ક્લાઉડ સેવાઓથી એજ કમ્પ્યુટિંગ સુધી, AI "છેલ્લા માઇલ" પર આવે છે

એજ કમ્પ્યુટિંગ માર્કેટ આગામી પાંચ વર્ષમાં 36.1% CAGR થી વધશે

એજ કમ્પ્યુટિંગ ઉદ્યોગ સ્થિર વિકાસના તબક્કામાં પ્રવેશી ચૂક્યો છે, જે તેના સેવા પ્રદાતાઓના ધીમે ધીમે વૈવિધ્યકરણ, બજારના કદમાં વધારો અને એપ્લિકેશન ક્ષેત્રોના વધુ વિસ્તરણ દ્વારા પુરાવા મળે છે. બજારના કદની દ્રષ્ટિએ, IDC ના ટ્રેકિંગ રિપોર્ટના ડેટા દર્શાવે છે કે ચીનમાં એજ કમ્પ્યુટિંગ સર્વર્સનું એકંદર બજાર કદ 2021 માં US$3.31 બિલિયન સુધી પહોંચ્યું હતું, અને ચીનમાં એજ કમ્પ્યુટિંગ સર્વર્સનું એકંદર બજાર કદ 2020 થી 2025 સુધી 22.2% ના ચક્રવૃદ્ધિ વાર્ષિક વૃદ્ધિ દરે વધવાની અપેક્ષા છે. સુલિવાન આગાહી કરે છે કે ચીનમાં એજ કમ્પ્યુટિંગનું બજાર કદ 2027 માં RMB 250.9 બિલિયન સુધી પહોંચવાની અપેક્ષા છે, 2023 થી 2027 સુધી 36.1% ના CAGR સાથે.

એજ કમ્પ્યુટિંગ ઇકો-ઇન્ડસ્ટ્રીનો વિકાસ થઈ રહ્યો છે

એજ કમ્પ્યુટિંગ હાલમાં ફાટી નીકળવાના પ્રારંભિક તબક્કામાં છે, અને ઉદ્યોગ શૃંખલામાં વ્યવસાય સીમાઓ પ્રમાણમાં અસ્પષ્ટ છે. વ્યક્તિગત વિક્રેતાઓ માટે, વ્યવસાયિક દૃશ્યો સાથે એકીકરણ ધ્યાનમાં લેવું જરૂરી છે, અને તકનીકી સ્તરથી વ્યવસાયિક દૃશ્યોમાં થતા ફેરફારોને અનુકૂલન કરવાની ક્ષમતા હોવી પણ જરૂરી છે, અને હાર્ડવેર સાધનો સાથે ઉચ્ચ સ્તરની સુસંગતતા તેમજ પ્રોજેક્ટ્સ લેન્ડ કરવાની એન્જિનિયરિંગ ક્ષમતાની ખાતરી કરવી પણ જરૂરી છે.

એજ કમ્પ્યુટિંગ ઉદ્યોગ શૃંખલાને ચિપ વિક્રેતાઓ, અલ્ગોરિધમ વિક્રેતાઓ, હાર્ડવેર ઉપકરણ ઉત્પાદકો અને સોલ્યુશન પ્રદાતાઓમાં વિભાજિત કરવામાં આવી છે. ચિપ વિક્રેતાઓ મોટે ભાગે એન્ડ-સાઇડથી એજ-સાઇડથી ક્લાઉડ-સાઇડ સુધી અંકગણિત ચિપ્સ વિકસાવે છે, અને એજ-સાઇડ ચિપ્સ ઉપરાંત, તેઓ પ્રવેગક કાર્ડ્સ પણ વિકસાવે છે અને સોફ્ટવેર ડેવલપમેન્ટ પ્લેટફોર્મને સપોર્ટ કરે છે. અલ્ગોરિધમ વિક્રેતાઓ સામાન્ય અથવા કસ્ટમાઇઝ્ડ અલ્ગોરિધમ્સ બનાવવા માટે કમ્પ્યુટર વિઝન અલ્ગોરિધમ્સને મુખ્ય તરીકે લે છે, અને એવા સાહસો પણ છે જે અલ્ગોરિધમ મોલ્સ અથવા તાલીમ અને પુશ પ્લેટફોર્મ બનાવે છે. સાધન વિક્રેતાઓ એજ કમ્પ્યુટિંગ ઉત્પાદનોમાં સક્રિયપણે રોકાણ કરી રહ્યા છે, અને એજ કમ્પ્યુટિંગ ઉત્પાદનોનું સ્વરૂપ સતત સમૃદ્ધ થઈ રહ્યું છે, ધીમે ધીમે ચિપથી સમગ્ર મશીન સુધી એજ કમ્પ્યુટિંગ ઉત્પાદનોનો સંપૂર્ણ સ્ટેક બનાવે છે. સોલ્યુશન પ્રદાતાઓ ચોક્કસ ઉદ્યોગો માટે સોફ્ટવેર અથવા સોફ્ટવેર-હાર્ડવેર-સંકલિત ઉકેલો પ્રદાન કરે છે.

એજ કમ્પ્યુટિંગ ઉદ્યોગ એપ્લિકેશનો વેગ આપે છે

સ્માર્ટ સિટીના ક્ષેત્રમાં

શહેરી મિલકતનું વ્યાપક નિરીક્ષણ હાલમાં સામાન્ય રીતે મેન્યુઅલ નિરીક્ષણના મોડમાં ઉપયોગમાં લેવાય છે, અને મેન્યુઅલ નિરીક્ષણ મોડમાં ઉચ્ચ સમય માંગી લેનાર અને શ્રમ-સઘન ખર્ચ, વ્યક્તિઓ પર પ્રક્રિયા નિર્ભરતા, નબળા કવરેજ અને નિરીક્ષણ આવર્તન અને નબળી ગુણવત્તા નિયંત્રણની સમસ્યાઓ છે. તે જ સમયે નિરીક્ષણ પ્રક્રિયામાં મોટી માત્રામાં ડેટા રેકોર્ડ કરવામાં આવ્યો હતો, પરંતુ આ ડેટા સંસાધનોને વ્યવસાય સશક્તિકરણ માટે ડેટા સંપત્તિમાં રૂપાંતરિત કરવામાં આવ્યા નથી. મોબાઇલ નિરીક્ષણ દૃશ્યોમાં AI ટેકનોલોજીનો ઉપયોગ કરીને, એન્ટરપ્રાઇઝે એક શહેરી શાસન AI બુદ્ધિશાળી નિરીક્ષણ વાહન બનાવ્યું છે, જે ઇન્ટરનેટ ઓફ થિંગ્સ, ક્લાઉડ કમ્પ્યુટિંગ, AI અલ્ગોરિધમ્સ જેવી તકનીકોને અપનાવે છે અને હાઇ-ડેફિનેશન કેમેરા, ઓન-બોર્ડ ડિસ્પ્લે અને AI સાઇડ સર્વર્સ જેવા વ્યાવસાયિક સાધનો વહન કરે છે, અને "બુદ્ધિશાળી સિસ્ટમ + બુદ્ધિશાળી મશીન + સ્ટાફ સહાય" ની નિરીક્ષણ પદ્ધતિને જોડે છે. તે શહેરી શાસનના કર્મચારી-સઘનથી યાંત્રિક બુદ્ધિ, પ્રયોગમૂલક નિર્ણયથી ડેટા વિશ્લેષણ અને નિષ્ક્રિય પ્રતિભાવથી સક્રિય શોધ સુધીના પરિવર્તનને પ્રોત્સાહન આપે છે.

બુદ્ધિશાળી બાંધકામ સ્થળના ક્ષેત્રમાં

એજ કમ્પ્યુટિંગ-આધારિત બુદ્ધિશાળી બાંધકામ સાઇટ સોલ્યુશન્સ પરંપરાગત બાંધકામ ઉદ્યોગ સલામતી દેખરેખ કાર્યમાં AI ટેકનોલોજીના ઊંડા એકીકરણને લાગુ કરે છે, બાંધકામ સ્થળ પર એક ધાર AI વિશ્લેષણ ટર્મિનલ મૂકીને, બુદ્ધિશાળી વિડિઓ વિશ્લેષણ તકનીક પર આધારિત વિઝ્યુઅલ AI અલ્ગોરિધમ્સના સ્વતંત્ર સંશોધન અને વિકાસને પૂર્ણ કરીને, શોધાયેલ ઘટનાઓની પૂર્ણ-સમય શોધ (દા.ત., હેલ્મેટ પહેરવું કે નહીં તે શોધવું), કર્મચારીઓ, પર્યાવરણ, સુરક્ષા અને અન્ય સલામતી જોખમ બિંદુ ઓળખ અને એલાર્મ રીમાઇન્ડર સેવાઓ પ્રદાન કરીને, અને બાંધકામ સ્થળોના કર્મચારીઓ અને મિલકત સલામતી વ્યવસ્થાપનની જરૂરિયાતોને પૂર્ણ કરવા માટે અસુરક્ષિત પરિબળોની ઓળખ, AI બુદ્ધિશાળી સુરક્ષા, માનવશક્તિ ખર્ચ બચાવવા માટે પહેલ કરે છે.

બુદ્ધિશાળી પરિવહન ક્ષેત્રમાં

ક્લાઉડ-સાઇડ-એન્ડ આર્કિટેક્ચર બુદ્ધિશાળી પરિવહન ઉદ્યોગમાં એપ્લિકેશનોના ઉપયોગ માટે મૂળભૂત દાખલો બની ગયું છે, જેમાં ક્લાઉડ સાઇડ કેન્દ્રિય સંચાલન અને ડેટા પ્રોસેસિંગનો ભાગ છે, એજ સાઇડ મુખ્યત્વે એજ-સાઇડ ડેટા વિશ્લેષણ અને ગણતરી નિર્ણય લેવાની પ્રક્રિયા પૂરી પાડે છે, અને એન્ડ સાઇડ મુખ્યત્વે બિઝનેસ ડેટાના સંગ્રહ માટે જવાબદાર છે.

વાહન-માર્ગ સંકલન, હોલોગ્રાફિક આંતરછેદો, સ્વચાલિત ડ્રાઇવિંગ અને રેલ ટ્રાફિક જેવા ચોક્કસ પરિસ્થિતિઓમાં, મોટી સંખ્યામાં વિજાતીય ઉપકરણોનો ઉપયોગ થાય છે, અને આ ઉપકરણોને ઍક્સેસ મેનેજમેન્ટ, એક્ઝિટ મેનેજમેન્ટ, એલાર્મ પ્રોસેસિંગ અને ઓપરેશન અને જાળવણી પ્રક્રિયાની જરૂર પડે છે. એજ કમ્પ્યુટિંગ વિભાજીત અને જીતી શકે છે, મોટાને નાનામાં ફેરવી શકે છે, ક્રોસ-લેયર પ્રોટોકોલ રૂપાંતર કાર્યો પ્રદાન કરી શકે છે, એકીકૃત અને સ્થિર ઍક્સેસ પ્રાપ્ત કરી શકે છે, અને વિજાતીય ડેટાનું સહયોગી નિયંત્રણ પણ કરી શકે છે.

ઔદ્યોગિક ઉત્પાદન ક્ષેત્રમાં

ઉત્પાદન પ્રક્રિયા ઑપ્ટિમાઇઝેશન દૃશ્ય: હાલમાં, મોટી સંખ્યામાં ડિસ્ક્રીટ મેન્યુફેક્ચરિંગ સિસ્ટમ્સ ડેટાની અપૂર્ણતાને કારણે મર્યાદિત છે, અને એકંદર સાધનો કાર્યક્ષમતા અને અન્ય સૂચકાંક ડેટા ગણતરીઓ પ્રમાણમાં ઢાળવાળી છે, જેના કારણે કાર્યક્ષમતા ઑપ્ટિમાઇઝેશન માટે તેનો ઉપયોગ કરવો મુશ્કેલ બને છે. સિમેન્ટીક લેવલ મેન્યુફેક્ચરિંગ સિસ્ટમ આડી સંચાર અને વર્ટિકલ સંચાર પ્રાપ્ત કરવા માટે સાધનો માહિતી મોડેલ પર આધારિત એજ કમ્પ્યુટિંગ પ્લેટફોર્મ, રીઅલ-ટાઇમ ડેટા ફ્લો પ્રોસેસિંગ મિકેનિઝમ પર આધારિત, મોટી સંખ્યામાં ફીલ્ડ રીઅલ-ટાઇમ ડેટાને એકત્રિત અને વિશ્લેષણ કરવા માટે, મોડેલ-આધારિત ઉત્પાદન લાઇન મલ્ટિ-ડેટા સોર્સ માહિતી ફ્યુઝન પ્રાપ્ત કરવા માટે, ડિસ્ક્રીટ મેન્યુફેક્ચરિંગ સિસ્ટમમાં નિર્ણય લેવા માટે શક્તિશાળી ડેટા સપોર્ટ પૂરો પાડવા માટે.

સાધનોની આગાહી જાળવણી પરિદ્દશ્ય: ઔદ્યોગિક સાધનોની જાળવણીને ત્રણ પ્રકારમાં વહેંચવામાં આવે છે: રિપેરેટિવ મેન્ટેનન્સ, નિવારક જાળવણી અને આગાહી જાળવણી. પુનઃસ્થાપન જાળવણી એ એક્સ-પોસ્ટ ફેક્ટો મેન્ટેનન્સ, નિવારક જાળવણી અને આગાહી જાળવણી એ એક્સ-એન્ટ મેન્ટેનન્સનું છે, પહેલું સમય, સાધનોની કામગીરી, સ્થળની સ્થિતિ અને સાધનોની નિયમિત જાળવણી માટેના અન્ય પરિબળો પર આધારિત છે, જે માનવ અનુભવ પર આધારિત છે, બાદમાં સેન્સર ડેટાના સંગ્રહ દ્વારા, સાધનોની ઓપરેટિંગ સ્થિતિનું રીઅલ-ટાઇમ મોનિટરિંગ, ડેટા વિશ્લેષણના ઔદ્યોગિક મોડેલ પર આધારિત છે, અને નિષ્ફળતા ક્યારે થાય છે તેની સચોટ આગાહી કરે છે.

ઔદ્યોગિક ગુણવત્તા નિરીક્ષણ દૃશ્ય: ઔદ્યોગિક દ્રષ્ટિ નિરીક્ષણ ક્ષેત્ર એ ગુણવત્તા નિરીક્ષણ ક્ષેત્રમાં પ્રથમ પરંપરાગત સ્વચાલિત ઓપ્ટિકલ નિરીક્ષણ (AOI) સ્વરૂપ છે, પરંતુ અત્યાર સુધી AOI ના વિકાસમાં, ઘણી ખામી શોધ અને અન્ય જટિલ પરિસ્થિતિઓમાં, વિવિધ પ્રકારની ખામીઓને કારણે, લક્ષણ નિષ્કર્ષણ અપૂર્ણ છે, અનુકૂલનશીલ અલ્ગોરિધમ્સ નબળી એક્સ્ટેન્સિબિલિટી છે, ઉત્પાદન લાઇન વારંવાર અપડેટ થાય છે, અલ્ગોરિધમ સ્થળાંતર લવચીક નથી, અને અન્ય પરિબળો, પરંપરાગત AOI સિસ્ટમ ઉત્પાદન લાઇનની જરૂરિયાતોના વિકાસને પૂર્ણ કરવામાં મુશ્કેલ રહી છે. તેથી, ડીપ લર્નિંગ + સ્મોલ સેમ્પલ લર્નિંગ દ્વારા રજૂ કરાયેલ AI ઔદ્યોગિક ગુણવત્તા નિરીક્ષણ અલ્ગોરિધમ પ્લેટફોર્મ ધીમે ધીમે પરંપરાગત દ્રશ્ય નિરીક્ષણ યોજનાને બદલી રહ્યું છે, અને AI ઔદ્યોગિક ગુણવત્તા નિરીક્ષણ પ્લેટફોર્મ ક્લાસિકલ મશીન લર્નિંગ અલ્ગોરિધમ્સ અને ડીપ લર્નિંગ નિરીક્ષણ અલ્ગોરિધમ્સના બે તબક્કામાંથી પસાર થયું છે.