ક્લાઉડ સેવાઓથી લઈને એજ કમ્પ્યુટિંગ સુધી, AI "લાસ્ટ માઈલ" પર આવે છે

એજ કમ્પ્યુટિંગ માર્કેટ આગામી પાંચ વર્ષમાં 36.1% CAGR વધશે

એજ કમ્પ્યુટિંગ ઉદ્યોગ સ્થિર વિકાસના તબક્કામાં પ્રવેશી ગયો છે, જે તેના સેવા પ્રદાતાઓના ક્રમશઃ વૈવિધ્યકરણ, વિસ્તરતા બજારના કદ અને એપ્લિકેશન ક્ષેત્રોના વધુ વિસ્તરણ દ્વારા પુરાવા મળે છે.બજારના કદના સંદર્ભમાં, IDCના ટ્રેકિંગ રિપોર્ટના ડેટા દર્શાવે છે કે ચીનમાં એજ કમ્પ્યુટિંગ સર્વર્સનું એકંદર બજાર કદ 2021માં US$3.31 બિલિયન સુધી પહોંચી ગયું છે અને ચીનમાં એજ કમ્પ્યુટિંગ સર્વર્સનું એકંદર બજાર કદ ચક્રવૃદ્ધિ વાર્ષિક વૃદ્ધિ સાથે વધવાની અપેક્ષા છે. 2020 થી 2025 સુધી 22.2% નો દર. સુલિવાન આગાહી કરે છે કે ચીનમાં એજ કમ્પ્યુટિંગનું બજાર 2027 માં RMB 250.9 બિલિયન સુધી પહોંચવાની ધારણા છે, 2023 થી 2027 સુધી 36.1% ની CAGR સાથે.

એજ કમ્પ્યુટિંગ ઇકો-ઉદ્યોગ ખીલે છે

એજ કમ્પ્યુટિંગ હાલમાં ફાટી નીકળવાના પ્રારંભિક તબક્કામાં છે, અને ઉદ્યોગ સાંકળમાં વ્યવસાયની સીમાઓ પ્રમાણમાં અસ્પષ્ટ છે.વ્યક્તિગત વિક્રેતાઓ માટે, વ્યવસાયના દૃશ્યો સાથેના એકીકરણને ધ્યાનમાં લેવું જરૂરી છે, અને તકનીકી સ્તરેથી વ્યવસાયના દૃશ્યોમાં ફેરફારોને અનુકૂલન કરવાની ક્ષમતા હોવી પણ જરૂરી છે, અને તે સુનિશ્ચિત કરવું પણ જરૂરી છે કે ત્યાં ઉચ્ચ ડિગ્રી છે. હાર્ડવેર સાધનો સાથે સુસંગતતા, તેમજ પ્રોજેક્ટ લેન્ડ કરવાની એન્જિનિયરિંગ ક્ષમતા.

એજ કમ્પ્યુટિંગ ઉદ્યોગ સાંકળ ચિપ વિક્રેતાઓ, અલ્ગોરિધમ વિક્રેતાઓ, હાર્ડવેર ઉપકરણ ઉત્પાદકો અને ઉકેલ પ્રદાતાઓમાં વિભાજિત થયેલ છે.ચિપ વિક્રેતાઓ મોટે ભાગે અંકગણિત ચિપ્સ છેડા-બાજુથી એજ-સાઇડથી ક્લાઉડ-સાઇડ સુધી વિકસાવે છે, અને એજ-સાઇડ ચિપ્સ ઉપરાંત, તેઓ એક્સિલરેશન કાર્ડ્સ અને સપોર્ટ સોફ્ટવેર ડેવલપમેન્ટ પ્લેટફોર્મ્સ પણ વિકસાવે છે.અલ્ગોરિધમ વિક્રેતાઓ સામાન્ય અથવા કસ્ટમાઇઝ્ડ અલ્ગોરિધમ્સ બનાવવા માટે કોમ્પ્યુટર વિઝન અલ્ગોરિધમ્સને કોર તરીકે લે છે, અને એવા સાહસો પણ છે જે અલ્ગોરિધમ મોલ્સ અથવા તાલીમ અને દબાણ પ્લેટફોર્મ બનાવે છે.સાધનસામગ્રીના વિક્રેતાઓ એજ કમ્પ્યુટિંગ ઉત્પાદનોમાં સક્રિયપણે રોકાણ કરી રહ્યા છે, અને એજ કમ્પ્યુટિંગ ઉત્પાદનોનું સ્વરૂપ સતત સમૃદ્ધ બને 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 વધુ સમય લેતી અને શ્રમ-સઘન ખર્ચ, વ્યક્તિઓ પર પ્રક્રિયાની અવલંબન, નબળા કવરેજ અને નિરીક્ષણની આવર્તન અને નબળી ગુણવત્તાની સમસ્યાઓ છે. નિયંત્રણતે જ સમયે નિરીક્ષણ પ્રક્રિયામાં મોટી માત્રામાં ડેટા રેકોર્ડ કરવામાં આવ્યો હતો, પરંતુ આ ડેટા સંસાધનો વ્યવસાયિક સશક્તિકરણ માટે ડેટા એસેટમાં રૂપાંતરિત થયા નથી.મોબાઈલ ઈન્સ્પેક્શન સિનારીયોમાં AI ટેક્નોલોજીનો ઉપયોગ કરીને, એન્ટરપ્રાઈઝે શહેરી ગવર્નન્સ AI ઈન્ટેલિજન્ટ ઈન્સ્પેક્શન વ્હીકલ બનાવ્યું છે, જે ઈન્ટરનેટ ઓફ થિંગ્સ, ક્લાઉડ કોમ્પ્યુટિંગ, AI એલ્ગોરિધમ્સ જેવી ટેકનોલોજી અપનાવે છે અને હાઈ-ડેફિનેશન કેમેરા જેવા વ્યાવસાયિક સાધનો વહન કરે છે. બોર્ડ ડિસ્પ્લે, અને AI સાઇડ સર્વર્સ, અને "બુદ્ધિશાળી સિસ્ટમ + બુદ્ધિશાળી મશીન + સ્ટાફ સહાય" ની નિરીક્ષણ પદ્ધતિને જોડે છે.તે શહેરી શાસનના રૂપાંતરણને કર્મચારીઓ-સઘનથી યાંત્રિક બુદ્ધિમાં, પ્રયોગમૂલક ચુકાદાથી ડેટા વિશ્લેષણ સુધી, અને સક્રિય શોધ માટે નિષ્ક્રિય પ્રતિસાદથી પ્રોત્સાહન આપે છે.

બુદ્ધિશાળી બાંધકામ સાઇટના ક્ષેત્રમાં

એજ કમ્પ્યુટિંગ-આધારિત બુદ્ધિશાળી બાંધકામ સાઇટ સોલ્યુશન્સ AI ટેક્નોલોજીના ઊંડા સંકલનને પરંપરાગત બાંધકામ ઉદ્યોગ સલામતી મોનિટરિંગ કાર્યમાં લાગુ કરે છે, બાંધકામ સાઇટ પર એજ AI વિશ્લેષણ ટર્મિનલ મૂકીને, બુદ્ધિશાળી વિડિઓ પર આધારિત વિઝ્યુઅલ AI અલ્ગોરિધમ્સના સ્વતંત્ર સંશોધન અને વિકાસને પૂર્ણ કરીને. એનાલિટિક્સ ટેક્નોલૉજી, શોધવામાં આવનારી ઘટનાઓની પૂર્ણ-સમયની તપાસ (દા.ત., હેલ્મેટ પહેરવી કે નહીં તે શોધવું), કર્મચારીઓ, પર્યાવરણ, સુરક્ષા અને અન્ય સલામતી જોખમ બિંદુ ઓળખ અને એલાર્મ રીમાઇન્ડર સેવાઓ પ્રદાન કરવી અને અસુરક્ષિતની ઓળખ માટે પહેલ કરવી. પરિબળો, AI બુદ્ધિશાળી રક્ષક, માનવશક્તિના ખર્ચની બચત, બાંધકામ સાઇટ્સની કર્મચારીઓ અને મિલકત સુરક્ષા વ્યવસ્થાપનની જરૂરિયાતોને પહોંચી વળવા.

બુદ્ધિશાળી પરિવહન ક્ષેત્રે

ક્લાઉડ-સાઇડ-એન્ડ આર્કિટેક્ચર એ ઇન્ટેલિજન્ટ ટ્રાન્સપોર્ટ ઉદ્યોગમાં એપ્લિકેશનની જમાવટ માટે મૂળભૂત દાખલો બની ગયું છે, જેમાં ક્લાઉડ સાઇડ સેન્ટ્રલાઇઝ્ડ મેનેજમેન્ટ અને ડેટા પ્રોસેસિંગના ભાગ માટે જવાબદાર છે, એજ સાઇડ મુખ્યત્વે એજ-સાઇડ ડેટા વિશ્લેષણ અને ગણતરી નિર્ણય પૂરો પાડે છે. -મેકિંગ પ્રોસેસિંગ, અને અંતિમ બાજુ મુખ્યત્વે બિઝનેસ ડેટાના સંગ્રહ માટે જવાબદાર છે.

વાહન-રોડ સંકલન, હોલોગ્રાફિક આંતરછેદ, સ્વચાલિત ડ્રાઇવિંગ અને રેલ ટ્રાફિક જેવા ચોક્કસ સંજોગોમાં, ત્યાં મોટી સંખ્યામાં વિજાતીય ઉપકરણો ઍક્સેસ કરવામાં આવે છે, અને આ ઉપકરણોને ઍક્સેસ મેનેજમેન્ટ, એક્ઝિટ મેનેજમેન્ટ, એલાર્મ પ્રોસેસિંગ અને ઓપરેશન અને જાળવણી પ્રક્રિયાની જરૂર પડે છે.એજ કમ્પ્યુટિંગ વિભાજિત કરી શકે છે અને જીતી શકે છે, મોટાને નાનામાં ફેરવી શકે છે, ક્રોસ-લેયર પ્રોટોકોલ રૂપાંતરણ કાર્યો પ્રદાન કરી શકે છે, એકીકૃત અને સ્થિર ઍક્સેસ પ્રાપ્ત કરી શકે છે અને વિજાતીય ડેટાનું સહયોગી નિયંત્રણ પણ કરી શકે છે.

ઔદ્યોગિક ઉત્પાદન ક્ષેત્રે

ઉત્પાદન પ્રક્રિયા ઑપ્ટિમાઇઝેશન દૃશ્ય: હાલમાં, ડેટાની અપૂર્ણતા દ્વારા મોટી સંખ્યામાં અલગ ઉત્પાદન પ્રણાલીઓ મર્યાદિત છે, અને એકંદર સાધનોની કાર્યક્ષમતા અને અન્ય ઇન્ડેક્સ ડેટાની ગણતરીઓ પ્રમાણમાં ઢીલી છે, જે કાર્યક્ષમતા ઑપ્ટિમાઇઝેશન માટે ઉપયોગમાં લેવાનું મુશ્કેલ બનાવે છે.સિમેન્ટીક લેવલ મેન્યુફેક્ચરિંગ સિસ્ટમ હોરીઝોન્ટલ કોમ્યુનિકેશન અને વર્ટિકલ કોમ્યુનિકેશન હાંસલ કરવા માટે સાધન માહિતી મોડેલ પર આધારિત એજ કમ્પ્યુટિંગ પ્લેટફોર્મ, રીઅલ-ટાઇમ ડેટા ફ્લો પ્રોસેસિંગ મિકેનિઝમ પર આધારિત, મોટી સંખ્યામાં ફીલ્ડ રીઅલ-ટાઇમ ડેટાને એકત્રિત કરવા અને તેનું વિશ્લેષણ કરવા માટે, મોડેલ-આધારિત ઉત્પાદન લાઇન પ્રાપ્ત કરવા. મલ્ટિ-ડેટા સ્ત્રોત માહિતી ફ્યુઝન, સ્વતંત્ર ઉત્પાદન પ્રણાલીમાં નિર્ણય લેવા માટે શક્તિશાળી ડેટા સપોર્ટ પ્રદાન કરવા માટે.

સાધનસામગ્રી અનુમાનિત જાળવણીનું દૃશ્ય: ઔદ્યોગિક સાધનોની જાળવણીને ત્રણ પ્રકારમાં વહેંચવામાં આવે છે: પુનઃપ્રાપ્ત જાળવણી, નિવારક જાળવણી અને અનુમાનિત જાળવણી.પુનઃસ્થાપન જાળવણી ભૂતપૂર્વ પોસ્ટ ફેક્ટો જાળવણી, નિવારક જાળવણી, અને અનુમાનિત જાળવણી પૂર્વ-પૂર્વ જાળવણી સાથે સંબંધિત છે, ભૂતપૂર્વ સમય, સાધનોની કામગીરી, સાઇટની સ્થિતિ અને સાધનસામગ્રીની નિયમિત જાળવણી માટેના અન્ય પરિબળો પર આધારિત છે, વધુ કે ઓછા માનવ પર આધારિત છે. અનુભવ, બાદમાં સેન્સર ડેટાના સંગ્રહ દ્વારા, સાધનોની ઓપરેટિંગ સ્થિતિનું રીઅલ-ટાઇમ મોનિટરિંગ, ડેટા વિશ્લેષણના ઔદ્યોગિક મોડલના આધારે, અને નિષ્ફળતા ક્યારે થાય છે તેની ચોક્કસ આગાહી કરે છે.

ઔદ્યોગિક ગુણવત્તા નિરીક્ષણ દૃશ્ય: ઔદ્યોગિક દ્રષ્ટિ નિરીક્ષણ ક્ષેત્ર એ ગુણવત્તા નિરીક્ષણ ક્ષેત્રમાં પ્રથમ પરંપરાગત ઓટોમેટિક ઓપ્ટિકલ નિરીક્ષણ (AOI) સ્વરૂપ છે, પરંતુ AOI ના વિકાસમાં અત્યાર સુધી, ઘણી ખામી શોધ અને અન્ય જટિલ પરિસ્થિતિઓમાં, વિવિધ પ્રકારની ખામીઓને કારણે. પ્રકારોમાં, વિશેષતા નિષ્કર્ષણ અપૂર્ણ છે, અનુકૂલનશીલ અલ્ગોરિધમ્સ નબળી એક્સ્ટેન્સિબિલિટી, ઉત્પાદન રેખા વારંવાર અપડેટ થાય છે, અલ્ગોરિધમનું સ્થાનાંતરણ લવચીક નથી અને અન્ય પરિબળો, પરંપરાગત AOI સિસ્ટમ માટે ઉત્પાદન લાઇન જરૂરિયાતોના વિકાસને પહોંચી વળવું મુશ્કેલ છે.તેથી, ડીપ લર્નિંગ + સ્મોલ સેમ્પલ લર્નિંગ દ્વારા રજૂ કરાયેલ AI ઔદ્યોગિક ગુણવત્તા નિરીક્ષણ અલ્ગોરિધમ પ્લેટફોર્મ ધીમે ધીમે પરંપરાગત દ્રશ્ય નિરીક્ષણ યોજનાનું સ્થાન લઈ રહ્યું છે, અને AI ઔદ્યોગિક ગુણવત્તા નિરીક્ષણ પ્લેટફોર્મ ક્લાસિકલ મશીન લર્નિંગ અલ્ગોરિધમ્સ અને ડીપ લર્નિંગ ઈન્સ્પેક્શન અલ્ગોરિધમ્સના બે તબક્કામાંથી પસાર થયું છે.