Home Blogs 探索Edge AI使用案例
Applications

About The Author

Outline

在整個企業計算領域,兩種技術肯定會在未來幾年產生重大影響:人工智慧(AI)和邊緣計算。 在最近的一項 調查中,95%的C-suite高管表示他們相信,他們的組織將從將AI嵌入到日常營運中獲益。 同樣,對邊緣計算的研究 表明 ,在未來12個月內,54%的組織目前正在使用或計劃使用邊緣計算架構。 另有30%的人打算在未來24個月內評估邊緣架構。

基於對這些技術的強烈,幾乎普遍的興趣,認爲將AI和邊緣計算相結合將使組織感興趣,這無疑並不存在太大的侷限性。 此外,這種組合開闢了一系列新的,令人興奮的應用領域,否則這些領域是不可能實現的。 此部落格將展示兩個示例。

在很大程度上,人工智慧模型和應用程式需要在雲中託管和培訓,這對於深入分析非常有效,因爲雲所涉及的固有延遲並不是問題。 但對於需要基於AI的系統實時執行操作的應用程式來說,將數據來回移動到可能距離數千英里的數據中心所涉及的延遲是一個極好的選擇。

這就是邊緣智能進入畫面的地方。 邊緣智能通過將處理移至更接近數據生成源的位置,解決了集中計算的幾個侷限性,例如延遲,帶寬和安全性,同時仍保留了雲的所有優勢,包括可擴展性和恢復性。 邊緣智能模型還將對外部網路連接的依賴程度降至最低,這是在經常面臨連接挑戰的礦山或石油鑽井平臺等遠程位置中對任務關鍵型應用的重要考慮因素。

我們構建了完全集成的邊緣人工智慧平臺,幫助組織以有意義的方式有效地採用和部署這些技術。 它非常適合製造,零售,醫療保健,媒體和娛樂等廣泛的應用領域和使用案例。 這些可能性幾乎是無限的。

由於許多組織已經在推行邊緣計算計劃,部署邊緣AI應用程式所需的大部分基礎設施已經到位或即將推出。 我們將Edge AI設計爲具有雲互聯的實時可操作數據和機器學習(ML)洞察平臺,這意味着企業可以立即開始利用該平臺,而無需深入的數據科學和AI專業知識。 此外,如下兩個使用案例所示,基於Edge AI的解決方案易於部署,管理和操作。

人工智慧驅動的面部授權

甚至監控攝影機和訪問控制機制(如身分證,製造工廠和其他設施)都難以實時處理這些數據,以防止未經授權的用戶違反政策訪問受限地點。 未經授權的訪問者甚至員工通過”尾隨”(密切關注有權進入的人員,從而未經授權進入安全區域)或爲應允許他們進入工廠提供藉口來獲得訪問,實在太容易了。

除了外部訪客之外,有些製造設施還制定了嚴格的政策,規定出於安全或質量控制等原因,來自商店其他部分的員工可以訪問哪些區域。 對於監控設施的安保人員來說,難以確定哪些員工被授權在哪裏工作。 在這種情況下,根本沒有一個好的解決方案,也需要不斷保持警惕,這種情況非常適合基於Edge AI平臺的人臉識別解決方案。

實施面部識別系統是一個相對簡單的過程。 它首先在設施周圍建立一個基於IP的攝影機網路。 例如,對於車間內的受限區域,攝像頭配置了軟限制,以確定攝像頭可以看到的距離。 當任何人超出該軟限值時,攝像頭將忽略它們。 系統檢測進入受保護區域的任何人,並實時確定該人員是否已獲得或未被授權進入該區域。 這允許將大型物理工作空間劃分爲多個邏輯工作區並準確監控。

在最近的一項調查中,95%的C套件高管表示他們相信,他們的組織將從將AI嵌入到日常營運中受益。

管理和操作面部識別系統不需要特殊技能或廣泛的培訓,這可能會妨礙採用該系統。 員工面孔和照片通常位於人力資源系統中,可以輕鬆導入面部識別系統以及訪問規則和政策。 臨時授權作爲標準安全協議的一部分進行處理,並且可以根據需要直接在系統內管理和重新定位或更換設備。

與僅基於雲的替代方案相比,基於邊緣的解決方案可保護組織免受與發送個人資訊(如未經許可的人員的面孔)相關的潛在責任和法律挑戰。 配置系統以確保捕獲的所有數據不會在園區以外的任何地方發生,從而避免了這些挑戰。

基於邊緣的面部識別的另一個優點是實時推理。 當檢測到未經授權的用戶時,系統可以立即響應。 這不會在近乎實時的情況下發生,但只有幾毫秒的延遲。 系統會立即偵測到任何入侵者,並透過多媒體訊息服務(MMS)立即將警示傳送給保全員人員,並附上未授權使用者的頭照,讓保全員小組採取適當的行動。

總之,基於邊緣計算模型的面部識別系統的優點包括:

  • 精確監控具有多個保護區的大型車間

  • 輕鬆的設備管理和配置

  • 智能保護免受因向雲發送面部資訊而可能承擔的法律責任

  • 如果檢測到未經授權的訪客,則會發出真正的實時警報

光學檢測符合邊緣要求

另一個非常適合Edge AI的使用案例是在整個製造過程中對各種零件和裝配體進行自動光學檢查。 傳統的視覺系統長期以來一直用於質量控制檢查和驗證,以製造從電子系統到藥品的一切。

雖然傳統視覺系統可以準確識別缺陷和其他QA問題,但它們依靠規則集而不是機器學習和人工智慧來檢查零件和裝配體。 這將它們限制在特定的使用案例和組件上,並限制了在各種產品類型中擴展解決方案的能力。 第三方技術人員必須對其進行重新編程以適應新的型號或產品,並且必須準確地重新定位攝像頭和機器人臂,以儘量減少可變性。 如果沒有雲集成或數據採集功能,傳統系統無法捕獲數據以優化流程。 所有這一切都大大增加了成本,降低了製造商及時響應不斷變化的市場需求的能力。

基於Edge AI的系統克服了這些挑戰,並提供了轉換自動化光學檢測的潛力,正如我們今天所知。 使用現代人工智慧和基於ML的解決方案,製造商可以快速輕鬆地在整個產品範圍內設定新的檢測配置文件,並實時實施修改和改進。

藉助基於Web的直觀用戶界面,智能光學檢測系統允許IT或製造團隊成員導入和採集檢查所需的圖像,並通過單擊即可啓動培訓程序。

此外,隨着AI收集數據,檢查質量提高,因此它可以容忍由於攝影機移動或位置變化而導致的照明或視野變化。 這種適應性在設定檢測攝影機時也有助於;攝像頭放置鏡頭類型決定了視野,並可進行調整以適應不同的產品尺寸。

基於人工智慧的系統可以像人一樣檢查組裝的零件,並以更快的速度瞭解可接受的偏差,並具有更高的一致性。 正如神經網路可以區分貓和狗一樣,基於AI的系統可以感知特定物體是否可以接受,或者缺少組件或物理損壞。 藉助內置光學字元識別(OCR),AI還可以掃描條碼或序列號。

人工智慧和機器學習系統需要相當大的處理能力和存儲能力,尤其是用於培訓模型。 這就是爲什麼這些系統通常託管在雲環境中。 與許多其他類似的基於雲的應用程式一樣,挑戰在於將圖像和數據來回發送到雲所涉及的延遲-在快節奏的製造環境中,終端應用程式的速度太慢,無法發揮巨大的價值。 攝影機的大量數據流大大增加了雲存儲和帶寬需求。

或者,使用Edge AI應用程式,使用從雲中提取的經過培訓的模型在邊緣實時進行處理和推斷,並且大多數流式內容存儲在本地。 這些邊緣功能與雲完全集成,雲用於非常適合IT的工作負載,例如CPU密集型模型培訓和生命週期管理。 每當創建新的檢查配置文件時,與配置文件關聯的圖像都會自動上載到雲中,然後在雲中使用這些圖像對模型進行培訓。 培訓完成後,經過培訓的型號將自動部署到邊緣,開始檢查。 多個經過培訓的型號可以在單個檢查配置文件中使用。

總之,基於Edge AI平臺的自動化光學檢測解決方案的優勢包括:

  • 易於使用的基於Web的界面,用於設定新的檢測配置文件–無需數據科學或人工智慧專業知識

  • 雲中的快速模型培訓提供了更換零件或流程的靈活性,而不會浪費時間或犧牲質量

  • 快速調節照明或攝影機角度

  • 快速檢查完全組裝的零件是否缺失或損壞

  • 大量數據採集,用於進一步分析,並實現流程增強和改進

正如這些使用案例所示,當今企業計算領域的兩種最熱趨勢相結合,打開了一系列新應用程式,這些應用程式既需要雲的處理能力,又需要存儲能力,同時還需要毫秒的響應時間。

請聯繫我們 ,瞭解您的應用如何從我們的Edge AI智能平臺中受益。

Tags

Just For You