Si la inteligencia artificial se considera un viaje de A a B, el servicio de computación en la nube es un aeropuerto o una estación de tren de alta velocidad, y la computación en el borde es un taxi o una bicicleta compartida. La computación en el borde está cerca de las personas, las cosas o las fuentes de datos. Adopta una plataforma abierta que integra almacenamiento, computación, acceso a la red y capacidades básicas de las aplicaciones para brindar servicios a los usuarios en las proximidades. En comparación con los servicios de computación en la nube implementados centralmente, la computación en el borde resuelve problemas como la latencia prolongada y el alto tráfico de convergencia, ofreciendo un mejor soporte para servicios en tiempo real y que requieren un alto ancho de banda.
El éxito de ChatGPT ha impulsado una nueva ola de desarrollo de IA, acelerando su penetración en más áreas de aplicación, como la industria, el comercio minorista, los hogares inteligentes, las ciudades inteligentes, etc. Una gran cantidad de datos requiere almacenamiento y procesamiento en la aplicación, y depender únicamente de la nube ya no es suficiente para satisfacer la demanda real. La computación en el borde mejora el último kilómetro de las aplicaciones de IA. Bajo la política nacional de desarrollo vigoroso de la economía digital, la computación en la nube de China ha entrado en un período de desarrollo inclusivo, la demanda de computación en el borde ha aumentado y la integración de la nube en el borde y el extremo se ha convertido en una importante dirección evolutiva para el futuro.
Se prevé que el mercado de computación de borde crezca un 36,1 % CAGR durante los próximos cinco años
La industria de la computación de borde ha entrado en una fase de desarrollo constante, como lo demuestra la diversificación gradual de sus proveedores de servicios, el crecimiento del tamaño del mercado y la mayor expansión de las áreas de aplicación. En cuanto al tamaño del mercado, los datos del informe de seguimiento de IDC muestran que el tamaño total del mercado de servidores de computación de borde en China alcanzó los 3310 millones de dólares estadounidenses en 2021, y se espera que este crezca a una tasa anual compuesta del 22,2 % entre 2020 y 2025. Sullivan prevé que el tamaño del mercado de la computación de borde en China alcance los 250 900 millones de RMB en 2027, con una tasa de crecimiento anual compuesta (TCAC) del 36,1 % entre 2023 y 2027.
La ecoindustria de la computación de borde prospera
La computación en el borde se encuentra actualmente en la fase inicial de la pandemia, y los límites comerciales en la cadena industrial son relativamente difusos. Para cada proveedor, es necesario considerar la integración con los escenarios comerciales, así como la capacidad de adaptarse a los cambios en los escenarios comerciales desde el punto de vista técnico, y garantizar un alto grado de compatibilidad con los equipos de hardware, así como la capacidad de ingeniería para concretar proyectos.
La cadena industrial de la computación de borde se divide en proveedores de chips, proveedores de algoritmos, fabricantes de dispositivos de hardware y proveedores de soluciones. Los proveedores de chips desarrollan principalmente chips aritméticos desde el extremo hasta el borde y la nube. Además de los chips de borde, también desarrollan tarjetas de aceleración y plataformas de desarrollo de software de soporte. Los proveedores de algoritmos utilizan algoritmos de visión artificial como base para desarrollar algoritmos generales o personalizados, y también existen empresas que construyen centros comerciales de algoritmos o plataformas de capacitación e impulso. Los proveedores de equipos invierten activamente en productos de computación de borde, y el formato de estos productos se enriquece constantemente, conformando gradualmente una gama completa de productos de computación de borde, desde el chip hasta la máquina completa. Los proveedores de soluciones ofrecen software o soluciones integradas de software y hardware para industrias específicas.
Las aplicaciones de la industria de la computación de borde se aceleran
En el ámbito de las ciudades inteligentes
La inspección integral de propiedades urbanas se utiliza habitualmente mediante inspección manual. Esta modalidad presenta los problemas de un alto consumo de tiempo y mano de obra, la dependencia del proceso de personal, la baja cobertura y frecuencia de las inspecciones, y un control de calidad deficiente. Si bien el proceso de inspección registra una gran cantidad de datos, estos recursos no se han transformado en activos de datos para el empoderamiento empresarial. Mediante la aplicación de tecnología de IA a escenarios de inspección móvil, la empresa ha creado un vehículo de inspección inteligente con IA para la gobernanza urbana. Este vehículo adopta tecnologías como el Internet de las Cosas, la computación en la nube y algoritmos de IA, e incorpora equipos profesionales como cámaras de alta definición, pantallas integradas y servidores de IA, y combina el mecanismo de inspección de "sistema inteligente + máquina inteligente + asistencia del personal". Esto promueve la transformación de la gobernanza urbana de una gestión intensiva en personal a una inteligencia mecánica, del juicio empírico al análisis de datos y de la respuesta pasiva al descubrimiento activo.
En el ámbito de la construcción inteligente
Las soluciones de sitios de construcción inteligentes basadas en computación de borde aplican la integración profunda de la tecnología de IA al trabajo de monitoreo de seguridad de la industria de la construcción tradicional, colocando una terminal de análisis de IA de borde en el sitio de construcción, completando la investigación y el desarrollo independientes de algoritmos de IA visual basados en tecnología de análisis de video inteligente, detección en tiempo completo de eventos que se detectarán (por ejemplo, detectar si usar o no un casco), brindando servicios de identificación de puntos de riesgo de seguridad, personal, medio ambiente, seguridad y otros servicios de recordatorio de alarmas, y tomando la iniciativa para la identificación de factores inseguros, protección inteligente de IA, ahorrando costos de mano de obra, para satisfacer las necesidades de gestión de seguridad de personal y propiedad de los sitios de construcción.
En el campo del transporte inteligente
La arquitectura del lado de la nube al extremo se ha convertido en el paradigma básico para la implementación de aplicaciones en la industria del transporte inteligente, donde el lado de la nube es responsable de la gestión centralizada y parte del procesamiento de datos, el lado del borde proporciona principalmente análisis de datos del lado del borde y procesamiento de toma de decisiones computacionales, y el lado final es principalmente responsable de la recopilación de datos comerciales.
En escenarios específicos como la coordinación entre vehículos y carreteras, las intersecciones holográficas, la conducción autónoma y el tráfico ferroviario, se accede a una gran cantidad de dispositivos heterogéneos, que requieren gestión de accesos, gestión de salidas, procesamiento de alarmas y gestión de operaciones y mantenimiento. La computación de borde permite dividir y conquistar, reducir el tamaño de los datos, proporcionar funciones de conversión de protocolos entre capas, lograr un acceso unificado y estable, e incluso controlar de forma colaborativa datos heterogéneos.
En el campo de la fabricación industrial
Escenario de optimización del proceso de producción: Actualmente, un gran número de sistemas de fabricación discreta se ven limitados por la falta de datos, y los cálculos de la eficiencia general de los equipos y otros datos de índice son relativamente imprecisos, lo que dificulta su uso para la optimización de la eficiencia. Una plataforma de computación de borde, basada en el modelo de información de equipos, logra la comunicación horizontal y vertical del sistema de fabricación a nivel semántico. Utilizando un mecanismo de procesamiento de flujo de datos en tiempo real, se agregan y analizan una gran cantidad de datos de campo en tiempo real para lograr la fusión de información de múltiples fuentes de datos de la línea de producción basada en modelos y proporcionar un sólido soporte de datos para la toma de decisiones en el sistema de fabricación discreta.
Escenario de mantenimiento predictivo de equipos: El mantenimiento de equipos industriales se divide en tres tipos: mantenimiento reparativo, mantenimiento preventivo y mantenimiento predictivo. El mantenimiento restaurativo se refiere al mantenimiento ex post facto, mientras que el mantenimiento preventivo y el mantenimiento predictivo se refieren al mantenimiento ex ante. El primero se basa en el tiempo, el rendimiento del equipo, las condiciones del sitio y otros factores para el mantenimiento regular del equipo, basándose en gran medida en la experiencia humana. El segundo, mediante la recopilación de datos de sensores, la monitorización en tiempo real del estado operativo del equipo y el análisis de datos de modelos industriales, permite predecir con precisión cuándo se producirá una falla.
Escenario de inspección de calidad industrial: La inspección por visión industrial es la primera forma tradicional de inspección óptica automática (AOI) en el campo de la inspección de calidad. Sin embargo, el desarrollo de la AOI hasta la fecha, en la detección de muchos defectos y otros escenarios complejos, debido a los defectos de una variedad de tipos, la extracción de características es incompleta, los algoritmos adaptativos son poco extensibles, la línea de producción se actualiza con frecuencia, la migración de algoritmos no es flexible y otros factores, el sistema AOI tradicional ha sido difícil de satisfacer las necesidades de desarrollo de la línea de producción. Por lo tanto, la plataforma de algoritmos de inspección de calidad industrial de IA representada por el aprendizaje profundo + aprendizaje de muestras pequeñas está reemplazando gradualmente el esquema tradicional de inspección visual, y la plataforma de inspección de calidad industrial de IA ha pasado por dos etapas: algoritmos clásicos de aprendizaje automático y algoritmos de inspección de aprendizaje profundo.
Hora de publicación: 08-oct-2023