Siemens Melaksanakan Edge AI di 10,000 Kilang, Mengurangkan Masa Henti Sehingga 50%

Siemens telah melaksanakan pemantauan edge-AI di 10,000 kilang, mengurangkan masa henti (downtime) peralatan sebanyak sehingga 50%, manakala traktor pengesan rumpai baharu John Deere mengurangkan penggunaan racun perosak sehingga 80% di ladang yang mempunyai sambungan internet yang tidak stabil. Peralihan daripada inferens berpusatkan awan kepada pemprosesan pada peranti sedang mengubah visi "kecerdasan luar talian" yang telah lama dijanjikan kepada keuntungan dunia nyata dari segi kelajuan, privasi dan kebolehpercayaan.

Mengapa peralihan ke arah edge amat penting sekarang

Sepanjang sebahagian besar dekad yang lalu, beban kerja kecerdasan buatan berada di pusat data yang jauh. Penderia atau telefon pintar menghantar data mentah ke awan, menunggu model dijalankan, dan kemudian menerima maklum balas. Perjalanan dua hala tersebut menambah saat-saat kependaman (latency), menggunakan jalur lebar dan mendedahkan input mentah kepada rangkaian luaran.

Edge AI mengubah model tersebut secara drastik: algoritma pembelajaran mesin yang sama dijalankan pada peranti yang mengumpul data tersebut. Cip moden daripada Apple, Qualcomm dan Google menyertakan pecut AI (AI accelerators) khusus yang boleh memproses rangkaian neural yang besar dalam masa milisaat sambil menjimatkan tenaga. Hasilnya ialah satu seni bina di mana robot kilang, traktor atau telefon boleh bertindak serta-merta, menyimpan data secara tempatan dan terus berfungsi walaupun sambungan internet terputus.

IoT Industri mendapat lonjakan produktiviti

Kilang-kilang telah lama menggunakan Internet Pelbagai Benda Industri (IIoT) untuk mengumpul bacaan getaran, suhu dan tekanan. Sehingga kini, kebanyakan analisis berlaku di awan, yang bermaksud terdapat lengah masa antara anomali dan tindakan pembetulan. Platform edge-AI Siemens memproses aliran data tersebut di lokasi, menandakan galas (bearing) yang bakal rosak secara masa nyata.

• Pengurangan masa henti: Pengguna awal melaporkan pengurangan sehingga 50% dalam penutupan operasi yang tidak dirancang.
• Pengecilan jalur lebar: Dengan menapis data penderia mentah secara tempatan, sistem ini mengurangkan trafik hulu (upstream) sebanyak kira-kira 95%.

Hasil segera yang diperoleh ialah output yang lebih tinggi dan kos penyelenggaraan yang lebih rendah. Kilang yang kekal beroperasi semasa gangguan rangkaian mendapat kelebihan daya saing, terutamanya di wilayah di mana kebolehpercayaan jalur lebar masih ketinggalan.

Pertanian menemui jenis ketepatan baharu

Di ladang biasa, liputan selular mungkin tidak stabil, dan menyembur seluruh ladang dengan herbisida adalah membazir serta memudaratkan alam sekitar. Traktor John Deere kini dilengkapi dengan modul visi edge-AI yang mengimbas barisan tanaman, mengenal pasti rumpai pada tahap daun dan mengaktifkan muncung semburan bersasaran hanya apabila perlu.

• Pengurangan bahan kimia: Ujian lapangan menunjukkan penurunan penggunaan racun perosak sehingga 80%.
• Operasi luar talian: Penderia memantau kelembapan tanah dan tahap nutrien tanpa memerlukan sambungan awan yang berterusan, membolehkan keputusan dibuat walaupun di ladang yang terpencil.

Selain penjimatan kos, pengurangan jejak kimia selaras dengan permintaan pengguna yang semakin meningkat terhadap hasil pertanian mampan dan membantu penanam memenuhi peraturan alam sekitar yang lebih ketat.

Peranti pengguna turut mengikut jejak

Telefon pintar sudah pun menunjukkan trend edge ini. Peranti terbaharu Apple menggunakan pendekatan hibrid, menggunakan AI tempatan untuk tugas yang pantas dan peribadi, manakala awan hanya digunakan untuk penaakulan yang berat.

Cabaran yang menghalang edge daripada menjadi universal

• Saiz model: Rangkaian neural tercanggih boleh memakan ruang beratus-ratus megabait, satu cabaran bagi peranti dengan storan kilat (flash storage) yang terhad. Jurutera melakukan pemangkasan (pruning) atau kuantisasi model, yang kadangkala mengorbankan ketepatan.
• Keselamatan fizikal: Peranti di kilang atau traktor boleh diakses dengan lebih mudah berbanding rak pusat data, sekali gus meningkatkan risiko usikan atau kecurian model.
• Logistik kemas kini: Menghantar versi AI baharu kepada berjuta-juta unit luar talian memerlukan mekanisme "over-the-air" yang teguh, namun banyak tapak industri kekurangan jalur lebar hulu (uplink) yang boleh dipercayai.

Kekangan ini bermakna edge AI masih melengkapi perkhidmatan awan dan bukannya menggantikannya dalam banyak senario.

Pembelajaran bersekutu (Federated learning): sempadan seterusnya

Satu teknik yang sedang muncul mengekalkan data secara tempatan sambil tetap menambah baik model secara global. Dalam pembelajaran bersekutu, setiap peranti melatih salinan model menggunakan datanya sendiri, kemudian hanya berkongsi kemas kini pemberat (weight updates) yang terkumpul—bukan input mentah—dengan pelayan pusat. Pelayan tersebut mencampurkan sumbangan tersebut ke dalam model global baharu yang kemudiannya diagihkan semula kepada peranti-peranti tersebut.

Jika diterima pakai secara meluas, pembelajaran bersekutu boleh memperkukuh jaminan privasi, mengurangkan keperluan penghantaran data mentah dan mempercepatkan penambahbaikan model edge dalam persekitaran yang terlalu heterogen untuk penyelesaian awan yang bersifat "satu saiz untuk semua".

Apa yang perlu diperhatikan pada tahun akan datang

• Pelancaran cip: Pelancaran cip dijangka daripada vendor silikon utama.

Momentum di sebalik Edge AI bukanlah sekadar kitaran publisiti yang bersifat sementara. Ia merupakan tindak balas pragmatik terhadap tekanan kos, kependaman, dan privasi yang tidak sentiasa dapat dipenuhi oleh inferens berasaskan awan sahaja. Siemens dan John Deere adalah contoh awal yang jelas kelihatan, namun peralihan asas ini akan memberi kesan kepada mana-mana sektor yang bergantung kepada data penderia masa nyata.

Rumusan: Apabila kecerdasan beroperasi di mana data berada—sama ada di lantai kilang, di ladang, atau di dalam poket—hasilnya adalah keputusan yang lebih pantas, kos operasi yang lebih rendah, dan kawalan privasi yang lebih ketat. Gelombang AI seterusnya tidak akan dinilai berdasarkan saiz storan awan, sebaliknya berdasarkan sejauh mana keberkesanan peranti untuk berfikir sendiri.