


Bagaimana pengkomputeran tepi membantu perusahaan mengurangkan kos dan meningkatkan kecekapan
Harapan yang semakin meningkat untuk pengkomputeran edge telah mengisi industri dengan idea yang berani, seperti "the edge will eat the cloud" dan automasi masa nyata akan menjadi perkara biasa dalam penjagaan kesihatan, peruncitan dan pembuatan.
Hari ini, semakin ramai pakar percaya bahawa pengkomputeran tepi akan memainkan peranan penting dalam transformasi digital hampir setiap perusahaan. Tetapi kemajuan telah perlahan. Pemikiran tradisional menghalang syarikat daripada memanfaatkan sepenuhnya pembuatan keputusan masa nyata dan peruntukan sumber. Untuk memahami cara dan sebab perkara ini berlaku, mari kita lihat kembali gelombang pertama pengkomputeran tepi dan apa yang berlaku sejak itu.
Gelombang Pertama Pengkomputeran Edge: Internet of Things (IoT)
Bagi kebanyakan industri, konsep edge berkait rapat dengan gelombang pertama Internet of Things (IoT). Pada masa itu, kebanyakan tumpuan adalah untuk mengumpul data daripada penderia kecil yang dilekatkan pada segala-galanya dan kemudian menghantar data tersebut ke lokasi pusat — seperti awan atau pusat data utama.
Strim data ini kemudiannya mesti dikaitkan dengan apa yang biasanya dikenali sebagai gabungan sensor. Pada masa itu, ekonomi penderia, hayat bateri dan ubiquity selalunya menghasilkan aliran data yang terlalu terhad dan kesetiaan yang rendah. Selain itu, memasang semula peralatan sedia ada dengan penderia selalunya memerlukan kos yang tinggi. Walaupun penderia itu sendiri tidak mahal, pemasangan memakan masa dan memerlukan kakitangan terlatih untuk melaksanakannya. Akhir sekali, kepakaran yang diperlukan untuk menganalisis data menggunakan gabungan sensor dibenamkan dalam pangkalan pengetahuan pekerja di seluruh organisasi. Ini telah membawa kepada kelembapan dalam penggunaan IoT.
Selain itu, kebimbangan tentang keselamatan juga telah menjejaskan aplikasi Internet Perkara berskala besar. Pengiraan adalah mudah: Beribu-ribu peranti yang disambungkan merentasi berbilang lokasi menyamai jumlah pendedahan yang besar dan selalunya tidak diketahui. Dengan potensi risiko yang melebihi faedah yang tidak terbukti, ramai yang percaya adalah bijak untuk mengambil pendekatan tunggu dan lihat.
Melangkaui IoT 1.0
Ia menjadi semakin jelas bahawa kelebihannya bukan mengenai IoT,
tetapi mengenai operasi merentas tapak dan geografi yang diedarkan, keputusan masa nyata. Dalam IT dan semakin dalam persekitaran industri, kami merujuk kepada sumber data yang diedarkan ini sebagai kelebihan. Kami memanggil pembuatan keputusan dari semua lokasi ini di luar pusat data atau pengkomputeran tepi awan.
Hari ini,
Edges ada di mana-mana – tempat kita tinggal, tempat kita bekerja, tempat aktiviti manusia berlaku. Liputan sensor jarang telah ditangani dengan sensor yang lebih baharu dan lebih fleksibel. Aset dan teknologi baharu datang dengan pelbagai jenis penderia bersepadu. Sensor kini sering ditambah dengan pengimejan resolusi tinggi/kesetiaan tinggi (peralatan X-ray, lidar). Data penderia tambahan, teknologi pengimejan dan keperluan untuk mengaitkannya bersama-sama akan menghasilkan sejumlah besar data setiap saat. Untuk mendapatkan hasil daripada aliran data yang besar ini, kuasa pengkomputeran kini digunakan berhampiran dengan tempat data dijana.
Sebabnya mudah: tidak cukup lebar jalur dan masa yang tersedia antara lokasi tepi dan awan. Data di tepi adalah paling penting dalam jangka pendek. Data kini boleh dianalisis dan digunakan dalam masa nyata di tepi, bukannya diproses dan dianalisis kemudian dalam awan. Untuk mencapai tahap kecekapan baharu dan maklum balas operasi yang unggul, pengkomputeran mesti berlaku di pinggir.
Ini bukan bermaksud awan itu tidak relevan. Awan masih memainkan peranan penting dalam pengkomputeran tepi kerana keupayaan untuk menggunakan dan mengurusnya merentas semua lokasi. Contohnya, awan menyediakan akses kepada aplikasi dan data dari lokasi lain, serta pakar jauh untuk mengurus sistem, data dan aplikasi di seluruh dunia. Selain itu, awan boleh digunakan untuk menganalisis set data yang besar merentas berbilang lokasi, menunjukkan arah aliran dari semasa ke semasa dan menjana model analitis ramalan.
Oleh itu, teknologi edge terletak pada menangani aliran data besar di sejumlah besar lokasi yang tersebar secara geografi. Seseorang mesti menerima pakai pemahaman baharu tentang kelebihan ini untuk benar-benar memahami perkara yang kini boleh dilakukan dengan pengkomputeran tepi.
Hari ini: Analitis Tepi Masa Nyata
Sungguh menakjubkan apa yang boleh dilakukan di tepi hari ini berbanding hanya beberapa tahun lalu. Kini, data boleh dijana daripada sejumlah besar penderia dan kamera, dan bukannya terhad kepada beberapa. Data ini kemudiannya akan dianalisis pada komputer beribu-ribu kali lebih berkuasa daripada 20 tahun yang lalu - semuanya pada kos yang berpatutan.
CPU dan GPU kiraan teras tinggi serta rangkaian pemprosesan tinggi dan kamera resolusi tinggi kini tersedia, menjadikan analitis kelebihan masa nyata menjadi kenyataan. Menggunakan analitis masa nyata di tepi (tempat aktiviti perniagaan berlaku) membantu perusahaan memahami operasi mereka dan bertindak balas dengan segera. Dengan pengetahuan ini, banyak operasi boleh diautomatikkan lagi, dengan itu meningkatkan produktiviti dan mengurangkan kerugian.
Berikut ialah beberapa kes penggunaan analitik kelebihan masa nyata hari ini:
Pencegahan Penipuan Pasar Raya
Banyak pasar raya kini menggunakan beberapa bentuk pembayaran layan diri dan malangnya, mereka juga melihat peningkatan jumlah insiden penipuan berlaku. Sesetengah pembeli yang tidak bertanggungjawab boleh menggantikan kod bar yang lebih murah untuk barangan yang lebih mahal dan membayar lebih sedikit. Untuk mengesan jenis penipuan ini, kedai kini menggunakan kamera resolusi tinggi yang membandingkan imbasan dan berat produk dengan nilai sebenar produk. Kamera ini agak murah tetapi menjana sejumlah besar data. Dengan memindahkan pengkomputeran ke tepi, data boleh dianalisis dengan serta-merta. Ini bermakna kedai boleh mengesan penipuan dalam masa nyata, dan bukannya selepas "pelanggan" meninggalkan tempat letak kereta.
Pemantauan Pengeluaran Makanan
Hari ini, kemudahan pembuatan boleh dilengkapi dengan berpuluh-puluh kamera dan penderia pada setiap langkah proses pembuatan. Analitis masa nyata dan penaakulan dipacu AI boleh mendedahkan jika ralat wujud dalam milisaat atau mikrosaat. Sebagai contoh, mungkin kamera akan menunjukkan bahawa terlalu banyak gula telah ditambah, atau terdapat terlalu banyak bahan. Dengan kamera dan analitik masa nyata, barisan pengeluaran boleh melaraskan untuk memperbaiki masalah dan juga mengira penutupan apabila pembaikan diperlukan—tanpa menyebabkan kerosakan besar.
Pengkomputeran Tepi Dikuasakan AI untuk Penjagaan Kesihatan
Dalam sektor penjagaan kesihatan, kamera inframerah dan x-ray telah mengubah permainan kerana ia menawarkan resolusi tinggi dan tersedia dengan pantas kepada juruteknik dan doktor Sediakan imej . Dengan resolusi tinggi sedemikian, AI kini boleh menapis, menilai dan mendiagnosis keabnormalan sebelum doktor mengesahkannya. Dengan menggunakan pengkomputeran tepi berkuasa AI, doktor boleh menjimatkan masa kerana mereka tidak perlu menghantar data ke awan untuk mendapatkan diagnosis. Oleh itu, apabila pakar onkologi melihat sama ada pesakit menghidap kanser paru-paru, mereka boleh menggunakan penapisan AI masa nyata pada imej paru-paru pesakit untuk mendapatkan diagnosis yang cepat dan tepat serta mengurangkan kebimbangan pesakit untuk menunggu jawapan.
Kereta Autonomi Dikuasakan oleh Analitis
Hari ini, kereta pandu sendiri boleh didapati kerana kamera yang agak murah dan tersedia yang memberikan persepsi penglihatan stereoskopik 360 darjah. Analisis juga membolehkan pengecaman imej yang tepat, jadi komputer boleh mengenali perbezaan antara rumpai dan kucing jiran, dan memutuskan sama ada untuk brek atau bergerak mengelilingi halangan untuk kekal selamat.
Keterjangkauan, ketersediaan dan pengecilan GPU dan CPU berprestasi tinggi membolehkan pengecaman corak masa nyata dan perancangan vektor untuk kecerdasan pemanduan kenderaan autonomi. Untuk kereta pandu sendiri berjaya, mereka mesti mempunyai data dan kuasa pemprosesan yang mencukupi untuk membuat keputusan bijak dan mengambil tindakan pembetulan dengan cukup pantas. Kini, ini hanya boleh dilakukan dengan teknologi canggih masa kini.
Seni Bina Teragih dalam Amalan
Apabila pengkomputeran yang sangat berkuasa digunakan di pinggir, perusahaan boleh mengoptimumkan operasi dengan lebih baik tanpa perlu risau tentang kependaman atau kehilangan sambungan ke awan. Semuanya kini diedarkan di tepi, jadi masalah diselesaikan dalam masa nyata dengan hanya sambungan sporadis.
Kami telah melangkah jauh sejak gelombang pertama teknologi kelebihan. Terima kasih kepada kemajuan dalam teknologi canggih, perniagaan kini mendapat gambaran yang lebih lengkap tentang operasi mereka. Teknologi canggih masa kini bukan sahaja membantu perniagaan meningkatkan keuntungan, malah, ia membantu mereka mengurangkan risiko dan meningkatkan produk, perkhidmatan dan pengalaman pelanggan.
Atas ialah kandungan terperinci Bagaimana pengkomputeran tepi membantu perusahaan mengurangkan kos dan meningkatkan kecekapan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G
