在企業計算環境中，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％的高層管理人員表示，他們相信他們的組織將會因在日常營運中嵌入人工智慧而受益。 同樣，邊緣計算研究表明，目前有54％的組織在未來12個月內使用或計劃使用邊緣計算體系結構。 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，認爲將人工智慧和邊緣計算結合起來會使組織感興趣的說法肯定不是很多。 此外，這種組合打開了一系列新的，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。
大體上，人工智慧模型和應用程式需要在雲端進行託管和訓練，這對於深入分析來說非常有用，因為雲端所涉及的內在延遲並不是問題。 但對於需要基於AI的系統實時執行操作的應用程式而言，將數據來回移動到數據中心(可能在數千英里之外)所涉及的延遲是一大亮點。
這就是邊緣智能的體現。 邊緣智能通過將處理工作更接近數據生成源，解決了集中計算的多個限制，如延遲，帶寬和安全性，同時仍保留雲的所有優勢，包括可擴展性和彈性。 邊緣智能模型還最大限度地減少了對外部網路連接的依賴，這是在經常面臨連接挑戰的礦井或石油鑽機等遠程位置執行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AI平臺，以幫助組織以有意義的方式高效地採用和部署這些技術。 它非常適合用於製造，零售，醫療保健，媒體和娛樂等各種應用領域和使用案例。 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架構已經到位或很快就會到位。 我們將Edge AI設計為一個實時可操作的數據和機器學習(ML)洞察平臺，具有與雲無關的互連，這意味著組織可以開始利用該平臺，而無需深入的數據科學和AI專業知識。 此外，以下兩個使用案例說明，基於邊緣AI的解決方案易於部署，管理和操作。
人工智慧型面部授權
即使是監控攝像頭和訪問控制機制(如身份卡，製造廠和其他設施)，也難以實時處理這些數據，以防止未經授權的用戶違反策略訪問受限位置。 對於未經授權的訪客甚至員工來說，通過“尾隨”(通過密切跟蹤有權進入的人來獲得未經授權進入安全區域)或通過爲何允許他們進入工廠的理由來獲取訪問權限太容易了。
除外部訪客外，一些製造工廠還對商店其他部分的員工出於安全或質量控制等原因可能進入哪些區域有嚴格的政策。 對於監控設施的安全人員來說，很難確定哪些員工有權在哪些位置。 在這種情況下，根本沒有一個好的解決方案，也需要不斷的警惕，這種情況非常適合基於邊緣AI平臺的面部識別解決方案。
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，攝像機配置了攝像機可以看到的範圍的軟限制。 當任何人超出該軟限制時，攝影機將忽略這些限制。 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有權進入該區域。 這允許將大型物理工作空間劃分為多個邏輯工作區並進行準確監控。
在最近的一項調查中，95％的高管表示他們認為，將人工智慧嵌入其日常營運中會使其組織受益。
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。 員工臉孔和照片通常在人力資源系統中，可以輕鬆地將其與訪問規則和政策一起導入臉部識別系統。 臨時授權作為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中管理，重新定位或更換設備。
與僅限雲的替代方案相比，基於邊緣的解決方案可保護組織免受與發送個人資訊(例如未經許可將人員的面部發送到雲)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傳輸到校園以外的任何地方，從而避免了此類挑戰。
基於邊緣的面部識別的另一個優點是實時推斷。 系統可以在檢測到未經授權的用戶時立即作出響應。 這種情況不會以接近實時的方式發生，而是實時的，只有幾毫秒的延遲時間。 任何入侵者都會立即被檢測出來，並通過多媒體消息服務(MMS)立即向安全人員發送警報，並帶有未經授權用戶的頭照，從而允許安全小組採取適當的措施。
總之，基於邊緣計算模型的面部識別系統的優點包括：
-
準確監控具有多個保護區的大型車間
-
輕鬆管理和配置設備
-
智能保護，避免因向雲發送面部資訊而可能承擔的法律責任
-
偵測到未經授權的訪客時，會發出真正的即時警示
光學檢查符合邊緣
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。 長期以來，傳統的視覺系統一直用於質量控制檢查和驗證，用於製造從電子系統到制藥的一切。
雖然傳統視覺系統可以準確識別缺陷和其他QA問題，但它們依賴規則集，而不是機器學習和AI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，以最大程度地減少可變性。 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。 所有這些都會顯著增加成本並降低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，並提供了改造自動化光學檢測的潛力，正如我們目前所知。 通過使用現代AI和基於ML的解決方案，製造商可以快速輕鬆地在整個產品系列中設定新的檢查配置文件，並實時實施修改和優化。
借助直觀的基於Web的用戶界面，智能光學檢測系統使IT或製造團隊成員能夠導入和獲取檢查所需的圖像，並只需單擊一下即可啟動培訓例行程序。
此外，當AI收集數據時，檢查質量將得到提高，因此它可以容忍因攝像機移動或位置變化而導致的光線或視野變化。 這種適應性也有助於設定檢測攝像頭；攝像頭位置鏡頭類型決定了視野，並可調整以適應各種產品尺寸。
基於AI的系統可以像人一樣檢查裝配件，並以更快的速度了解可接受的偏差，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的系統可以識別特定對象是否可接受，是否存在組件缺失或是否存在物理損壞。 借助內置光學字元識別(OCR)，AI還可以掃描條形碼或序列號。
AI和ML系統需要相當大的處理能力和存儲能力，尤其是在培訓模型時。 這就是這樣的系統通常託管在雲環境中的原因。 與許多其他類似的雲端應用程式一樣，挑戰在於將影像和資料來回傳送至雲端所涉及的延遲–在快節奏的製造環境中，終端應用程式的速度太慢，無法發揮任何價值。 攝像頭的大量數據流顯著增加了雲存儲和帶寬需求。
或者，借助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，大多數流媒體內容存儲在本地。 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，與配置文件關聯的映像將自動上傳到雲，然後在雲中使用這些映像對模型進行培訓。 培訓完成後，受過培訓的型號將自動部署到邊緣以開始檢查。 單個檢查配置文件中可以使用多個受過培訓的模型。
總而言之，基於Edge AI平臺的自動化光學檢查解決方案的優勢包括：
-
易於使用的基於Web的界面，用於設定新的檢查配置文件，無需數據科學或AI專業知識
-
雲端快速模型訓練提供彈性，可在不浪費時間或犧牲品質的情況下變更零件或程序
-
快速適應光線或攝影機角度的變化
-
快速檢查完全裝配的零件是否有組件缺失或損壞
-
廣泛的數據採集，用於進一步分析，並實現流程增強和優化
正如這些使用案例所示，當今企業計算中兩大熱門趨勢的結合開闢了一系列新應用程序，這些應用程序既需要雲的處理能力，也需要具有毫秒響應時間的存儲能力。
聯繫我們，了解您的應用程式如何從我們的Edge AI智能平臺中受益。
