特別是在機械工程領域，用戶推出的很多工業 4.0 方案都要依賴于在設備層進行的數據分析。控制系統及邊緣設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線上的數據。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？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 算法集成到本地應用（即控制系統或邊緣設備）的理由是什么？它與基于云的解決方案相比有什么優勢嗎？數據安全又起著什么樣的重要作用？

Josef Papenfort 博士：是否應該執行 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 算法依賴于大數據，此時，重要的是將在訓練過程最初僅需使用一次的數據與在推理模式下預測性運行的訓練網絡中一直需要使用的數據區分開來。若要在云端中進行機器學習和推理，就必須具有足夠高的數據傳輸速率。對于基于云的系統，這樣做的成本可能不菲，而且如果可用的網絡帶寬不足，這樣做可能會導致功能受限。另一方面，在邊緣設備上運行推理需要一次性投入硬件，然后才能通過本地網絡高速共享數據。相反，學習過程可以在云端進行：數據只需上傳一次，因為這個過程是有限的，不是連續的。當然，學習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，按現收現付模式計費的云資源就非常適用。

德國倍福 TwinCAT 產品經理 Josef Papenfort 博士

Elektro Automation：控制系統往往需要硬實時系統，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 算法實現或支持的應用。這類算法顯然依賴于從實時進程接收到的數據，即從實時域移動到非實時域的數據流。問題的核心是非實時算法是否需要相應地干預實時進程。例如，如果將 AI 算法用來在預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，在這樣的應用中，不需要直接干預實時進程。但是，在閉環優化方案中，AI 算法需要不斷地將結果反饋給實時進程。

Elektro Automation：哪些類型的應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，取決于邊緣設備是否具備在合適的時間范圍內處理深度神經網絡計算的能力。但如果使用的是基于 PC 的控制系統，則可以根據具體的應用需求對硬件進行擴展。

Elektro Automation：您認為，是否有些應用場景（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，將學習階段和推理模式區分開來也很重要。學習過程首先基于一組數據，如果給定的站點自身生成的機器學習數據不足，則可以將來自多個站點但執行相同進程的數據進行合并，構建一個合適的數據庫，此時，云會提供一個合適的合并數據的方法。云還可以提供在規定的時間內啟動學習過程所需的算力。正如我前面提到的，是否應該在云中進行推理取決于既定應用、等待時間和數據傳輸速率。

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