對外貿易發展協會
Advantechline
 

AIoT發揮邊緣運算效益 搭配雲/霧運算資源整合擴展價值

Apple Watch新一代整合跌倒偵測功能,可在年長者跌倒時即時透過手錶發出警訊,就是一個AIoT設備發揮實用價值的設計方案。Apple

IoT物聯網蓬勃發展,連帶推升邊緣運算應用提升能見度,由邊緣運算整合IoT結合綜效產出的新一代邊緣人工智慧Edge AI或稱AIoT應用,不但有機會帶動IoT朝更進階的智能化應用發展,透過IoT技術整合,也能有效讓落地服務達到兼具立即回應、降低雲端部署負荷等多元價值。

IoT物聯網應用持續發燒,為了讓IoT裝置有限資源發揮綜效,新一代的物聯網應用與部署已開始逐步導入AIoT智能物聯網或稱邊緣人工智慧(Edge AI)應用,也就是說除讓IoT裝置運作更加智能,透過邊緣運算應用方向也讓IoT部署的雲端服務負荷減低、同時也能透過智能功能整合讓IoT終端能做到快速回應、提升IoT終端裝置的導入效益。

 點擊圖片放大觀看

導入AIoT智能終端部署,可讓智慧城市加值應用更趨實用價值。Coolfire Solutions

邊緣運算降低雲端架構運算負荷

原有邊緣運算(Edge Computing)的應用方向為降低雲端架構運算負荷、同時提升邊緣裝置端能處理數據和資料的運作能力,藉此改善運算效率與終端獲取的數據加值應用,由邊緣運算結合雲服務的複合應用也越來越多,亦吸引相當多廠商競相投入開發新應用產品。

IoT產品有了邊緣運算技術加持後,搖身一變AIoT裝置儼然兼具資料蒐集、數據感測、資料互聯的運算節點,能發揮的系統價值將遠遠超越單純的IoT終端設置情境。

另一個也是發展IoT應用場景產品可能發生的問題,就是當IoT產品在投放到應用環境後,日以繼夜的不斷蒐集累積資料下,基本上將會導致雲端系統的龐大處理負荷,不僅是資料的處理、消化、傳輸與清理回饋等,都將導致整個IoT網路的營運成本與資源耗費。

但若是朝邊緣人工智慧(Edge AI)概念進行應用整合,以物聯網終端設備所處的邊緣位置上,由AIoT終端設備運行機器學習推論處理源自終端擷取採集的龐大數據與運算應用,立即便可降低IoT終端連結雲端的數據流量負載,亦可達到提升IoT終端回應效率的設計目的。

分散式運算終端節點也能參與分析決策

原有邊緣運算的系統建置重點即在改善雲端運算Centralized的集中式運算結構,變形為Distributed分散式運算架構,也重新讓終端的節點(即IoT資料採集裝置)也能進行分析、決策與運算等應用,不僅可以立即解決IoT上雲的網路鏈路壅塞問題,資料傳輸、處理可能的延遲問題也能獲得立即性的改善。

就實務面導入技術的目的檢視,邊緣運算並不是要拿來取代雲端運算,而是透過分散式的架構讓一部分的算力由部署端點的設備分擔,藉此減輕終端與雲伺服器交互傳遞的訊息量,從而達到優化整個IoT雲部署的架構與使用條件。

就產業與消費者端的應用趨勢觀察,雲端技術與邊緣運算結合的部署案例越來越常見,在相關技術發展下Edge Intelligence via Ambient Computing這類以終端運行的智能分析運算搭配雲端服務整合的應用架構,讓能上雲端服務的IoT裝置可以在就近消費者的優勢透過有線的算力處理部分智慧甚至整合的工作,立即將消費者產生採集的感測數據處理成核心系統需要的資訊而不是未處理的原始資料,透過智能分析、運算同時處理加密再進行傳輸,在確保離線能自我運行與傳輸隱私安全性條件下,擴增AIoT設備的應用價值,導入介於雲端與終端之間的邊霧運算增加系統彈性的效用。

雲 / 霧運算資源整合  AIoT發揮部署彈性綜效

雖說邊霧運算技術架構可有效提升AIoT應用情境的系統可用性,但邊霧運算架構下仍有不少需克服的技術難點,首先像是系統異質性與多樣性的問題需解決,但這部分的複雜架構仍可透過設備和服務的抽象層處理。

另一個難點是資源控管須能與應用程序需求即時回應與調用,這部會會牽涉到更複雜的網際網路聯網資源調配與因應自適應資源(Dynamics and Adaptation)的即時回應,例如系統需回應應用程式需求,自動化分配霧端甚至是邊緣設備的資源架構,同時透過邊緣裝置的資源取用狀態以控制介面進行資源使用狀態的識別與調用,近一步改善優化網路服務同時提高其擴展性(Scalability)。

若從近年最熱門的穿戴式裝置應用產品觀察,其實穿戴式智能設備本身就是一個AIoT設備,也是極為典型的邊緣運算設備,如智慧手環、項鍊或是手錶,本體建置與提供的功能即為睡眠偵、心律偵測、位置定位、步行偵測等,這只是單純的生理特徵數據資料即時採集應用。

對其邊緣裝置本身的智能整合應用,可推展出如步幅換算的行走距離、運動量,進而產出相應的智能提示運動量不足,例如最新的Apple Watch可提供穿戴長者可能發生的跌到感測、心律失常感測,在邊緣系統透過智能分析採集資料發現穿戴者可能發生跌倒或是致死跡象,立即透過可用的通知或網路鏈路發出求救訊息。

AIoT整合晶片運算需求暴增  墊高開發門檻

當然科技的整合下可以立即性的處理各種可能情境或是整合出新穎的服務應用,但這類穿戴式設備也因為採集了大量生理特徵、位置資訊數據,並自動化於終端分析同時將大量的個人隱私資料藉由雲端系統上傳,就會產生前述的隱私相關問題亟待改善與解決。

而透過終端裝置本身的AI與採集資料的預處理後,透過加密傳輸手段至少可以確保資料傳遞的隱私問題不會有資料洩漏疑慮,其餘的服務端的隱私保護就須看用戶與平台服務方之間的隱私條款與服務機制了。

要達到前述的應用服務體驗,其實在雲端或是霧端的資源調用架構,以目前的網路技術整合已綽綽有餘,比較大的產品開發挑戰反而是落在結合AIoT的終端裝置設計與零組件性能表現。

尤其是在AIoT應用熱潮下,終端IoT設備除需在超低功耗運行持續要求外,在終端還需導入AI智能分析、機器學習(Machine Learning)、高速處理採集與分析資料與在發生立即須回應的事件時,能及時調用網通資源無線傳遞數據的能力,都讓AIoT設備的開發難度越來越高。

提供穿戴設備整合晶片的開發商,除須在IoT晶片提升處理效能與維持低功耗運行要求,因應邊緣運算的大量數據即時性處理,也必須進一步提升傳輸介面的數據量與加快其傳輸速度,深度學習應用則需要看數據類型整合晶片進行高校運算與處理,大幅提升IoT整合晶片的開發門檻。


  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 邊緣運算 AIoT 邊緣AI