特別是在機械工程領(lǐng)域，用戶推出的很多工業(yè) 4.0 方案都要依賴于在設(shè)備層進行的數(shù)據(jù)分析?？刂葡到y(tǒng)及邊緣設(shè)備中具備的可擴展的計算能力可以分配足夠的資源來分析本地以及生產(chǎn)線上的數(shù)據(jù)。但可以在云邊緣合理地提供多少智能呢？如何有效地在云和邊緣之間分配任務(wù)？在下面的趨勢訪談中，來自倍福的 Josef Papenfort 博士與《Elektro Automation》雜志副主編 Andreas Gees 就這些前瞻性問題進行了深入探討。

Elektro Automation：支持將 AI 算法集成到本地應(yīng)用（即控制系統(tǒng)或邊緣設(shè)備）的理由是什么？它與基于云的解決方案相比有什么優(yōu)勢嗎？數(shù)據(jù)安全又起著什么樣的重要作用？

Josef Papenfort 博士：是否應(yīng)該執(zhí)行 AI 算法，很大程度上取決于可接受的等待時間和成本限額。AI 算法依賴于大數(shù)據(jù)，此時，重要的是將在訓(xùn)練過程最初僅需使用一次的數(shù)據(jù)與在推理模式下預(yù)測性運行的訓(xùn)練網(wǎng)絡(luò)中一直需要使用的數(shù)據(jù)區(qū)分開來。若要在云端中進行機器學(xué)習(xí)和推理，就必須具有足夠高的數(shù)據(jù)傳輸速率。對于基于云的系統(tǒng)，這樣做的成本可能不菲，而且如果可用的網(wǎng)絡(luò)帶寬不足，這樣做可能會導(dǎo)致功能受限。另一方面，在邊緣設(shè)備上運行推理需要一次性投入硬件，然后才能通過本地網(wǎng)絡(luò)高速共享數(shù)據(jù)。相反，學(xué)習(xí)過程可以在云端進行：數(shù)據(jù)只需上傳一次，因為這個過程是有限的，不是連續(xù)的。當(dāng)然，學(xué)習(xí)過程可能需要大量的計算資源，但這只是暫時的；在這種情況下，按現(xiàn)收現(xiàn)付模式計費的云資源就非常適用。

德國倍福 TwinCAT 產(chǎn)品經(jīng)理 Josef Papenfort 博士

Elektro Automation：控制系統(tǒng)往往需要硬實時系統(tǒng)，而 AI 算法不一定需要依賴實時性能。這兩個不同的要求可以在本地層達成一致嗎？

Josef Papenfort 博士：連接類型取決于通過 AI 算法實現(xiàn)或支持的應(yīng)用。這類算法顯然依賴于從實時進程接收到的數(shù)據(jù)，即從實時域移動到非實時域的數(shù)據(jù)流。問題的核心是非實時算法是否需要相應(yīng)地干預(yù)實時進程。例如，如果將 AI 算法用來在預(yù)測性維護中測量零件的剩余使用壽命，則不需要這樣做。一般來說，在這樣的應(yīng)用中，不需要直接干預(yù)實時進程。但是，在閉環(huán)優(yōu)化方案中，AI 算法需要不斷地將結(jié)果反饋給實時進程。

Elektro Automation：哪些類型的應(yīng)用最適合在本地運行 AI 算法？可能的計算性能極限在哪里？

Josef Papenfort 博士：這個問題目前還沒有明確的答案，它取決于硬件部署，取決于邊緣設(shè)備是否具備在合適的時間范圍內(nèi)處理深度神經(jīng)網(wǎng)絡(luò)計算的能力。但如果使用的是基于 PC 的控制系統(tǒng)，則可以根據(jù)具體的應(yīng)用需求對硬件進行擴展。

Elektro Automation：您認(rèn)為，是否有些應(yīng)用場景（例如跨站點分析）只有在云端中運行才真正有意義？

Josef Papenfort 博士：同樣，在這里，將學(xué)習(xí)階段和推理模式區(qū)分開來也很重要。學(xué)習(xí)過程首先基于一組數(shù)據(jù)，如果給定的站點自身生成的機器學(xué)習(xí)數(shù)據(jù)不足，則可以將來自多個站點但執(zhí)行相同進程的數(shù)據(jù)進行合并，構(gòu)建一個合適的數(shù)據(jù)庫，此時，云會提供一個合適的合并數(shù)據(jù)的方法。云還可以提供在規(guī)定的時間內(nèi)啟動學(xué)習(xí)過程所需的算力。正如我前面提到的，是否應(yīng)該在云中進行推理取決于既定應(yīng)用、等待時間和數(shù)據(jù)傳輸速率。

聲明：本文內(nèi)容由企業(yè)提供，如涉及版權(quán)、機密問題，請及時聯(lián)系我們刪除（QQ: 2737591964），不便之處，敬請諒解！