Home Blogs 探索Edge AI使用案例
Applications

About The Author

Outline

在整个企业计算领域,两种技术在未来几年一定会产生重大影响:人工智能(AI)和边缘计算。 在最近的一项 调查中,95%的C-suite高管表示,他们相信他们的组织会从将人工智能嵌入其日常运营中受益。 同样,对边缘计算的研究 表明 ,54%的组织当前使用或计划在未来12个月内使用边缘计算架构。 另有30%的客户打算在未来24个月内评估边缘架构。

基于人们对这些技术的强烈,几乎普遍的兴趣,毫无疑问,将AI与边缘计算相结合将会引起组织的兴趣。 此外,这种组合还开辟了一系列新的和令人兴奋的应用领域,否则这些领域是不可能的。 此博客将展示两个示例。

在很大程度上,人工智能模型和应用程序需要在云中托管和培训,这非常适合深入分析,因为云中固有的延迟不是问题。 但是,对于需要基于AI的系统来实时执行操作的应用程序,将数据来回移动到数据中心(可能距离数据中心数千英里)所涉及的延迟非常严重。

这就是边缘智能进入画面的地方。 通过使处理更接近数据生成源,边缘智能解决了集中计算的几个限制,例如延迟,带宽和安全性,同时仍保留了云的所有优势,包括可扩展性和恢复能力。 边缘智能模型还最大限度地减少了对外部网络连接的依赖,这是经常面临连接挑战的远程位置(如矿山或石油钻机)的关键任务应用的重要考虑因素。

我们构建了完全集成的Edge AI平台,帮助组织以有意义的方式有效采用和部署这些技术。 它非常适合制造,零售,医疗保健,媒体和娱乐等领域的广泛应用领域和使用案例。 可能性几乎是无穷无尽的。

随着许多组织已经开始实施边缘计算计划,部署边缘AI应用程序所需的大部分基础设施已经到位或即将到位。 我们将Edge AI设计为具有云无关互联的实时可操作数据和机器学习(ML) Insights平台,这意味着组织可以立即开始利用该平台,而无需深入的数据科学和AI专业知识。 此外,正如以下两个使用案例所示,基于Edge AI的解决方案易于部署,管理和操作。

AI驱动的面部授权

即使是监视摄像机和访问控制机制(如身份证,制造工厂和其他设施)也会努力实时处理这些数据,以防止未经授权的用户违反政策进入受限场所。 未经授权的访客,甚至是员工,通过”尾随”(通过密切跟踪授权人员进入安全区域,获得未经授权进入安全区域)或通过为允许他们进入设施提出理由来获得访问权限是非常容易的。

除了外部访客之外,一些制造工厂还对商店其他部分的员工出于安全或质量控制等原因可能进入的区域制定了严格的政策。 对于监控设施的安全人员而言,要确切了解哪些员工被授权在哪些位置可能会很困难。 这种情况下,根本没有一个好的解决方案,这也需要不断的警惕,非常适合基于Edge AI平台的面部识别解决方案。

实现面部识别系统是一个相对简单的过程。 首先在设施周围设置基于IP的摄像机网络。 例如,对于车间内的受限区域,摄像机配置了一个软限制,限制摄像机可以看到的距离。 当任何人超出该软限制时,摄像机会忽略它们。 系统会检测进入保护区的任何人,并实时确定该人是否被授权或未被授权在保护区内。 这允许将大型物理工作空间划分为多个逻辑工作区并进行精确监控。

在最近的一项调查中,95%的高管表示,他们相信自己的组织会从将AI嵌入日常运营中受益。

管理和操作面部识别系统不需要特殊的技能或广泛的培训,这可能会妨碍采用。 员工的面部和照片通常在人力资源系统中,可以轻松导入面部识别系统以及访问规则和策略。 临时授权作为标准安全协议的一部分进行处理,设备可以根据需要直接在系统内进行管理和重新定位或更换。

与仅使用云的替代方案相比,基于边缘的解决方案可保护组织免遭与发送个人信息(例如未经其许可向云端发送个人信息)相关的潜在责任和法律挑战。 配置系统以确保捕获的所有数据不会传输到校园之外的任何地方,从而避免了此类挑战。

基于边缘的面部识别的另一个优势是实时推断。 系统可以在检测到未经授权的用户时立即作出响应。 这不是在近乎实时的情况下发生的,而是在只有几毫秒延迟的实时情况下发生的。 系统会立即检测到任何入侵者,并立即通过多媒体消息服务(MMS)向安全人员发送警报,其中包含未授权用户的头像,使安全小组能够采取适当的措施。

综上所述,基于边缘计算模型的面部识别系统的优点包括:

  • 对具有多个保护区的大型车间进行精确监控

  • 轻松的设备管理和配置

  • 智能保护,避免因向云端发送面部信息而产生的潜在法律责任

  • 如果检测到未经授权的访客,则会发出真正的实时警报

光学检查满足边缘要求

另一个非常适合Edge AI的使用案例是在整个制造过程中对各种零件和装配体进行自动光学检测。 传统视觉系统长期以来一直被用于质量控制检查和验证,以制造从电子系统到药品的一切。

虽然传统视觉系统可以准确识别缺陷和其他QA问题,但它们依靠规则集而不是机器学习和AI来检查零件和装配体。 这就限制了他们使用特定的用例和组件,并限制了跨各种产品类型扩展解决方案的能力。 第三方技术人员必须对其进行重新编程,以适应新的型号或产品,并且摄像机和机械臂必须准确地重新定位,以最大限度地减少可变性。 如果没有云集成或数据采集功能,传统系统无法采集数据来优化流程。 所有这些都大大增加了成本,降低了制造商及时响应不断变化的市场需求的能力。

基于Edge AI的系统克服了这些挑战,并提供了变革自动化光学检测的潜力,就像我们现在所知道的那样。 使用基于AI和ML的现代解决方案,制造商可以快速,轻松地在整个产品系列中设置新的检测配置文件,并在运行中实施修改和优化。

借助基于Web的直观用户界面,智能光学检测系统使IT或制造团队成员可以导入和获取检测所需的图像,并通过单击启动培训例行程序。

此外,随着AI收集数据,检测质量得到改善,因此它可以承受因摄像机移动或位置变化而导致的照明或视野变化。 这种适应性还有助于设置检测相机;相机位置镜头类型决定视场,并可调整以适应各种产品尺寸。

基于AI的系统可以像人一样检查装配件,并以更快的速度和更高的一致性了解可接受的偏差。 就像神经网络可以区分猫和狗一样,基于AI的系统可以感知特定对象是可接受的,还是有缺失的组件或一些物理损坏。 借助内置的光学字符识别(OCR),AI还可以扫描条形码或序列号。

AI和ML系统需要相当大的处理能力和存储,特别是用于训练模型。 这就是为什么此类系统通常托管在云环境中的原因。 与许多其他类似的基于云的应用程序一样,挑战在于将图像和数据来回发送到云所涉及的延迟–最终应用程序太慢,在快节奏的制造环境中没有太多价值。 来自摄像头的大量数据流显著增加了云存储和带宽需求。

或者,借助Edge AI应用程序,使用从云中提取的经过训练的模型在边缘上实时进行处理和推理,大多数流媒体内容存储在本地。 这些边缘功能与云完全集成,云可用于非常适合IT的工作负载,例如CPU密集型模型培训和生命周期管理。 每当创建新的检查配置文件时,与配置文件关联的图像会自动上传到云中,然后模型会在云中使用这些图像进行训练。 培训完成后,经过培训的模型将自动部署到边缘以开始检查。 可在单个检查配置文件中使用多个经过训练的模型。

综上所述,基于Edge AI平台的自动化光学检测解决方案的优势包括:

  • 易于使用的基于Web的界面,用于设置新的检查配置文件–无需数据科学或AI专业知识

  • 云中的快速模型培训提供了在不浪费时间或牺牲质量的情况下更改部件或流程的灵活性

  • 快速适应光线或摄像机角度的变化

  • 快速检查完全装配的零件是否存在组件缺失或损坏

  • 大量数据采集,用于进一步分析,并实现流程增强和优化

如这些用例所示,当今企业计算中的两个最热门趋势的结合打开了一系列新应用程序的大门,这些应用程序需要云的处理能力和存储能力以及毫秒的响应时间。

联系我们 ,了解您的应用如何受益于我们的Edge AI智能平台。