสินทรัพย์ข้อมูลเพื่อเสริมศักยภาพทางธุรกิจ ด้วยการประยุกต์ใช้เทคโนโลยี AI ในสถานการณ์การตรวจสอบแบบเคลื่อนที่ บริษัทได้สร้างยานพาหนะตรวจสอบอัจฉริยะ AI สำหรับการบริหารจัดการเมือง ซึ่งใช้เทคโนโลยีต่างๆ เช่น อินเทอร์เน็ตของสิ่งต่างๆ (IoT) การประมวลผลแบบคลาวด์ อัลกอริทึม AI และติดตั้งอุปกรณ์ระดับมืออาชีพ เช่น กล้องความละเอียดสูง จอแสดงผลบนรถ และเซิร์ฟเวอร์ AI โดยผสมผสานกลไกการตรวจสอบแบบ "ระบบอัจฉริยะ + เครื่องจักรอัจฉริยะ + ความช่วยเหลือจากเจ้าหน้าที่" ซึ่งส่งเสริมการเปลี่ยนแปลงการบริหารจัดการเมืองจากที่ต้องใช้บุคลากรจำนวนมากไปสู่ความชาญฉลาดเชิงกล จากการตัดสินโดยอาศัยประสบการณ์ไปสู่การวิเคราะห์ข้อมูล และจากการตอบสนองแบบตั้งรับไปสู่การค้นพบเชิงรุก

ในด้านสถานที่ก่อสร้างอัจฉริยะ

โซลูชันไซต์ก่อสร้างอัจฉริยะบนพื้นฐาน Edge computing ผสานรวมเทคโนโลยี AI อย่างลึกซึ้งเข้ากับงานตรวจสอบความปลอดภัยแบบดั้งเดิมในอุตสาหกรรมการก่อสร้าง โดยการติดตั้งเทอร์มินัลวิเคราะห์ AI ที่ Edge ในสถานที่ก่อสร้าง ทำการวิจัยและพัฒนาอัลกอริธึม AI ด้านภาพโดยอิสระบนพื้นฐานของเทคโนโลยีการวิเคราะห์วิดีโออัจฉริยะ ตรวจจับเหตุการณ์ที่ต้องตรวจจับแบบเรียลไทม์ (เช่น ตรวจจับว่าสวมหมวกนิรภัยหรือไม่) ให้บริการระบุจุดเสี่ยงด้านความปลอดภัยของบุคลากร สิ่งแวดล้อม และความปลอดภัยอื่นๆ พร้อมบริการแจ้งเตือน และดำเนินการระบุปัจจัยที่ไม่ปลอดภัยด้วยตนเอง การรักษาความปลอดภัยอัจฉริยะด้วย AI ช่วยประหยัดค่าใช้จ่ายด้านกำลังคน เพื่อตอบสนองความต้องการด้านการจัดการความปลอดภัยของบุคลากรและทรัพย์สินในสถานที่ก่อสร้าง

ในด้านระบบขนส่งอัจฉริยะ

สถาปัตยกรรมฝั่งคลาวด์และฝั่งปลายทางได้กลายเป็นแบบแผนพื้นฐานสำหรับการใช้งานแอปพลิเคชันในอุตสาหกรรมการขนส่งอัจฉริยะ โดยฝั่งคลาวด์รับผิดชอบการจัดการแบบรวมศูนย์และการประมวลผลข้อมูลบางส่วน ฝั่งเอดจ์ส่วนใหญ่จะให้บริการการวิเคราะห์ข้อมูลและการประมวลผลเพื่อการตัดสินใจ และฝั่งปลายทางส่วนใหญ่รับผิดชอบการรวบรวมข้อมูลทางธุรกิจ

ในสถานการณ์เฉพาะ เช่น การประสานงานระหว่างยานพาหนะและถนน สี่แยกโฮโลแกรม การขับขี่อัตโนมัติ และการจราจรทางราง มีอุปกรณ์ที่หลากหลายจำนวนมากที่ถูกใช้งาน และอุปกรณ์เหล่านี้ต้องการการจัดการการเข้าถึง การจัดการการออก การประมวลผลสัญญาณเตือน และการประมวลผลการดำเนินงานและการบำรุงรักษา การประมวลผลแบบเอดจ์สามารถแบ่งและพิชิต เปลี่ยนสิ่งใหญ่ให้เป็นสิ่งเล็ก ให้ฟังก์ชันการแปลงโปรโตคอลข้ามเลเยอร์ บรรลุการเข้าถึงที่เป็นหนึ่งเดียวและเสถียร และแม้กระทั่งการควบคุมร่วมกันของข้อมูลที่หลากหลาย

ในด้านการผลิตภาคอุตสาหกรรม

สถานการณ์การเพิ่มประสิทธิภาพกระบวนการผลิต: ปัจจุบัน ระบบการผลิตแบบแยกส่วนจำนวนมากมีข้อจำกัดเรื่องข้อมูลไม่ครบถ้วน และการคำนวณประสิทธิภาพโดยรวมของอุปกรณ์และดัชนีข้อมูลอื่นๆ ยังไม่แม่นยำ ทำให้ยากต่อการนำไปใช้เพื่อเพิ่มประสิทธิภาพ แพลตฟอร์มการประมวลผลแบบ Edge Computing ที่ใช้โมเดลข้อมูลอุปกรณ์จะช่วยให้เกิดการสื่อสารแนวนอนและแนวตั้งของระบบการผลิตในระดับความหมาย โดยใช้กลไกการประมวลผลการไหลของข้อมูลแบบเรียลไทม์เพื่อรวบรวมและวิเคราะห์ข้อมูลแบบเรียลไทม์จำนวนมากจากภาคสนาม เพื่อให้ได้การหลอมรวมข้อมูลจากหลายแหล่งข้อมูลในสายการผลิตตามโมเดล และให้การสนับสนุนข้อมูลที่มีประสิทธิภาพสำหรับการตัดสินใจในระบบการผลิตแบบแยกส่วน

สถานการณ์การบำรุงรักษาเชิงพยากรณ์สำหรับอุปกรณ์: การบำรุงรักษาอุปกรณ์อุตสาหกรรมแบ่งออกเป็นสามประเภท ได้แก่ การบำรุงรักษาเชิงซ่อมแซม การบำรุงรักษาเชิงป้องกัน และการบำรุงรักษาเชิงพยากรณ์ การบำรุงรักษาเชิงซ่อมแซมจัดเป็นการบำรุงรักษาหลังเกิดเหตุ ในขณะที่การบำรุงรักษาเชิงป้องกันและการบำรุงรักษาเชิงพยากรณ์จัดเป็นการบำรุงรักษาก่อนเกิดเหตุ โดยการบำรุงรักษาเชิงซ่อมแซมนั้นขึ้นอยู่กับเวลา ประสิทธิภาพของอุปกรณ์ สภาพแวดล้อม และปัจจัยอื่นๆ ในการบำรุงรักษาอุปกรณ์เป็นประจำ ซึ่งส่วนใหญ่ขึ้นอยู่กับประสบการณ์ของมนุษย์ ในขณะที่การบำรุงรักษาเชิงพยากรณ์นั้นอาศัยการรวบรวมข้อมูลจากเซ็นเซอร์ การตรวจสอบสถานะการทำงานของอุปกรณ์แบบเรียลไทม์ โดยอิงจากการวิเคราะห์ข้อมูลตามแบบจำลองทางอุตสาหกรรม และคาดการณ์ได้อย่างแม่นยำว่าความล้มเหลวจะเกิดขึ้นเมื่อใด

สถานการณ์การตรวจสอบคุณภาพในอุตสาหกรรม: การตรวจสอบด้วยระบบวิชั่นในอุตสาหกรรมเป็นรูปแบบการตรวจสอบด้วยแสงอัตโนมัติ (AOI) แบบดั้งเดิมรูปแบบแรกที่ถูกนำมาใช้ในด้านการตรวจสอบคุณภาพ แต่การพัฒนาของ AOI จนถึงปัจจุบัน ในสถานการณ์การตรวจจับข้อบกพร่องและสถานการณ์ที่ซับซ้อนอื่นๆ มากมาย เนื่องจากข้อบกพร่องมีหลายประเภท การสกัดคุณลักษณะไม่สมบูรณ์ อัลกอริทึมแบบปรับตัวได้มีความยืดหยุ่นต่ำ สายการผลิตมีการอัปเดตบ่อยครั้ง การย้ายอัลกอริทึมไม่ยืดหยุ่น และปัจจัยอื่นๆ ทำให้ระบบ AOI แบบดั้งเดิมยากที่จะตอบสนองความต้องการของสายการผลิตที่พัฒนาขึ้น ดังนั้น แพลตฟอร์มอัลกอริทึมการตรวจสอบคุณภาพในอุตสาหกรรมด้วย AI ที่ใช้การเรียนรู้เชิงลึก + การเรียนรู้จากตัวอย่างขนาดเล็ก จึงค่อยๆ เข้ามาแทนที่แผนการตรวจสอบด้วยภาพแบบดั้งเดิม และแพลตฟอร์มการตรวจสอบคุณภาพในอุตสาหกรรมด้วย AI ได้ผ่านสองขั้นตอน ได้แก่ อัลกอริทึมการเรียนรู้ของเครื่องแบบคลาสสิกและอัลกอริทึมการตรวจสอบด้วยการเรียนรู้เชิงลึก