软硬件全线覆盖,英特尔「云边协同」解决方案加速企业数字化进程

共 4056字,需浏览 9分钟

 ·

2021-09-29 16:23


全面发力的英特尔,正在孵化和落地的云边协同场景。



如今,随着我国经济增速放缓和宏观竞争环境的复杂化,企业亟需从由粗放式发展转向精细化运营。
但如何在后疫情时代的新常态下把握新形势,实现高质化、差异化发展成为了各企业的重中之重。
随着5G、云计算、人工智能、大数据等技术的发展成熟,将新技术转化为新的生产要素以驱动数字化转型,成为了企业提升效率和利润水平的有效工具。而对制造业来说,数字化转型面临着新的场景和痛点——数据生产和处理场景存在资源负载不均衡的问题,大量数据在生产线等边端场景产生,而数据分析和指令优化往往在云端完成,数据传输过程将较大时延,难以满足实时感知变化并进行决策分析的要求,同时边端侧数据易形成“孤岛”,无法全面焕活数据价值。
换言之,数据洪流的“云边”任督二脉该如何打通?这才是当前制造业最应该思考的问题。
解决方案已经呼之欲出。通过云边协同的方式,让数据在云、边和端之间高效、实时的互联互通,以实时的边端数据感知力促进企业价值发现,在缓解宽带成本压力的同时,可以提升决策的精度与时效性,是制造业实施智能化转型的关键一步。

拆解云边协同应用难点

验证解决方案的可行性前,我们必须先明白传统制造业存在的一些痛点。
传统的工业系统应用分为IT和OT。IT系统面向企业资源计划和财务管理等高级管理任务,OT则主要为数据采集和监视控制系统。在面对高产品质量要求、高生产灵活度的制造业发展趋势,这种割裂的系统架构无法将数据统一化,不利于数据的流转和应用,同时终端工业应用固有结构难以满足对采集的海量数据进行存储和处理的需求,因此严重制约了制造业企业的数字化转型。
那么该如何打破这样的制约呢?不同于传统的工业系统,云边协同解决方案将计算任务下沉,一方面云端通过边端大量训练数据的回传可以优化迭代计算模型,另一方面,部署在边端的服务器可以根据云端训练的模型进行实施推理而无需回传大量数据,这对云边协同的技术能力也提出了更高的要求。
首先,出于数据采集的需求,需要在生产线上部署更多的终端设备,庞大的设备数量要求网络连接和计算能力的持久性和稳定性;其次,边端硬件需要满足具备高并发实时数据存储与计算的能力;同时,需要在边缘节点为数据隐私提供更强的保护,提升数据安全性;再者,大量数据回传云端,云边两侧的数据需要互联互通,以满足全局性、非实时、长周期的大数据处理与分析邀请,起到生产决策的作用。
作为云边协同理念的积极倡导者,英特尔的云边协同解决方案以统一的基础架构、统一的数据总线和统一的数据调配实现了对云边端数据交互的高效管理和调配,克服了常见的云边方案中数据异构、不同步,边端算力不足等问题,提升了企业资源配置效率,面对企业的数字化难题,英特尔能够帮助企业“见招拆招”。
在边端,第三代英特尔® 至强® 可扩展处理器可以对 20 种主流机器学习和深度学习框架进行了优化,AI处理性能比其他 CPU 高 1.5 倍,大大提升了模型训练能力;在云端,第三代英特尔® 至强® 可扩展处理器结合英特尔® 傲腾™持久内存 200 和英特尔® 以太网 E810 网络适配器,可将事务处理量提升高达 2.5 倍。凭借强大的算力和全面优化的软硬件产品组合,英特尔云边协同解决方案可以帮助用户实现更强性能、更高效率和更大规模。

云边协同场景孵化实录

不止于技术研发,英特尔还携手生态合作伙伴,系统化推进云边协同架构在制造业场景下的孵化与落地。凭借丰富的生态系统和实战验证,英特尔打造出了针对瑕疵检测、精密加工、产能预测、园区管理等应用场景的成熟解决方案。
场景1:瑕疵检测
在传统制造企业中,瑕疵检测通常依靠人工方法完成,不仅效率与准确率低,还会抬升企业人力成本。同时,人工检测的方式无法对瑕疵成因进行有效分析,因而很难帮助企业及时改进生产线存在的问题。随着对产品质量的更高追求和人力成本的不断攀升,基于AI检测的云边协同方案成为了制造业中发展最快、应用最成熟的场景之一。 
英特尔的缺陷检测方案运用面向英特尔® 架构优化的 PyTorch以及OpenVINO™工具套件,在边缘服务器对前端摄像头采集的视频或图像数据进行分析推理,并将推理结果传送至品控系统以对产线进行调整;同时,边缘采集的数据会传送至云端或远端数据中心,通过第三代英特尔® 至强® 可扩展处理器进行AI模型训练加速,优化后的模型则被推送至边缘服务器中供推理使用,从而完成整个云边协同的数据应用闭环,实现高效、高精度的瑕疵检测。
作为国内新能源电池龙头,宁德时代与英特尔携手打造了基于“云-边-端”架构的AI动力电池瑕疵检测解决方案。“集成AI加速能力的至强®可扩展平台等一系列英特尔软硬件产品的引入,以及来自英特尔的全方位技术支持,为整个方案实现统一部署和管控,并达成快速、准确的检测处理能力做出了重要贡献。”宁德时代人工智能高级工程师潘伟伟表示。 
通过云边协同方案,宁德时代以单工序 400FPS 以上的图像处理速度达到了“零漏检”目标。

宁德时代全新工业视觉平台系统架构图


场景2:生产预测
时序数据作为制造业各类设备中生成最多的数据类型之一,可以有效帮助企业提高生产精度、优化产能。而传统基于专家系统的生产预测方案过度依赖企业对生产经验的长期归纳和总结,且较多的受到人为因素影响,不仅预测准确性难以保证,还无法及时响应现代制造业企业灵活的生产需求。
英特尔基于AI的生产预测模型则可以有效应对制造业各个细分场景下的预测需求:时序数据在边缘进行推理,以较低时延生成对设备的控制反馈;同时数据可传至云端以对预测模型进行训练优化,训练好的模型则被存储到模型库中,供边缘侧调用。 
以金风慧能和英特尔携手打造的气象预测解决方案为例,通过云边协同架构,该方案可以使“寿命”短暂的气象数据参与短期或超短期模型训练,更好发挥数据潜能。该方案中,云化部署的服务器集群基于第三代英特尔® 至强® 可扩展处理器搭建,并通过英特尔Analytics Zoo大数据分析平台对来自边缘(气象站点)、和其它云端(气象网络)的最新气象数据进行模型训练与迭代,大大提升了边端预测模型的准确率。
在实际应用中,该解决方案还可通过调度系统合理调整和优化下一步发电计划,不仅能有效改善电网调峰能力,更能减少弃风和弃光率,帮助电力企业降本增效。
采用云边协同的金风慧能智能功率预测方案

场景 3:园区管理
作为制造业的产能聚集地,工业园区不仅需要为入驻企业提供场地和基础设施,更要作为“企业大管家”,实现在园区楼宇管理、物流配送、安防监控等场景下实现高效运营。而尽管监控摄像头、探测器、传感器等物联网设备已在各园区普遍安装,这些设备只能采集信息,不仅缺乏必要的连接,还不能对数据做进一步的汇聚和分析,因而无法对园区运营形成有效的信息链支撑。
英特尔的园区管理解决方案则可以将传统各个离散的园区管理职能以“云边协同”的模式重组,通过边缘计算和云边协同增强应用中各个设备的工作质量和响应能力,全面提升园区管理智能化水平。
在云创大数据园的实践中,借助在边缘广泛部署的内置高清摄像头、空气传感器及无线网络等设备,英特尔的园区管理方案能够实时采集园区管理所需的视频数据并回传;在云端,云创大数据园引入了包括第三代英特尔® 至强® 可扩展处理器和英特尔®Media SDK 软件工具包中的视频分析参考设计方案来进一步加速视频编解码性能,并将结果反馈至园区管理系统,形成数据管理闭环。
通过统一的数据协同,英特尔园区管理解决方案可以应用图像秒级识别能力对停车管理、人员监控、物流调配等多种园区管理职能提供助力,同时通过对视频数据的交叉利用帮助园区大幅降低网络负载,节省在数据中心和云等领域的投资。

基于“云边协同”架构的云创大数据园区视频监控方案



决胜“云边”之道

不仅如此,在精密加工,管理决策优化等制造业场景,英特尔也积累了大量实践经验和案例。凭借过硬的技术和坚实的服务支撑,英特尔还与合作伙伴一起参与企业的“新基建”,进一步将云边协同解决方案的成功经验复制,孵化出了医疗(如辅助诊疗、急症预测),金融(如自动识别、反欺诈),VR/AR等主要的云边协同落地场景和行业。
经过数十年的技术沉淀和积累,英特尔打造了软硬件全线产品,可以为多样场景下的云边协同方案赋能。硬件方面,英特尔以第三代至强® 可扩展处理器为核心,辅以存储、FPGA、GPU等全栈产品的硬件基座,能够满足云边不同应用场景的基础算力需求;同时,通过集成的大数据、数据科学工具、软件防护扩展平台等软件以及oneAPI跨架构工具,英特尔进一步针对工作负载进行优化,向用户提供一站式、安全可靠的解决方案,帮助用户进一步释放算力、提高效率。
而技术上的实现并不能保证产品在多种应用实践环境中能稳定运行。英特尔不仅在技术研发上不断迭代创新,还通过长期的用户服务,形成了对各个行业的深刻认知。经过多年、多场景的成功应用实践,英特尔组建了专业的技术团队,能够精准理解用户痛点,及时响应用户需求,帮助用户规避应用部署中的“雷点”,更高效解决应用问题,实现降本增效。
截至2021年,全球范围内来自各大云服务提供商 (CSP) 在英特尔® 至强® 可扩展处理器上运行的实例类型已超过 5万种,英特尔已经服务全球多个国家的企业用户,覆盖金融、制造、电信、医疗、互联网等行业。未来英特尔将持续引领云边协同方案的创新和实践,助力企业更好数字化转型。

(文章来源:36氪)


- END-


  ?
欢迎文末留言评论

欢迎行业投稿
欢迎各种爆料
Aming全天候在线
全球云观察为你开启新视野

欢迎点分享,点点赞,点在看
更多精彩内容,请参见 阅读原文
浏览 15
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报