科技产业报订阅
order
 

AIoT发挥边缘运算效益 搭配云/雾运算资源集成扩展价值

Apple Watch新一代集成跌倒侦测功能,可在年长者跌倒时实时透过手表发出警讯,就是一个AIoT设备发挥实用价值的设计方案。Apple

IoT物联网蓬勃发展,连带推升边缘运算应用提升能见度,由边缘运算集成IoT结合综效产出的新一代边缘人工智能Edge AI或称AIoT应用,不但有机会带动IoT朝更进阶的智能化应用发展,透过IoT技术集成,也能有效让落地服务达到兼具立即回应、降低云端部署负荷等多元价值。

IoT物联网应用持续发烧,为了让IoT装置有限资源发挥综效,新一代的物联网应用与部署已开始逐步导入AIoT智能物联网或称边缘人工智能(Edge AI)应用,也就是说除让IoT装置运行更加智能,透过边缘运算应用方向也让IoT部署的云端服务负荷减低、同时也能透过智能功能集成让IoT终端能做到快速回应、提升IoT终端装置的导入效益。

 点击图片放大观看

导入AIoT智能终端部署,可让智慧城市加值应用更趋实用价值。Coolfire Solutions

边缘运算降低云端架构运算负荷

原有边缘运算(Edge Computing)的应用方向为降低云端架构运算负荷、同时提升边缘装置端能处理数据和资料的运行能力,藉此改善运算效率与终端获取的数据加值应用,由边缘运算结合云服务的复合应用也越来越多,亦吸引相当多厂商竞相投入开发新应用产品。

IoT产品有了边缘运算技术加持后,摇身一变AIoT装置俨然兼具资料搜集、数据感测、资料互联的运算节点,能发挥的系统价值将远远超越单纯的IoT终端设置情境。

另一个也是发展IoT应用场景产品可能发生的问题,就是当IoT产品在投放到应用环境后,日以继夜的不断搜集累积资料下,基本上将会导致云端系统的庞大处理负荷,不仅是资料的处理、消化、传输与清理回馈等,都将导致整个IoT网络的营运成本与资源耗费。

但若是朝边缘人工智能(Edge AI)概念进行应用集成,以物联网终端设备所处的边缘位置上,由AIoT终端设备运行机器学习推论处理源自终端撷取采集的庞大数据与运算应用,立即便可降低IoT终端连结云端的数据流量负载,亦可达到提升IoT终端回应效率的设计目的。

分散式运算终端节点也能参与分析决策

原有边缘运算的系统建置重点即在改善云端运算Centralized的集中式运算结构,变形为Distributed分散式运算架构,也重新让终端的节点(即IoT资料采集装置)也能进行分析、决策与运算等应用,不仅可以立即解决IoT上云的网络链路壅塞问题,资料传输、处理可能的延迟问题也能获得立即性的改善。

就实务面导入技术的目的检视,边缘运算并不是要拿来取代云端运算,而是透过分散式的架构让一部分的算力由部署端点的设备分担,藉此减轻终端与云服务器交互传递的讯息量,从而达到优化整个IoT云部署的架构与使用条件。

就产业与消费者端的应用趋势观察,云端技术与边缘运算结合的部署案例越来越常见,在相关技术发展下Edge Intelligence via Ambient Computing这类以终端运行的智能分析运算搭配云端服务集成的应用架构,让能上云端服务的IoT装置可以在就近消费者的优势透过有线的算力处理部分智能甚至集成的工作,立即将消费者产生采集的感测数据处理成核心系统需要的信息而不是未处理的原始资料,透过智能分析、运算同时处理加密再进行传输,在确保离线能自我运行与传输隐私安全性条件下,扩增AIoT设备的应用价值,导入介于云端与终端之间的边雾运算增加系统弹性的效用。

云 / 雾运算资源集成  AIoT发挥部署弹性综效

虽说边雾运算技术架构可有效提升AIoT应用情境的系统可用性,但边雾运算架构下仍有不少需克服的技术难点,首先象是系统异质性与多样性的问题需解决,但这部分的复杂架构仍可透过设备和服务的抽象层处理。

另一个难点是资源控管须能与应用程序需求实时回应与调用,这部会会牵涉到更复杂的互联网联网资源调配与因应自适应资源(Dynamics and Adaptation)的实时回应,例如系统需回应应用程序需求,自动化分配雾端甚至是边缘设备的资源架构,同时透过边缘装置的资源取用状态以控制接口进行资源使用状态的识别与调用,近一步改善优化网络服务同时提高其扩展性(Scalability)。

若从近年最热门的穿戴式装置应用产品观察,其实穿戴式智能设备本身就是一个AIoT设备,也是极为典型的边缘运算设备,如智能手环、项链或是手表,本体建置与提供的功能即为睡眠侦、心律侦测、位置定位、步行侦测等,这只是单纯的生理特征数据资料实时采集应用。

对其边缘装置本身的智能集成应用,可推展出如步幅换算的行走距离、运动量,进而产出相应的智能提示运动量不足,例如最新的Apple Watch可提供穿戴长者可能发生的跌到感测、心律失常感测,在边缘系统透过智能分析采集资料发现穿戴者可能发生跌倒或是致死迹象,立即透过可用的通知或网络链路发出求救讯息。

AIoT集成芯片运算需求暴增  垫高开发门槛

当然科技的集成下可以立即性的处理各种可能情境或是集成出新颖的服务应用,但这类穿戴式设备也因为采集了大量生理特征、位置信息数据,并自动化于终端分析同时将大量的个人隐私资料藉由云端系统上传,就会产生前述的隐私相关问题亟待改善与解决。

而透过终端装置本身的AI与采集资料的预处理后,透过加密传输手段至少可以确保资料传递的隐私问题不会有资料泄漏疑虑,其余的服务端的隐私保护就须看用户与平台服务方之间的隐私条款与服务机制了。

要达到前述的应用服务体验,其实在云端或是雾端的资源调用架构,以目前的网络技术集成已绰绰有余,比较大的产品开发挑战反而是落在结合AIoT的终端装置设计与零组件性能表现。

尤其是在AIoT应用热潮下,终端IoT设备除需在超低功耗运行持续要求外,在终端还需导入AI智能分析、机器学习(Machine Learning)、高速处理采集与分析资料与在发生立即须回应的事件时,能及时调用网通资源无线传递数据的能力,都让AIoT设备的开发难度越来越高。

提供穿戴设备集成芯片的开发商,除须在IoT芯片提升处理效能与维持低功耗运行要求,因应边缘运算的大量数据实时性处理,也必须进一步提升传输接口的数据量与加快其传输速度,深度学习应用则需要看数据类型集成芯片进行高校运算与处理,大幅提升IoT集成芯片的开发门槛。


  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 边缘运算 AIoT 边缘AI