จากบริการคลาวด์ไปจนถึง Edge Computing AI มาถึง "ไมล์สุดท้าย"

ตลาดคอมพิวเตอร์ Edge จะเติบโต CAGR 36.1% ในอีกห้าปีข้างหน้า

อุตสาหกรรม Edge Computing ได้เข้าสู่ขั้นตอนของการพัฒนาอย่างต่อเนื่อง โดยเห็นได้จากการกระจายตัวของผู้ให้บริการอย่างค่อยเป็นค่อยไป การขยายขนาดตลาด และการขยายขอบเขตการใช้งานเพิ่มเติมในแง่ของขนาดตลาด ข้อมูลจากรายงานการติดตามของ IDC แสดงให้เห็นว่าขนาดตลาดโดยรวมของเซิร์ฟเวอร์ Edge Computing ในจีนมีมูลค่าถึง 3.31 พันล้านดอลลาร์สหรัฐในปี 2564 และขนาดตลาดโดยรวมของเซิร์ฟเวอร์ Edge Computing ในจีนคาดว่าจะเติบโตแบบทบต้นต่อปี อัตรา 22.2% ตั้งแต่ปี 2563 ถึง 2568 Sullivan คาดการณ์ขนาดตลาดของ Edge Computing ในจีนคาดว่าจะสูงถึง 250.9 พันล้านหยวนในปี 2570 โดยมี CAGR อยู่ที่ 36.1% ตั้งแต่ปี 2566 ถึง 2570

อุตสาหกรรมเชิงนิเวศ Edge Computing เจริญรุ่งเรือง

ขณะนี้ Edge Computing ยังอยู่ในช่วงเริ่มต้นของการระบาด และขอบเขตทางธุรกิจในห่วงโซ่อุตสาหกรรมค่อนข้างคลุมเครือสำหรับผู้จัดจำหน่ายแต่ละราย จำเป็นต้องพิจารณาการบูรณาการเข้ากับสถานการณ์ทางธุรกิจ และยังจำเป็นต้องมีความสามารถในการปรับตัวให้เข้ากับการเปลี่ยนแปลงในสถานการณ์ทางธุรกิจจากระดับเทคนิค และยังจำเป็นเพื่อให้แน่ใจว่ามีระดับสูงของ ความเข้ากันได้กับอุปกรณ์ฮาร์ดแวร์ตลอดจนความสามารถทางวิศวกรรมในโครงการที่ดิน

ห่วงโซ่อุตสาหกรรม Edge Computing แบ่งออกเป็นผู้จำหน่ายชิป ผู้จำหน่ายอัลกอริทึม ผู้ผลิตอุปกรณ์ฮาร์ดแวร์ และผู้ให้บริการโซลูชันผู้จำหน่ายชิปส่วนใหญ่พัฒนาชิปเลขคณิตจากด้านปลายไปยังด้านขอบไปจนถึงด้านคลาวด์ และนอกเหนือจากชิปด้านขอบแล้ว พวกเขายังพัฒนาการ์ดเร่งความเร็วและสนับสนุนแพลตฟอร์มการพัฒนาซอฟต์แวร์อีกด้วยผู้จำหน่ายอัลกอริธึมใช้อัลกอริธึมการมองเห็นของคอมพิวเตอร์เป็นแกนหลักในการสร้างอัลกอริธึมทั่วไปหรือที่ปรับแต่งเอง และยังมีองค์กรที่สร้างศูนย์รวมอัลกอริธึมหรือแพลตฟอร์มการฝึกอบรมและพุชอีกด้วยผู้จำหน่ายอุปกรณ์กำลังลงทุนในผลิตภัณฑ์ Edge Computing อย่างแข็งขัน และรูปแบบของผลิตภัณฑ์ Edge Computing ก็ได้รับการพัฒนาอย่างต่อเนื่อง โดยค่อยๆ สร้างกลุ่มผลิตภัณฑ์ Edge Computing เต็มรูปแบบตั้งแต่ชิปไปจนถึงเครื่องทั้งหมดผู้ให้บริการโซลูชันจัดหาซอฟต์แวร์หรือโซลูชันที่ผสานรวมซอฟต์แวร์และฮาร์ดแวร์สำหรับอุตสาหกรรมเฉพาะ

แอปพลิเคชันอุตสาหกรรม Edge Computing เร่งความเร็วขึ้น

ในด้านเมืองอัจฉริยะ

ปัจจุบันการตรวจสอบทรัพย์สินในเมืองอย่างครอบคลุมมักใช้ในโหมดการตรวจสอบด้วยตนเอง และโหมดการตรวจสอบด้วยตนเองมีปัญหาเรื่องค่าใช้จ่ายที่ใช้เวลานานและแรงงานเข้มข้น การพึ่งพากระบวนการในบุคคล ความครอบคลุมและความถี่ในการตรวจสอบที่ไม่ดี และคุณภาพไม่ดี ควบคุม.ในเวลาเดียวกัน กระบวนการตรวจสอบได้บันทึกข้อมูลจำนวนมหาศาล แต่ทรัพยากรข้อมูลเหล่านี้ไม่ได้ถูกแปลงเป็นสินทรัพย์ข้อมูลเพื่อเสริมศักยภาพทางธุรกิจด้วยการใช้เทคโนโลยี AI ในสถานการณ์การตรวจสอบอุปกรณ์เคลื่อนที่ องค์กรได้สร้างยานพาหนะตรวจสอบอัจฉริยะ AI สำหรับการกำกับดูแลเมือง ซึ่งใช้เทคโนโลยีต่างๆ เช่น Internet of Things, การประมวลผลแบบคลาวด์, อัลกอริธึม AI และพกพาอุปกรณ์ระดับมืออาชีพ เช่น กล้องความละเอียดสูง บอร์ดแสดงผลและเซิร์ฟเวอร์ฝั่ง AI และรวมกลไกการตรวจสอบของ "ระบบอัจฉริยะ + เครื่องจักรอัจฉริยะ + การช่วยเหลือพนักงาน"โดยส่งเสริมการเปลี่ยนแปลงของการกำกับดูแลเมืองจากการที่ต้องใช้บุคลากรจำนวนมากไปสู่ความฉลาดทางกล จากการตัดสินเชิงประจักษ์ไปจนถึงการวิเคราะห์ข้อมูล และจากการตอบสนองเชิงโต้ตอบไปจนถึงการค้นพบเชิงรุก

ในด้านสถานที่ก่อสร้างอัจฉริยะ

โซลูชันสถานที่ก่อสร้างอัจฉริยะที่ใช้การประมวลผลแบบ Edge ใช้การบูรณาการเชิงลึกของเทคโนโลยี AI เข้ากับงานตรวจสอบความปลอดภัยของอุตสาหกรรมการก่อสร้างแบบดั้งเดิม โดยการวางเทอร์มินัลการวิเคราะห์ AI ที่ล้ำสมัยที่สถานที่ก่อสร้าง ส่งผลให้การวิจัยอิสระและพัฒนาอัลกอริธึม AI แบบมองเห็นโดยใช้วิดีโออัจฉริยะเสร็จสมบูรณ์ เทคโนโลยีการวิเคราะห์ การตรวจจับเหตุการณ์แบบเต็มเวลาที่จะตรวจจับ (เช่น การตรวจจับว่าจะสวมหมวกกันน็อคหรือไม่) การจัดหาบุคลากร สภาพแวดล้อม การรักษาความปลอดภัย และการระบุจุดเสี่ยงด้านความปลอดภัยและบริการเตือนการแจ้งเตือน และริเริ่มการระบุจุดที่ไม่ปลอดภัย ปัจจัยต่างๆ, การป้องกันอัจฉริยะของ AI, ประหยัดต้นทุนกำลังคน, เพื่อตอบสนองความต้องการด้านบุคลากรและการจัดการความปลอดภัยของทรัพย์สินของสถานที่ก่อสร้าง

ในด้านการขนส่งอัจฉริยะ

สถาปัตยกรรมฝั่งคลาวด์ได้กลายเป็นกระบวนทัศน์พื้นฐานสำหรับการปรับใช้แอปพลิเคชันในอุตสาหกรรมการขนส่งอัจฉริยะ โดยฝั่งคลาวด์รับผิดชอบในการจัดการแบบรวมศูนย์และเป็นส่วนหนึ่งของการประมวลผลข้อมูล โดยฝั่งเอดจ์จะให้การวิเคราะห์ข้อมูลฝั่งเอดจ์และการตัดสินใจในการคำนวณเป็นหลัก -ทำการประมวลผลและฝ่ายสุดท้ายรับผิดชอบในการรวบรวมข้อมูลทางธุรกิจเป็นหลัก

ในสถานการณ์เฉพาะ เช่น การประสานงานระหว่างยานพาหนะกับถนน ทางแยกโฮโลแกรม การขับขี่อัตโนมัติ และการจราจรทางรถไฟ มีอุปกรณ์ที่ต่างกันจำนวนมากเข้าถึงได้ และอุปกรณ์เหล่านี้จำเป็นต้องมีการจัดการการเข้าถึง การจัดการทางออก การประมวลผลสัญญาณเตือน และการดำเนินการและการบำรุงรักษาEdge Computing สามารถแบ่งและพิชิต เปลี่ยนขนาดใหญ่ให้มีขนาดเล็ก มอบฟังก์ชันการแปลงโปรโตคอลข้ามเลเยอร์ บรรลุการเข้าถึงที่เป็นหนึ่งเดียวและมีเสถียรภาพ และแม้กระทั่งการควบคุมข้อมูลที่ต่างกันร่วมกัน

ในด้านการผลิตภาคอุตสาหกรรม

สถานการณ์การเพิ่มประสิทธิภาพกระบวนการผลิต: ปัจจุบัน ระบบการผลิตแบบแยกส่วนจำนวนมากถูกจำกัดด้วยข้อมูลที่ไม่สมบูรณ์ และประสิทธิภาพของอุปกรณ์โดยรวมและการคำนวณข้อมูลดัชนีอื่นๆ ค่อนข้างเลอะเทอะ ทำให้ยากต่อการใช้เพื่อเพิ่มประสิทธิภาพแพลตฟอร์ม Edge Computing ที่ใช้โมเดลข้อมูลอุปกรณ์เพื่อให้บรรลุระบบการผลิตระดับความหมายการสื่อสารในแนวนอนและการสื่อสารในแนวตั้ง ขึ้นอยู่กับกลไกการประมวลผลการไหลของข้อมูลแบบเรียลไทม์เพื่อรวบรวมและวิเคราะห์ข้อมูลเรียลไทม์ภาคสนามจำนวนมาก เพื่อให้บรรลุสายการผลิตตามแบบจำลอง การผสมผสานข้อมูลหลายแหล่งข้อมูล เพื่อให้การสนับสนุนข้อมูลที่มีประสิทธิภาพสำหรับการตัดสินใจในระบบการผลิตแบบแยกส่วน

สถานการณ์การบำรุงรักษาเชิงคาดการณ์อุปกรณ์: การบำรุงรักษาอุปกรณ์อุตสาหกรรมแบ่งออกเป็น 3 ประเภท ได้แก่ การบำรุงรักษาเชิงซ่อมแซม การบำรุงรักษาเชิงป้องกัน และการบำรุงรักษาเชิงคาดการณ์การบำรุงรักษาเชิงบูรณะเป็นของการบำรุงรักษาแบบหลังพฤตินัย การบำรุงรักษาเชิงป้องกัน และการบำรุงรักษาแบบคาดการณ์ล่วงหน้าเป็นของการบำรุงรักษาก่อนกำหนด โดยแบบแรกจะขึ้นอยู่กับเวลา ประสิทธิภาพอุปกรณ์ สภาพไซต์ และปัจจัยอื่น ๆ สำหรับการบำรุงรักษาอุปกรณ์ตามปกติ ไม่มากก็น้อยขึ้นอยู่กับมนุษย์ ประสบการณ์อย่างหลังผ่านการรวบรวมข้อมูลเซ็นเซอร์ การตรวจสอบสถานะการทำงานของอุปกรณ์แบบเรียลไทม์ โดยอิงตามแบบจำลองการวิเคราะห์ข้อมูลทางอุตสาหกรรม และคาดการณ์ได้อย่างแม่นยำเมื่อเกิดความล้มเหลว

สถานการณ์การตรวจสอบคุณภาพอุตสาหกรรม: เขตข้อมูลการตรวจสอบด้วยภาพทางอุตสาหกรรมเป็นรูปแบบการตรวจสอบด้วยแสงอัตโนมัติ (AOI) แบบดั้งเดิมรูปแบบแรกในเขตการตรวจสอบคุณภาพ แต่การพัฒนาของ AOI จนถึงขณะนี้ในการตรวจจับข้อบกพร่องจำนวนมากและสถานการณ์ที่ซับซ้อนอื่น ๆ เนื่องจากข้อบกพร่องในหลากหลาย ประเภทต่างๆ การดึงคุณลักษณะไม่สมบูรณ์ อัลกอริธึมแบบปรับตัว ความสามารถในการขยายไม่ดี สายการผลิตได้รับการอัปเดตบ่อยครั้ง การโยกย้ายอัลกอริทึมไม่ยืดหยุ่น และปัจจัยอื่นๆ ระบบ AOI แบบดั้งเดิมนั้นยากที่จะตอบสนองการพัฒนาความต้องการของสายการผลิตดังนั้น แพลตฟอร์มอัลกอริธึมการตรวจสอบคุณภาพอุตสาหกรรม AI ที่แสดงโดยการเรียนรู้เชิงลึก + การเรียนรู้ตัวอย่างขนาดเล็กจึงค่อยๆ มาแทนที่แผนการตรวจสอบด้วยภาพแบบดั้งเดิม และแพลตฟอร์มการตรวจสอบคุณภาพอุตสาหกรรม AI ได้ผ่านขั้นตอนสองขั้นตอนของอัลกอริธึมการเรียนรู้ของเครื่องแบบคลาสสิกและอัลกอริธึมการตรวจสอบการเรียนรู้เชิงลึก