在整个企业计算领域，两种技术肯定会在未来几年内产生重大影响：人工智能(AI)和边缘计算。 在最近的一项调查中,95%的首席执行官表示,他们相信将人工智能嵌入到他们的日常运营中会受益。 同样，对边缘计算的研究表明，54%的组织目前正在使用或计划在未来12个月内使用边缘计算架构。 另有30%打算在未来24个月内评估边缘架构。
基于对这些技术的强烈且几乎普遍的兴趣,认为将AI和边缘计算相结合肯定不会让组织感兴趣。 此外,这种组合开辟了一系列新的，令人兴奋的应用领域,否则这些领域是不可能实现的。 本博客将展示两个示例。
在很大程度上,AI模型和应用程序需要在云端托管和培训,这非常适合深入分析,因为云所涉及的固有延迟不是问题。 但对于需要基于人工智能的系统来实时执行操作的应用程序来说,将数据来回移动到可能在数千英里之外的数据中心所涉及的延迟是一个亮点。
这就是边缘智能进入画面的地方。 通过将处理移至更靠近数据生成源的位置，边缘智能解决了集中计算的几个局限性，例如延迟，带宽和安全性，同时仍保留了云的所有优势，包括可扩展性和弹性。 边缘智能模型还可最大限度地减少对外部网络连接的依赖性，这是常规面临连接挑战的矿山或石油钻井平台等偏远地区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，以帮助组织以有意义的方式高效采用和部署这些技术。 它非常适合广泛的应用领域和用例，涵盖制造业，零售，医疗保健，媒体和娱乐等领域。 可能性几乎是无穷无尽的。
由于许多组织已经在追求边缘计算计划，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设计为具有与云无关的互连的实时可操作数据和机器学习(ML)洞察平台，这意味着组织无需深入的数据科学和人工智能专业知识即可开始利用该平台。 正如以下两个用例所示，基于Edge AI的解决方案易于部署，管理和操作。
人工智能驱动的面部授权
即便是监控摄像机和访问控制机制(如身份证，制造工厂和其他设施)也很难对这些数据进行实时操作，以防止未经授权的用户违反政策访问受限位置。 对于未经授权的访问者甚至员工来说，通过”尾随”(通过密切跟随有权进入安全区域的人而获得未经授权的进入)授权的员工或为他们应该被允许进入设施提供借口太容易了。
除了外部访客之外，一些制造工厂还制定了严格的政策，规定商店其他部分的员工出于安全或质量控制等原因可以访问哪些区域。 对于监控设施的安保人员来说，要确定哪些员工有权在哪个地点工作可能是一项挑战。 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,是理想的适合基于Edge AI平台的面部识别解决方案。
实施面部识别系统是一个相对简单的过程。 它首先在设施周围建立一个基于IP的摄像机网络。 例如，对于车间内的受限区域，摄像机配置了对摄像机可见距离的软限制。 当任何人超出该软限制时，摄像机将忽略它们。 系统检测进入保护区的任何人，并实时确定该人是否被授权进入保护区。 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准确监控。
在最近的一项调查中,95%的首席执行官表示,他们相信将人工智能嵌入到日常运营中将会受益。
管理和操作面部识别系统不需要特殊技能或广泛的培训，可能会妨碍采用。 员工的面部和照片通常位于HR系统中，可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，并且可以根据需要直接在系统中管理和重新定位或更换设备。
与仅限云的替代方案相比，基于边缘的解决方案可保护组织免受与发送个人信息(例如，未经其许可将人员的面孔发送到云)相关的潜在责任和法律挑战的影响。 配置系统以确保捕获的所有数据不会流到校园外的任何地方，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理。 当检测到未经授权的用户时，系统可以立即响应。 这种情况不是近乎实时的，而是实时的，只有几毫秒的延迟。 立即检测到任何入侵者，并立即通过多媒体消息服务(MMS)向安全人员发送带有未经授权用户头像的警报，使安全小组能够采取适当的措施。
总之，基于边缘计算模型的面部识别系统的优点包括：
-
精确监控具有多个保护区的大型车间
-
轻松管理和配置设备
-
智能保护，免受因将面部信息发送到云而导致的潜在法律责任
-
如果检测到未经授权的访问者，则会发出真正的实时警报
光学检查符合边缘要求
适用于Edge AI的另一个用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。 传统的视觉系统长期以来一直用于质量控制检查和验证,以制造从电子系统到制药的所有产品。
虽然传统的视觉系统可以准确识别缺陷和其他QA问题,但它们依赖于规则集,而不是机器学习和人工智能来检查零件和装配体。 这限制了它们仅限于特定的用例和组件，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，以适应新型号或产品，并且必须准确重新定位摄像机和机械臂，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,并提供了转变当今我们所熟知的自动化光学检测的潜力。 使用基于现代人工智能和机器学习的解决方案,制造商可以快速，轻松地在整个产品范围内设置新的检测配置文件,并实时实施修改和改进。
借助基于Web的直观用户界面,智能光学检测系统允许IT或制造团队成员导入和采集检测所需的图像,只需点击一下即可启动培训程序。
此外,随着AI收集数据,检测质量得到提高,因此它可以承受由于摄像机移动或位置变化而导致的照明或视野变化。 这种适应性也有助于设置检测相机;相机放置镜头类型决定了视野,并且可以根据不同的产品尺寸进行调整。
基于人工智能的系统可以像人一样检查装配件,并以更快的速度了解可接受的偏差,并提高一致性。 就像神经网络可以区分猫和狗一样,基于人工智能的系统可以感知特定物体是否可接受,是否缺少组件或存在物理损伤。 借助内置光学字符识别(OCR)功能,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空间,特别是在训练模型时。 这就是为什么这样的系统通常托管在云环境中。 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端所涉及的延迟–最终应用程序速度太慢，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，使用从云端提取的经过训练的模型在边缘实时进行处理和推理，并且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都会自动上传到云端,然后在云端使用这些图像对模型进行训练。 培训完成后,训练有素的模型会自动部署到边缘以开始检测。 多个经过训练的模型可用于单个检查配置文件。
总之,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,用于设置新的检测配置文件–无需数据科学或人工智能专业知识
-
云中的快速模型培训可灵活地更改零件或流程，而不会浪费时间或牺牲质量
-
快速适应照明或摄像机角度的变化
-
快速检查完整组装的零件是否缺失组件或损坏
-
海量数据采集，用于进一步分析，并实现流程增强和完善
正如这些用例所展示的那样，当今企业计算领域的两个最热门趋势的结合开辟了一系列新的应用程序，这些应用程序既需要云的处理能力，也需要云存储能力，又需要毫秒的响应时间。
联系我们，了解您的应用如何从我们的Edge AI智能平台中受益。
