Yapay zekayı A noktasından B noktasına bir yolculuk olarak düşünürsek, bulut bilişim hizmeti bir havaalanı veya yüksek hızlı tren istasyonu, uç bilişim ise bir taksi veya paylaşımlı bisiklet gibidir. Uç bilişim, insanların, nesnelerin veya veri kaynaklarının yanında yer alır. Depolama, hesaplama, ağ erişimi ve uygulama temel yeteneklerini entegre eden açık bir platform benimseyerek, yakındaki kullanıcılara hizmet sunar. Merkezi olarak dağıtılan bulut bilişim hizmetleriyle karşılaştırıldığında, uç bilişim uzun gecikme süreleri ve yüksek yoğunluklu trafik gibi sorunları çözerek, gerçek zamanlı ve bant genişliği gerektiren hizmetler için daha iyi destek sağlar.
ChatGPT'nin başarısı, yapay zeka gelişiminde yeni bir dalga başlattı ve yapay zekanın endüstri, perakende, akıllı evler, akıllı şehirler gibi daha fazla uygulama alanına entegrasyonunu hızlandırdı. Uygulama tarafında büyük miktarda verinin depolanması ve işlenmesi gerekiyor ve yalnızca buluta güvenmek artık gerçek talebi karşılayamıyor; uç bilişim, yapay zeka uygulamalarının son kilometresini iyileştiriyor. Dijital ekonomiyi güçlü bir şekilde geliştirme ulusal politikası kapsamında, Çin'in bulut bilişimi kapsayıcı bir gelişim dönemine girdi, uç bilişim talebi arttı ve bulut uç ve uç noktalarının entegrasyonu gelecekte önemli bir evrimsel yön haline geldi.
Uç bilişim pazarı önümüzdeki beş yıl içinde %36,1'lik bileşik yıllık büyüme oranıyla (CAGR) büyüyecek.
Uç bilişim sektörü, hizmet sağlayıcılarının kademeli olarak çeşitlenmesi, pazar büyüklüğünün genişlemesi ve uygulama alanlarının daha da genişlemesiyle kanıtlandığı üzere, istikrarlı bir gelişme evresine girmiştir. Pazar büyüklüğü açısından, IDC'nin izleme raporundan elde edilen veriler, Çin'deki uç bilişim sunucularının toplam pazar büyüklüğünün 2021 yılında 3,31 milyar ABD dolarına ulaştığını ve Çin'deki uç bilişim sunucularının toplam pazar büyüklüğünün 2020'den 2025'e kadar yıllık bileşik büyüme oranının %22,2 olması beklendiğini göstermektedir. Sullivan, Çin'deki uç bilişim pazar büyüklüğünün 2027 yılında 250,9 milyar RMB'ye ulaşacağını ve 2023'ten 2027'ye kadar %36,1'lik bir bileşik yıllık büyüme oranına sahip olacağını tahmin etmektedir.
Uç bilişim ekosistemi gelişiyor
Uç bilişim şu anda salgının erken aşamasında ve endüstri zincirindeki iş sınırları nispeten belirsiz. Bireysel tedarikçiler için, iş senaryolarıyla entegrasyonu göz önünde bulundurmak, teknik düzeyde iş senaryolarındaki değişikliklere uyum sağlayabilme yeteneğine sahip olmak ve donanım ekipmanıyla yüksek derecede uyumluluk sağlamanın yanı sıra projeleri hayata geçirebilecek mühendislik yeteneğine sahip olmak da gereklidir.
Uç bilişim endüstri zinciri, çip üreticileri, algoritma üreticileri, donanım cihazı üreticileri ve çözüm sağlayıcılar olmak üzere dört ana kategoriye ayrılır. Çip üreticileri çoğunlukla uçtan uca, uçtan buluta kadar aritmetik çipler geliştirir ve uç taraf çiplerine ek olarak hızlandırma kartları ve yazılım geliştirme platformları da geliştirirler. Algoritma üreticileri, bilgisayar görüşü algoritmalarını temel alarak genel veya özelleştirilmiş algoritmalar geliştirir ve ayrıca algoritma merkezleri veya eğitim ve dağıtım platformları kuran işletmeler de bulunmaktadır. Donanım üreticileri, uç bilişim ürünlerine aktif olarak yatırım yapmaktadır ve uç bilişim ürünlerinin biçimi sürekli olarak zenginleşerek, çipten tüm makineye kadar tam bir uç bilişim ürün yelpazesi oluşturmaktadır. Çözüm sağlayıcılar, belirli sektörler için yazılım veya yazılım-donanım entegre çözümleri sunmaktadır.
Uç bilişim sektöründeki uygulamalar hızlanıyor
Akıllı şehir alanında
Günümüzde kentsel mülklerin kapsamlı denetimi genellikle manuel denetim yöntemiyle yapılmaktadır ve bu yöntemin yüksek zaman ve emek yoğunluğu, bireylere bağımlılık, düşük kapsama ve denetim sıklığı ile düşük kalite kontrolü gibi sorunları bulunmaktadır. Aynı zamanda denetim sürecinde büyük miktarda veri kaydedilmekte, ancak bu veri kaynakları işletmeyi güçlendirmek için veri varlıklarına dönüştürülmemektedir. İşletme, yapay zeka teknolojisini mobil denetim senaryolarına uygulayarak, Nesnelerin İnterneti, bulut bilişim, yapay zeka algoritmaları gibi teknolojileri benimseyen ve yüksek çözünürlüklü kameralar, araç içi ekranlar ve yapay zeka yan sunucuları gibi profesyonel ekipmanlar taşıyan, "akıllı sistem + akıllı makine + personel desteği" denetim mekanizmasını birleştiren bir kentsel yönetim yapay zeka akıllı denetim aracı oluşturmuştur. Bu araç, kentsel yönetimin personel yoğunluğundan mekanik zekaya, deneysel yargıdan veri analizine ve pasif tepkiden aktif keşfe dönüşümünü teşvik etmektedir.
Akıllı şantiye alanında
Uç bilişim tabanlı akıllı şantiye çözümleri, geleneksel inşaat sektörü güvenlik izleme çalışmalarına yapay zeka teknolojisinin derin entegrasyonunu uygulayarak, şantiye alanına bir uç yapay zeka analiz terminali yerleştirir, akıllı video analiz teknolojisine dayalı görsel yapay zeka algoritmalarının bağımsız araştırma ve geliştirme çalışmalarını tamamlar, tespit edilmesi gereken olayları (örneğin, kask takılıp takılmadığını tespit etme) sürekli olarak algılar, personel, çevre, güvenlik ve diğer güvenlik risk noktalarının belirlenmesi ve alarm hatırlatma hizmetleri sunar ve tehlikeli faktörlerin belirlenmesinde öncü rol üstlenerek, yapay zeka destekli akıllı güvenlik sağlar, iş gücü maliyetlerinden tasarruf eder ve şantiyelerin personel ve mülk güvenliği yönetim ihtiyaçlarını karşılar.
Akıllı ulaşım alanında
Bulut tabanlı-uç nokta mimarisi, akıllı ulaşım sektöründe uygulamaların dağıtımı için temel paradigma haline gelmiştir; bulut tarafı merkezi yönetimden ve veri işlemenin bir kısmından, uç nokta tarafı esas olarak uç nokta veri analizi ve hesaplamalı karar verme işlemlerinden, uç nokta tarafı ise esas olarak iş verilerinin toplanmasından sorumludur.
Araç-yol koordinasyonu, holografik kavşaklar, otomatik sürüş ve raylı trafik gibi belirli senaryolarda, erişilen çok sayıda heterojen cihaz bulunmaktadır ve bu cihazlar erişim yönetimi, çıkış yönetimi, alarm işleme ve işletme ve bakım işlemlerine ihtiyaç duymaktadır. Uç bilişim, böl ve yönet yaklaşımıyla büyükten küçüğe geçişi sağlayabilir, katmanlar arası protokol dönüştürme işlevleri sunabilir, birleşik ve istikrarlı erişim ve hatta heterojen verilerin işbirlikçi kontrolünü gerçekleştirebilir.
Endüstriyel üretim alanında
Üretim Süreci Optimizasyon Senaryosu: Şu anda, çok sayıda ayrık üretim sistemi veri eksikliğinden dolayı sınırlıdır ve genel ekipman verimliliği ve diğer indeks verilerinin hesaplamaları nispeten özensizdir, bu da verimlilik optimizasyonu için kullanımını zorlaştırmaktadır. Ekipman bilgi modeline dayalı uç bilişim platformu, anlamsal düzeyde üretim sistemi yatay ve dikey iletişimini sağlamakta, gerçek zamanlı veri akışı işleme mekanizmasına dayalı olarak çok sayıda saha gerçek zamanlı verisini toplayıp analiz ederek, model tabanlı üretim hattı çoklu veri kaynağı bilgi füzyonunu gerçekleştirmekte ve ayrık üretim sisteminde karar verme için güçlü veri desteği sağlamaktadır.
Ekipman Tahminli Bakım Senaryosu: Endüstriyel ekipman bakımı üç tipe ayrılır: onarıcı bakım, önleyici bakım ve tahminli bakım. Onarıcı bakım, sonradan yapılan bakıma; önleyici bakım ve tahminli bakım ise önceden yapılan bakıma aittir. İlki, ekipmanın düzenli bakımı için zamana, ekipman performansına, saha koşullarına ve diğer faktörlere dayanır ve az çok insan deneyimine dayanır; ikincisi ise sensör verilerinin toplanması, ekipmanın çalışma durumunun gerçek zamanlı olarak izlenmesi, endüstriyel modele dayalı veri analizi ve arızanın ne zaman meydana geleceğinin doğru bir şekilde tahmin edilmesi yoluyla gerçekleştirilir.
Endüstriyel kalite kontrol senaryosu: Endüstriyel görsel denetim alanı, geleneksel otomatik optik denetimin (AOI) kalite kontrol alanına ilk giren biçimidir. Ancak AOI'nin bugüne kadarki gelişimi, birçok kusur tespiti ve diğer karmaşık senaryolarda, kusurların çeşitli türde olması, özellik çıkarımının eksik olması, adaptif algoritmaların zayıf genişletilebilirliği, üretim hattının sık sık güncellenmesi, algoritma geçişinin esnek olmaması ve diğer faktörler nedeniyle, geleneksel AOI sisteminin üretim hattının gelişim ihtiyaçlarını karşılamasını zorlaştırmıştır. Bu nedenle, derin öğrenme + küçük örnek öğrenme ile temsil edilen yapay zeka endüstriyel kalite denetim algoritma platformu, geleneksel görsel denetim şemasının yerini kademeli olarak almaktadır ve yapay zeka endüstriyel kalite denetim platformu, klasik makine öğrenme algoritmaları ve derin öğrenme denetim algoritmaları olmak üzere iki aşamadan geçmiştir.
Yayın tarihi: 08.10.2023