智慧零售解決方案推動購物體驗轉型

今天是星期五晚上,朋友邀您到家中共進晚餐。您想帶一瓶上好的葡萄酒讓他們驚豔,但是可以選擇的酒有成千上百種。請試想,如果您走進葡萄酒專賣店,接著以虛擬方式前往生產您考慮購買那瓶 Cabernet 的葡萄園。您與葡萄酒商「見面」,結果發現這個品種搭配主菜剛好相得益彰。您對自己的選擇信心大增、購買了這瓶酒,然後上路,準備度過輕鬆悠閒的夜晚。

德國的某葡萄酒連鎖店,為顧客提供了這類店內體驗。Rotkäppchen-Mumm 創立於 1811 年,是德國最大的氣泡酒製造商,以 Ludwig von Kapff 這個品牌經營商店。

該公司的執行長目標明確:在德國打造最現代化的葡萄酒專賣店,以「無形的」技術讓購物的顧客踏上購物之旅。該公司採用智慧電子看板解決方案製造商 digimago GmbH 的 Digital Retail Media 解決方案,創造獨一無二的互動式購物體驗。

「葡萄酒專賣店業者雖然可以讓顧客品嚐一小杯酒,但是如果能夠為顧客展現釀酒廠呢?」digimago 執行長 Andre Bartscher 問道。「說故事是葡萄酒的精髓,也就是關於釀酒廠與製造商的故事。葡萄酒製造商的性格通常堅強又有趣。」

數位電子看板讓商店顧客產生親臨葡萄園的感覺

顧客在 Ludwig von Kapff 購物時,店內播放促銷活動內容的數位電子看板映入眼簾。即時數位電子看板會驅動輸出的資訊,為目標族群、當日時間和天氣條件挑選最佳產品。舉例來說,溫暖的夏夜可能會促銷清爽的 Sauvignon Blanc,而假日期間則會主打氣泡酒。數位電子看板也會與 POS 資料和零售分析資料同步。舉例來說,如果產品庫存不足或缺貨,就不會在螢幕打這項產品的廣告。

該解決方案採用近場物體辨識、RFID 標籤和隱形的感應器表面,打造互動式體驗。如果購物顧客需要某一款葡萄酒的更多資訊,將酒瓶放在螢幕附近即可。被動式促銷活動循環播放會自動改變,顯示特定葡萄酒的相關資訊,例如價格和品飲筆記。購物顧客點選觸控螢幕,即可進一步瞭解釀酒廠和製造商。此外,顧客將第二瓶和第三瓶酒放在螢幕附近,即可比較葡萄酒(圖 1)。另外,酒瓶放回貨架時,螢幕隨即自動恢復促銷活動內容循環播放。

葡萄酒專賣店展示葡萄酒瓶時,在數位電子看板一併呈現深入的資訊,改善了顧客在店內購物的體驗。
圖 1. 購物顧客將酒瓶放在自動顯示互動式內容的隱形感應器附近,即可進一步瞭解葡萄酒。(資料來源:Rotkäppchen Mumm Sektkellereien GmbH)

digimago Digital Retail Media 播放高品質圖像,過程需要高效能運算能力。該解決方案採用 Intel® 技術,包括處理器和 Intel® OpenVINO 工具組。

「互動式內容不僅是影片。」Bartscher 表示。「這是貨真價實的即時算繪,而 Intel 處理能力是實現這項目標的推手。」

Digimago 解決方案部署以來,不僅幫助 Ludwig von Kapff 提供優異的顧客體驗,更提高了銷售量。「訪客形容,氣氛非常吸引人。」Bartscher 表示。「這項技術有助於讓購物顧客與員工展開對話。它營造了良好的氛圍,讓顧客處於想品酒和購買葡萄酒的心情。」

除了提供軟硬體之外,digimago 還提供監測服務,讓零售商高枕無憂。如果發生技術或軟體問題,digimago 會收到通知。在某些情況下,甚至在客戶意識到發生問題之前,從遠端就可以解決這類情況。另外,這項技術還配備支援 AI 的預測性分析,在需要維護時發出警示,並且提醒哪些零件即將需要更換。

智慧技術帶動全通路零售業

Rotkäppchen-Mumm 採用的智慧零售解決方案,不僅成功吸引顧客,更成為該公司全通路策略的核心。若要提供全通路體驗,Bartscher 建議零售商,辨識哪個類型的內容,與店內外潛在顧客的相關性最高。

「哪些資訊可能影響顧客,讓他們購買您的產品?」他問道。「什麼樣的體驗,能夠讓顧客在您店內度過更愉快的時光?請先回想您既有的內容和數位素材類型。然後決定如何為不同的解析度和螢幕格式設計內容。」

為了實現這項目標,digimago 的算繪引擎可運用商品資料,以及公司網站和社群媒體頻道的內容,即時產生動畫與內容。

Bartscher 預測,數位電子看板技術日新月異,這項技術與零售分析資料的整合會更加緊密,並且持續側重以顧客為導向。

「研究發現,購物時,高達 70% 的選擇都是在銷售點完成。」他表示。「數位電子看板是影響顧客的絕佳管道。您可以捨棄靜態內容,改用吸引注意力的動畫視覺效果。訪客逗留時間越久,他們考慮的產品越多,購買的商品也越多。」

 

本文由 insight.tech 編輯副總監喬治妮.貝內施(Georganne Benesch)編輯。

無限貨架開啟了全通路零售業的大門

購買衣服時,實體商店無疑提供了優異的體驗。顧客可以感受布料、發掘新風格,並且在您離開商店之前,確定新服裝的尺碼正確無誤。然而,實體零售商卻無法像網路商店一樣,提供無窮無盡的選項和相關建議,並且受到店面坪數、庫存管理以及人力配置的限制。不過商店數位化技術卻可彌平這個差距,幫助零售商在無所不在的市場佔有一席之地。

智慧商店解決方案供應商 Ombori 的產品長 Oskar Jakobsson 表示,實體商店具有優勢。他表示:「實體商店歷史悠久,而電子商務則是後起之秀。」「我們發現全通路零售業正在挑戰極限,進一步邁向實體空間,但傳統商店則擁有品牌知名度,能夠進駐主要街道。如果他們做法正確,便能創造更高的價值。」

方法之一,是安裝配備 Ombori Grid 這類無限貨架技術的互動式零售自助服務機。這個解決方案滿足了購物顧客對種類的需求,可讓店內體驗更豐富,帶動轉換率。另外,對於將零售業視為多通路體驗的隨時連線世代,這個方案能讓讓他們互動。

Jakobsson 在加入 Ombori 之前,是全球服飾零售商 H&M 的創新部門主管,他表示:「如果想建立關聯性,就必須迎合所有通路的顧客。」「實體空間不能沒有連線能力,但過去一向如此。它必須加入全通路的行列。」

零售自助服務機讓店內體驗更豐富

Ombori Grid 與 Microsoft 合作,將多數現代顧客展開購物之旅的數位體驗,延伸至店內體驗,革新零售業。零售自助服務機解決方案,包含安裝於架子的觸控螢幕。條碼掃描器和 RFID 讀取器,讓客戶能夠存取產品資訊。Ombori Grid 平台載入「無限貨架」軟體,可自動增加存貨清單。另外,這套解決方案採用 Intel® NUC 小巧電腦,以無摩擦速度執行所有的物聯網邊緣元件(影片 1)。

影片 1. Ombori Grid 弭平了線上與實體零售之間的差距,為顧客創造了全通路體驗。(資料來源:Ombori

Ombori Grid 解決方案還整合顧客的行動電話號碼。Jakobsson 表示:「這很像螢幕與行動電話之間的互動。」「顧客可以從螢幕較大也比較吸引人的自助服務機開始操作。顧客掃描 QR 代碼,即可取得在無限貨架建立的購物籃。接著顧客可以用較為私密的行動電話,處理付款或尺寸和三圍的部分。」

此外,Ombori 與 Pathr.ai 合作,利用零售商現有的攝影機收集空間智慧的深入解析。這類整合可判斷顧客使用自助服務機之後的去向,協助商店分析 Ombori Grid 平台的效能。

全通路零售業化身為實體

Ombori Grid 透過種類更豐富的商品,以及可在線上開始,然後在商店內結束的無縫旅程,提高了轉換率。最近安裝這套解決方案的某大型亞洲零售商,就是一個例子。走進店內的顧客,即使商品缺貨,也能將商品宅配至家中,完成交易。零售商能夠突顯與顧客購物籃中商品相關的產品,擴大銷售額。這個解決方案還整合了 RFID,可偵測顧客走到自助服務機時拿在手上的產品。

例如,如果顧客拿了一條短褲,那麼解決方案就會為他們顯示 T 恤、運動鞋或其他夏季裝備,或是顯示其他顏色或風格的短褲。Jakobsson 表示:「滿足顧客的完整需求,而不僅僅是他們挑選的產品,有助於提高轉換率。」「商店得以銷售更多商品,顧客可以取得與他們相關產品的建議。無限貨架是知識豐富的加值型銷售人員。它能夠回答問題並建立關聯性,並且從顧客觀點提供協助。」

全通路零售業的未來

Ombori Grid 這類無限貨架技術與解決方案,協助零售商跟上瞬息萬變的零售業現況,例如轉向小坪數店面的趨勢。公司行號可節省租金,並且與社群建立關係。

Jakobsson 表示:「疫情過後,我們發現顧客雖然想重返商店,但由於他們在線上零售方面的經驗更為豐富,因此期待商店能有嶄新的面貌。」「商店必須更為在地化、量身打造,並且具有關聯性。無摩擦、以公司的承諾為基礎,並且帶動全方位銷售和體驗。」

科技正在線上與店內購物嶄露頭角,創造緊密整合的體驗。您準備好邁向數位與實體合而為一的零售業未來了嗎?

 

本文由 insight.tech 編輯副總監 Georganne Benesch 編輯。

智慧醫療解決方案:全新的長者照護模式

全球人口正在老化,醫療保健需要新思維。長者照護迫切需要改變,除了單純治療疾病以外,還必須更側重於改善長者的整體健康與福祉,提升他們的生活品質。

專為提高肌力,防止肌肉流失導致功能退化所設計的日常運動養生之道,可以有效實現這項目標。然而,這類計畫執行不易。計畫必須高度個人化,再配合監督,才能確保安全無虞,進度正常。

有時候,這意味著自主式運動例行性動作成效不彰,原因可能在於動作並非針對個人量身打造,也可能是因為運動時動作做得不正確。AI 支援智慧醫療解決方案製造商 Netown 的專案經理 Patricia Lin 表示:「我們聽過很多醫生為此感到氣餒。「雖然醫生為年長的患者準備了自己做的運動計畫,但是回診時,這些患者實際上卻變得更虛弱了。」

醫療照護提供者發現自己陷入了困境,因為在這個醫療人員短缺的時代,親自監督患者運動這種做法根本行不通。然而,近期物聯網和邊緣 AI 日新月異,解決這些難題的智慧運動解決方案應運而生。

物聯網和邊緣 AI 實現智慧醫療保健解決方案

智慧醫療解決方案不需要醫生、護理師或私人教練,即可有效協助長者運動。

乍看之下,這些解決方案或許看似普通的健身器材。舉例來說,Netown 的 Babybot Smart Exercise Series 這款健康自助服務機和資料控制中樞,實現了網路連線運動裝置,包含八種訓練不同肌肉群的重量訓練設備。雖然它們看似任何商業健身房的器材,但卻是針對減輕負荷與較溫和的運動所設計。

有了醫療保健領域的物聯網、邊緣 AI,以及當成使用者介面使用的互動式顯示器,智慧運動解決方案改變了個人化醫療與長者醫療保健的競爭態勢。

這套系統旨在提供個人化的體驗,以及協助個人資料追蹤。使用者用 RFID 卡或 QR 代碼這類唯一識別碼登入,並且會獲得容易照著做的教學課程影片,為他們示範如何運動。他們透過互動式介面獲得意見反應和鼓勵。

物聯網感應器會測量使用者施力的力道,以及他們動作的速度。邊緣 AI 利用這份資料計算出使用者的肌力。在第一個階段,這有助於設定基準線,打造個人化的訓練計畫。後續運動時,系統會自動即時調整運動的難度,增強力量。AI 還可判斷某人的動作不正確或不安全,視需要提供糾正和建議(影片 1)。

影片 1. 智慧醫療解決方案結合了物聯網、邊緣 AI,以及直覺式 UI,功效佳,使用容易。(資料來源:Netown

儘管外觀相似,但這些是技術先進的複雜解決方案。基於這個理由,Netown 與 Intel 的技術夥伴關係格外有價值。「Intel 處理器尤其適合邊緣 AI 與即時處理工作負載」,Lin 表示。Intel® OpenVINO 工具組也有幫助,因為既有的 AI 模型可以派上用場。我們只需要訓練及微調模型,這樣一來開發時間大幅縮短。」

力量增強,獨立性更高

智慧運動設備可讓老年人有效維持健康與活動能力,或者甚至是恢復失去的獨立性。Netown 與台灣某社區健身中心合作的經驗,就是這套設備實際運作的絕佳範例。

在這個案例中,某位嚴重喪失力量和活動能力的 85 歲男性,經過轉介來到了這家健身中心。

這類患者通常是適合密切監督物理治療的人選。然而,台灣的醫療照護系統負擔沉重,也是這個案例的一大難題,因為公立醫院和物理治療中心的工作人員長期承受了繁重的負荷。

由於 Netown 已經在健身中心部署了 Babybot 解決方案,因此患者直接在自家社區就能照著引導式的運動計畫做。他開始照著互動式 UI 提供的指示,定期使用智慧運動設備。他從遊戲化的激勵機制中獲得鼓勵:排名表可讓他比較自己與其他 Babybot 使用者的進度,為這項體驗增添了一點善意的競爭。

成效令人讚嘆。僅僅三個月後,這名男性的下肢力量增加了 76.5%。然而,這些數字固然不同凡響,但是卻無法充分傳達這個案例的人文元素。智慧醫療解決方案提供的簡單日常成果往往最有意義,Lin 表示:「長者日常生活能夠自理時,才是真正的獨立。這對長者和家屬來意義非凡。他能夠和孫子一起在公園散步時,孫子臉上充滿感激的表情,我永遠也不會忘記。」

人人都能享有更健康的未來

在未來數十年,智慧醫療解決方案的關聯性將越來越高。全球的老年人口數不斷增加,短期來說,這項技術有助於增強健康、獨立性與生活品質。

除了長者照護之外,其他醫學領域的使用案例也是前景可期。「這些解決方案對於復健這類長期治療格外實用。」Lin 表示。「未來醫生將能夠幫助患者在自己家中進行物理治療。」

智慧醫療解決方案對於社會的價值在於,方案如何幫助世人開拓對於健康與福祉的願景。未來,強健體魄和預防疾病的重要性,將會超越單純的疾病檢測與治療,而且所有年齡層的人都能更加獨立,更能自行掌控自己的醫療照護。

 

本文由 insight.tech 編輯副總監 Georganne Benesch 編輯

電腦視覺將人類行為轉換為可採取動作的資料

現今無論您去哪裡,似乎都有攝影機如影隨形。不管是在購物中心、地鐵站還是公共廣場,可能至少有一段時間會有攝影機對著你錄製影像。但這不僅是為了您的安全著想;從攝影機收集的資料有愈來愈多用於為您帶來更方便、更愉悅的生活體驗。

比方說,一個希望在尖峰時段緩解壅塞的運輸系統,可匿名收集月台上有多少人,或該段期間地鐵車廂有多擁擠的資料。透過使用機器視覺與 AI 影片分析的攝影機,運輸系統可以增加車廂數及調整時間表,根據資訊來採取行動,並採用確定性解析法,確認所做的改變能為顧客改善服務品質。

至於在工廠,製造商可收集與生產線工人步行模式有關的統計資料,瞭解點對點運輸可能需要多長時間,或單純協助他們在使用中的機器周圍避免發生危險。機器何時開關容易理解,但如何準確瞭解人類的生理行為,尤其是與人機互動相關的行為,難度就高得多了。這就是電腦視覺和 AI 可以發揮作用的地方。

雖然被監視可能令人毛骨悚然,但背後的立意良善。而且,運輸系統和製造商都無須知道你的身分。只要操作正確並符合資料隱私法,就能以永遠無法識別身分的方式收集資料,即使收集性別、年齡、穿戴配件的資料,組織也無須收集臉部特徵和行走步態等任何識別特徵。

為此,一家名為 C2RO 的 AI-SaaS 影片分析商為各行各業(從大眾運輸業到零售業,乃至於製造業)打造一個 AI 影片分析平台。

其平台 ENTERA 秉持遵循資料隱私而從頭打造,並善加利用組織現有的保全攝影機系統。在安全和隱私的邊緣環境中運行的軟體,專門用於影片分析。C2RO 執行長 Riccardo Badalone 表示,它需要的硬體投資極少(如果需要的話),以部署及產生高度準確和完全匿名的資料。

但真正讓 ENTERA 與眾不同,有別於其他平台的功能是:它能篩選出獨特的識別性個人資料,例如臉部特徵或走路的步態。因此,C2RO 完全符合客戶的要求:「告訴我們訪客的去向。我們不想知道他們的身分,只要告訴我們訪客去了哪些地方,」Badalone 解釋道。

「我們絕不擷取、收集、記錄或處理獨特的識別性資訊。我們不會使用任何人們走路步態或其他顯著生理特徵的資訊。系統產生的所有資料都明確不是來自訪客的臉部,因此顧客不必擔心個人資訊遭到保留、用於其他用途;完全沒有與個人資訊相關的何連結,」Badalone 表示。

如此一來,各組織便能針對使用者行為和流量模式來分析顧客的洞察,同時遵循歐洲「一般資料保護規則」(General Data Protection Regulation, GDPR)。

AI 影片分析顯示使用者行為

ENTERA 沒有記錄獨特的識別性資訊,而是提供人口統計的洞察。例如,購物商場或零售商店可能希望瞭解經過特定區域的人士年齡與性別,以便規劃針對性的促銷展示,以希望行經者的目光或將曝光率最大化。

ENTERA 的專利機器視覺技術可即時評估影像,產生完全匿名的中繼資料,用來在不依賴臉部影像或其他生物識別特徵的情況下確定流量模式和人口統計屬性。

假設有間購物中心想要進一步瞭解其客流量。ENTERA 的 AI 模型可以判別純粹路過的行人和真正進來購物的消費者所占的百分比,顧客傾向在特定區域待多長的時間,以及他們代表什麼人口族群。

「它特別強調與人口族群相關的流量模式,並可為任何各種行銷計畫進行 A/B 測試和效能追蹤,」Badalone 解釋道。「分析也擴及自助結帳系統和自助服務亭等技術的使用與互動。透過瞭解與目標計畫相關的客戶行為,企業可以設計更有效、更具針對性的廣告活動,為訪客提供更有趣、更具吸引力的體驗。這是雙贏的做法。」

如果製造商出於安全和生產力的原因,想瞭解生產線工人的整體移動,則可以使用進階視覺化工具,對完全匿名和彙總的流量模式進行視覺化和統計分析。長期收集的資料統計分佈往往會顯示人類現場評估無法捕捉到的發生事件。可以採取預防性或主動性措施,消除生產流程中不安全的工作模式或瓶頸。

「客戶常發現一旦取得具有一致性的可靠資料,他們的假設便會受到質疑。一旦他們相信資料準確,往往會採取影響力極高的行動,這會帶來巨大的收益,最終產生每個人所嚮往的投資報酬率,」Badalone 解釋道。

具有可擴充性和觸及性的客戶洞察

為了使這項技術更具吸引力,C2RO 確保平台能與現有的監控系統搭配使用,即使那些系統解析度低,又配備魚眼鏡頭的攝影機,也能合作無間。

「如果您要那些已在全球影片保全系統投注大量資金的客戶汰換所有的攝影機,改用價格更高的機型,那他們絕對不會採用您的技術,」Badalone 如是說。

Badalone 表示,產品一經推出,想在成百上千個網站使用它的客戶,就會開始要求向外擴展。C2RO 與 Intel® 密切合作,利用其晶片和 AI 工具組 OpenVINO 實現客戶嚮往的效能和功能。

「我們對 ENTERA 有這樣的願景:高度整合、威力強大,但對客戶來說也具有成本效益,」Badalone 表示。

Badalone 展望未來,表示 C2RO 希望平台完全由軟體定義,以便客戶根據需要增添功能,進一步簡化採用,並打造一個環境,讓資料分析團隊可以隨時隨地依據需求,滾動式地收集資料。

在 Badalone 設想的未來中,AI 訓練和系統配置將完全自動化。「在 AI 學習的情境中,我們希望完全抽象,無需人為干預,」他說。

最終,這個想法是為了賦予客戶靈活性,不但可以自由新增和移除功能,還可將平台在不同網站間移動,而無需現場安裝。他說這麼做會鼓勵客戶「更進一步依賴資料,因為他們總是能獲得很高的投資報酬率。」

 

本文由 insight.tech 編輯副總監 Christina Cardoza 編輯。

將數位數位孿生引進製造商工廠

想像一下,有一顆水晶球能告訴您未來某個專案能獲致成功,又或者會在過程中遭遇災難性的差錯。現在把這夥水晶球想像為鏡映影像。歡迎來到數位孿生的世界。

對於製造商和整個工廠環境來說,這個概念具有振奮人心的含義,最近也引起許多人的關注。CCS Insight 的營運長暨 IoT 研究負責人和 Intel 工業解決方案總監 Ricky Watts 為我們逐一話說從頭。究竟什麼是數位孿生?製造商使用這項新技術可能會面臨什麼挑戰?又會迎來哪些短期和長期的優勢?CCS Insight 也在一份白皮書中分享了這個主題的研究,現在可供 insight.tech 的讀者閱讀。

特別針對製造業來說,究竟是什麼數位孿生?

Martin Garner:我蠻喜歡 Digital Twin Consortium(以這些事物為中心的產業機構)的視角,即數位孿生是機器、工廠流程及其他在現實世界存在之事物的虛擬模型。實物和虛擬模型之間需要某種同步,這有可能是即時的,也可能要慢得多。您也必須瞭解正在同步之資料的品質,以及同步的頻率。一切聽起來似乎再簡單不過了,但實際上有很多層面的工作都在其中執行。

在製造業,您可以聯想在會議室牆上呈現 007 電影裡的圖表,所有操作都可一覽無遺地即時呈現。您可以在那裡分析流程、查看磨耗率,並進行預測性維護、流程模組化及最佳化。進行員工訓練的同時,您也不會讓人員在實體機器上鬆懈。數位孿生有一種用途是軟體測試和模擬,深得我的青睞。例如,您可以先在虛擬機器上進行軟體更新,接著驗證,確保它不會當機或中斷,然後將軟體下載至實物。

我們也開始思考數位孿生更宏大、更遼闊的願景。工廠處於極大的供應鏈中心,所以何不在整個供應鏈中設一個數位孿生?這甚至可能包括您向客戶供應的機器,以瞭解在那個級別的工作狀況。特斯拉就是這樣生產車輛。

Ricky Watts:容我補充說明,如果問我數位孿生為何存在,以及它在哪裡出現,我會說它和資料息息相關。隨著我們看到愈來愈多來自工廠的資料,我們必須在應用那筆資料前明智地瞭解其內容。在某種程度上,數位孿生是在資料匯出機器時,代表資料的一種方式:對資料進行某種評估,並在應用輸出或結果前善加瞭解資料。

這些新技術帶來哪些挑戰?

Ricky Watts:其中一項挑戰是製造商多半不諳 AI 和機器學習;在某種程度上,我們確實有技能落差。那麼,該如何在目前擁有的員工中推行呢?當然,另一項困難在於這些全是相對新穎的技術:您該如何相信資料?該如何應用?我認為這些也是 AI 和 ML 所面臨的一些挑戰。

還有代表大量工業足跡的中小型企業。因此,將規模納入解決方案至關重要,為汽車製造商擴充數位孿生,而非為幫汽車製造商生產螺絲的人擴充數位孿生。這是為了確保我們不只賦予製造商權力,也必須讓生態系統有能力到外面服務這些模型。

這些是我們在 Intel 努力的一些事項:如何簡化使用其中的某些技術,以及建立夥伴關係和生態系統,將其引進基礎結構。在幕後其實是很大的工程。

製造商可以如何成功採用數位孿生?

Martin Garner:在最完整的版本中,數位孿生可以是橫跨 OT 和 IT 的長期計劃。在這種情況下,這絕對不是應急的權宜之計。在當前的經濟環境下,有些公司可能會躊躇不前,不敢貿然踏進規模更大的長期計劃。但可以使用數位孿生可以實現短期收益。有些優秀的用途具有令人驚艷的回本時間;預測性維護和軟體測試是其中兩種關鍵用途。訣竅在於您有一個架構合宜的系統,具有充分的開放性,足以建立生態系統、插入其他機器,並朝著更完善的願景發展。

Ricky Watts:身為技術人員的我們,從中看出它無窮的潛力。但就月前來說,我認為最重要的是集中火力滿足製造商的需求。這些製造商非常在意他們的生存之道,畢竟未來幾年的財務環境應該相當艱困。這確實需要善加運籌帷幄:今天我做些什麼,能否在明天立竿見影,而非等到下週、下下週或者明年。

是的,預測性維護就是一個很好的例子。如果您有數位孿生代表機器的一部分,而該數位模型告知您的機器會發生故障,那麼您就可以在預測成真前進行修正。這麼做便能使工廠繼續運作。

所以,請把重點擺在可在短期增添價值的東西。這有兩個好處。其中,它能解決現今遭遇的問題。其二,它提供製造商自己展開學習的機會。它為您提供了因應短期挑戰的短期成果;此外,從長遠來看,它給予您權限,讓員工也能在那些環境中使用資料。事實上,隨著數位孿生的使用更為廣泛,這些短期機會可以在中期乃至於長期為我們帶來助益。

製造商需要具備哪些技術組合來完成這個過程?

Ricky Watts:您不可能像變魔術般一下子生出一堆資料科學家。那麼,您要怎麼將石油與天然氣工廠的流程控制工程師有效地變成資料科學家,而不必耗費十年的訓練?我們在背景中創造工具與功能,重新利用這位流程控制工程師的技能。也就是說:「利用您現在掌握的技能,向我回報現況。然後,我們會以非常簡化的方式將其套用在資料模型與數位孿生模型上。」

在某種意義上,我確實認為「技能」不可或缺:您如何安裝運算?又要如何照顧它?但千萬別捨棄這些流程控制工程師的優勢:他們對結果瞭若指掌。製造過程中如果出了問題,他們都一清二楚。我們可以將其轉化為置於數位孿生、我們的模型與 AI 之中的運算代碼,進而識別問題所在。

實施這項方法需要哪些工具和技術?

Martin Garner:人們覺得最大的難處之一是以某種方式組織及設定資料摘要,讓資料可以相容。不同的感應器與不同的機器以各種方式呈現資料,因為它們不需要相容。工廠的組成錯綜複雜。它們具有形形色色、各種不同的機器和技術:從連線能力一直到 AI,在技術堆疊各個層級的技術。因此,做範本的難度相當高。

這表示對於一個大型系統來,可能需要很大幅度的系統整合工作,才能真正取得價值。我認為您可以從難度低的小處著手,開始從中獲得價值,再漸漸向外拓展。但在你擴展規模的同時,它也會很快成為一個更大的專案。

Ricky Watts:我們正在努力的工作之一,是利用諸如 OPC UA 等通用語言,透過工廠標準創造統一性。這表示使用通用語言,讓機器互相溝通,因此至少在某種程度上,每台機器都能理解其他機器。

Martin Garner:精妙之處在於,它把煙囪式的、垂直的、專有的東西變成了水平平台的方法。如此一來,在製造商、供應鏈、不同部門等領域擴大規模將獲益匪淺。這是一種全方位的更佳舉措。

Intel® 扮演什麼角色,使數位孿生這個概念獲得成功?

Ricky Watts:除了打造卓越的運算平台,在網路邊緣運行這些東西之外,Intel 的強項也包括研究規模及建立標準。我們與工業夥伴合作,為創建聯盟、識別建立標準的方法打下根基。我們一直在石油與天然氣產業,以他們稱為 OPAF(開放式流程自動化論壇)的論壇為中心進行這項努力。

我們一直在研究運算平台,確定我們能引進製造商所需的技術。例如,它們需要在原子鐘上同步,以便平台上的資料與另一平台上資料的時間戳記同步。我們讓軟體生態系統使用這些功能,確保我們能以 Linux 作業系統、Windows、虛擬機器、Kubernetes 進行驗證:這些卓越的產品基本上都是軟體基礎結構層,可供我們執行應用程式。

相當然爾,我們會與終端使用者社群合作,以免生出科學怪人般的產物。

最後有什麼重點要再次強調?

Martin Garner:數位孿生的最大願景可能包括類似行星規模的氣象和地質系統,幫助我們進一步瞭解全球暖化這類的議題。但反觀現今有許多小型公司實在不知道該從何著手。因此,我們需要將流程簡化及增加價值,讓他們願意投資這個概念。

這表示專注短程成果:如何在下一季利用數位孿生節省開銷,如何讓數位孿生更方便購買及設置。願景是一回事,但我們必須拉攏大眾市場,畢竟他們同樣可能會使用數位孿生。我們不能捨近求遠,我們要兩者兼得。

Ricky Watts:Martin 說的完全正確。凡事簡單,從小處著手。我們的確有現成的解決方案,可供您展開數位孿生的旅程;您現今的問題也是我們極為關注的焦點。

相關內容

如要進一步瞭解製造業的數位孿生,請聆聽播客《數位製造營運的角色》(The Role of Digital Manufacturing Operations),以及閱讀 CCS Insight 針對這個主題的白皮書。如要進一步瞭解CCS Insight 與 Intel 的最新創新技術,請在 Twitter 上關注 @ccsinsight@Inteliot,以及在 LinkedIn 上關注 CCS-InsightIntel-Internet-of-Things

 

本文由Erin Noble編審

旨在解決駕駛短缺的自動卡車

美國貨運協會(AMA)去年報告指稱短缺 80,000 名司機,並預計到 2030 年將短缺 160,000 名司機,到達歷史新高。這對數字經濟來說是一個糟糕的指標,畢竟其支柱是能將商品從遠端零售商運送到遠端消費者。

但是,這個日益嚴重的問題該如何解決或有所進展?隨著人工智慧和自動化的最新發展,「技術」或許會是解答。

以自動卡車取代人類駕駛

近來我們主要在消費者環境中聽過自動駕駛或自動駕駛汽車,但這項功能如今也應用於卡車運輸業。

自動卡車所帶來的商業效益顯而易見。半自動駕駛不會停下來睡覺、跑去上廁所或度假。它能夠將 99% 的貨物運輸到目的地,進一步突顯社會對自動卡車/駕駛的需求。

然而,開發和人類駕駛一樣安全、甚至更為安全的自動駕駛卡車需要很高的成本。以實際美元計算,實現安全自動駕駛所需的先進感應器套件要價可能高達數萬美元。為確切的使用案例和部署環境量身訂製自動系統也有許多隱藏成本。這項工作大多來自於擷取大量資料並以AI 推斷演算法即時分析。

使用案例近乎零的延遲要求表示必須在本機上進行資料分析;如此一來,控制子系統便能即時整合來自 AI 感知堆疊的資訊,以採取行動。光是這些作業所涉及的資料和處理效能,就需要一個具有 GPU 加速硬體的成熟伺服器。

還有,別忘了,自動卡車是一個堅固耐用的移動環境,不一定具備溫度控制。

「您在車輛上尋找的狀態意識愈多,就需要愈多的感應器。因此,計算載入愈高,一般需要愈多的功率,」頂尖強固型運算硬體設計公司 Crystal Group 執行副總裁 Jim Shaw 表示。「而且,您可以想像那種硬體會帶來什麼散熱挑戰,因為難度真的很高。」

散熱管理:自動化的隱藏成本

舉例來說,TuSimple 是一家位於聖地亞哥的自動卡車公司,專門為長途半掛式卡車開發半自動駕駛感知堆疊。如要在 SAE 等級 4 自動駕駛成功操作(等級 4 代表能在完全沒有人工干預的情況下自動駕駛),它需要一個至少具備兩個 GPU 的車載式運算平台,以滿足即時資料處理的需求。在機械方面,系統必須管理處理器散發的熱氣,並能夠承受使用案例的固有衝擊力與震動。

為了滿足其運算和散熱需求,公司求助於 Crystal Group 及其解決方案,這是一款基於 COTS 元件的自訂強固型伺服器原型,旨在對設定檔進行散熱測試(圖 1)。AVC5904 搭載 2 個 Intel® Xeon® 可擴充處理器,配備 3 個 GPU 加速器和 384 GB 的 DDR4 記憶體,採用 19 吋機架式外型規格,可承受衝擊力、震動和高溫自動卡車的運輸環境。

旨在支援自動卡車之 Crystal Group 的 AVC5904 AI & Autonomy 解決方案圖像。
圖 1. AVC5904 AI & Autonomy 解決方案旨在滿足自動卡車運輸所需的資料處理、散熱管理、衝擊力與震動需求。(資料來源:Crystal Group

AVC5904 的 Intel® Xeon SP 處理一般系統管理、通訊及圖片的前置處理和後置處理,而 GPU 加速卡則負責平行處理影片、雷達、Lidar 點雲,和其它運算密集的工作負載。系統還支援 8 或 12 個可拆式 SSD 擴充插槽,為本機資料記錄提供 超過 1 TB 的車載儲存容量。

「Crystal Group 的一大優點是我們能夠根據您試圖解決的問題,而不是選用符合我們現有產品的問題來開發解決方案,」Shaw 表示。

在開發四款氣冷式 AVC5904 原型後,我們確定需要更高的效能擴充性,才能確保系統在未來不會遭到淘汰。例如,需要先進的散熱解決方案,以在西南部沙漠地區這樣嚴峻的環境中啟用自動卡車營運。

AVC5904 的商用版本增加了對第四個 GPU 卡槽的支援,以及用來管理同一個強固型底座多個 CPU 和 GPU 所產生之熱氣的液冷機制。

「如果 CPU 超過 150 W,GPU 超過 175 W,那麼就顯然處於危險境地,」Shaw 解釋道。「系統達到大約 1500 W 時,我們便開始真正擔心,只有液冷機制才能解除危機。」

「我們必須著手進行的是加工自己的水冷塊,並設計一款幫浦系統,置於電腦內不會外洩,並可為系統提供足夠的流速,以將熱氣排至散熱器和風扇系統,」他繼續。「我們非常努力地提出與設計冷卻塊相關的科學,讓您在 GPU 晶片和水衝擊的區域之間擁有一個非常薄的空間。」

辛苦獲得了回報。

保持冷卻的自動卡車

新一代 AVC5904 的即時資料分析可讓 TuSimple ADS 這類的自動駕駛系統在路上導航時每秒做出高達 20 個決策。而且不分日夜晴雨都能提供這樣的效能。

這款智慧卡車系統在去年底進行測試,當時一輛自動駕駛卡車成功完成了公共道路上的首次無人駕駛旅程。其中包括在鳳凰城與土桑之間長達 80 英哩、耗時 1 小時20 分鐘的旅程。

多虧 Crystal Group 的設計專長,它全程保持冷卻。

 

本文由 insight.tech 編輯副總監 Christina Cardoza 編輯。

以智慧能源服務降低成本並減少排放量

氣候學家擔心,近期發生在北緯的野火和熱浪,代表若是不快速對氣候變遷迅速採取強硬的應對措施,日後就有可能成為新常態。然而,從過去幾十年來的經驗看來,光是靠「環保」還不足以減緩全球暖化的腳步。這件事意味著,激勵能源生產者和消費者現在就有感的地方,也就是他們的錢包。

舉例來說,為佔全球電力消耗量的百分之 10,建立空調系統與風扇。因此,講求成本的能源相關人士,可能會希望著手在出現極端氣候的區域尋找機會。

SES 如何避免百分之 20 以及 1500 萬英里的排放量

建築物營運團隊必須設法降低高昂的能源費用,同時幫助管理階層以更永續發展的方式營運及維護設施。為此,許多團隊紛紛改採低資本支出計畫,例如 DOTS Tech Systems 這家專精於開發連線應用程式物聯網服務供應商的 Smart Energy Service (SES)。

現有的設施系統與設備,無論需求如何,一向都是手動操作。DOTS 團隊透過 SES 進行了詳細的調查,設計出在技術和經濟上最可行的解決方案。主要目標旨在將能源消耗方式最佳化,而且不能干擾營運、必須改善室內環境品質,並且讓居住者更舒適。DOT 採用最新的物聯網感應器、閘道,以及 SaaS 模式的企業級智慧能源服務雲端代管平台。

這套物聯網導向解決方案,是以訂閱服務的方式提供,嘉惠了許多以永續發展為首要訴求的客戶。DOTS 團隊已經在許多公司幾項享有盛譽的旗艦專案中,成功提供及實作了 SES,例如 DP World、Department of Public Works、Empost、HCT,以及中東各地。

以某客戶為例,DOTS 利用最佳的最後一哩連線通訊協定整合建築物系統,並且在設施執行 SES,以即時方式測量建築物的能源概況、記錄活動,並且讓服務訂閱者可取得能源維護與環境的數據。接著,這項資訊會在直覺式儀表板顯示,讓 DOTS 與客戶端的相關人員檢視即時與歷史效能趨勢,診斷效率不彰的原因(圖 1)。

DOTS Smart Energy Services 儀表板展示了某公司的捷徑能源概要。
圖 1. DOTS Smart Energy Services (SES) 提供直覺式的使用者儀表板,讓相關人員可以瀏覽即時能源使用資料與歷史趨勢,同時設法儘量降低成本及減少碳排放量。(資料來源:DOTS Tech Systems)

在那個例子當中,罪魁禍首是設施的空調設備,也就是逾 100,000 平方英尺建築物常見的大型蒸發冷卻系統,但如果管理不當,這個系統卻可能同時消耗大量能源,造成浪費。DOTS 團隊揪出問題癥結之後,與建築物營運團隊合作,利用 SES 分析執行各種節能措施(ECM),包括:

  • 執行 SES 自動效能偏差警示
  • 安裝 Chiller Plant Manager,實現以需求為基礎的自動營運方式
  • 淘汰 3 向 CHW 閥門,改用 2 向 CHW 閥門
  • 以指標點 DP 感應器在冷卻水泵安裝 VFD
  • 為照明安裝動作/佔用型感應器
  • 為停車場換氣扇運作安裝 CO 感應器
  • 以適當的設定值,從手動改為全自動作業
  • 各種設備/系統的作業時間表與夜間設定點回調模式
  • 智慧演算法導向的尖峰能源需求因應與作業最佳化
  • 對主要設備與系統進行持續性調適
  • 能源監測與目標鎖定
  • 訓練與認知時間,以及 CSR 調整時間

在執行這些變更之後的報告期,該設施每年節省了 8,415 百萬瓦小時(MWH)的能源,以及 5,470 噸的 CO2 排放量。這相當於建築物節省了百分之 20 的成本,以及消除了平均駕駛客車 14,549,329 英里產生的溫室氣體排放量。

在真實使用情境降低成本及減少碳排放量

雖然 SES 節省的成本以及減少的碳排放量很可觀,但透過資料導向條件維護管理支援加強設備正常運作時間的效益,同樣令人印象深刻。

SES 軟體在雲端執行,也在邊緣的 Intel® Next Unit of Computing (NUC) 10、11 或 12 小巧電腦執行。DOTS 在搭載 Intel® Core 的 NUC 部署多重通訊協定邊緣韌體,與設備感應器進行通訊,並且執行邊緣分析。凡是作業順序偏差,就會自動執行控制邏輯。另外,還會在 NUC 邊緣進行進階錯誤偵測與診斷,接著基於回報目的,將處理後的資料傳送至雲端。

此外,DOTS 有助於以競爭對手智慧能源系統一小部分的成本打造 SES,因為採用的是精簡的智慧設計。

DOTS Tech Systems 執行長 Dheeraj Singh 表示:「我們在邊緣使用的韌體,是一種多重通訊協定資料交換系統,因為我們的作業,不受建築物端找得到的任何系統品牌限制。」「我們在 NUC 部署或下載那個韌體,處理不同種類的驅動程式,以及必要的處理運算能力。」

Singh 繼續表示:「它是多重通訊協定資料交換層,負責將資料正規化。」「它有時是直接使用通訊協定的軟式整合,或者在有各種感應器資料時,它們會輪流與 NUC 通訊。接著,NUC 會與雲端通訊,由進階分析引擎處理這筆資料。」

DOTS 已搜集超過 3000 萬個資料點,會通知迴歸演算法,讓 SES 用於締造能源最佳化的結果。以這項分析為基礎的控制決定,會回傳至邊緣的 NUC,然後將那些命令連同與儲存於邊緣規則相關的任何其他命令,傳遞至終端。這些控制演算法是根據建築物的營運趨勢而自訂。另外,演算法也會從建築物的每個區域使用率擷取資料,為建築物實現需求導向的通風最佳化;這樣一來,建築物便能在尖峰能源需求情景中有效執行。

更聰明彈性的節能方式:並非異數

DOTS 的案例研究顯示,就環境與經濟而言,智慧能源皆可發揮超高效益。這個情形絕非異數。事實上,若是方向錯誤,則可能是異數。

「這是一項數位計畫,而且顯示為客戶締造了良好的成果。」Singh 表示。「如果他們支付 X,那麼發布這項計畫,便能將費用降低百分之 25 至 35 左右,端視建築物開始時的管理方式而定。是的,實施這項計畫雖然有成本,但是若不實施這項計畫,成本則更高。」

「那一類價值提案會直接影響獲利,並且在為環境盡一己之力時提供我們支援。」他補充道。

 

本文由 insight.tech 編輯副總監 Christina Cardoza 編輯。

親身體驗、試用 AI:透過 MindsDB 實現 ML 普及化

機器學習已成為資料管理策略不可或缺的一部分,尤其是現今從 IoT 裝置大量湧入的資料;但要篩選所有資訊可能有一定的難度。另一項挑戰是缺乏現有的機器學習(ML)專家。但是仍有企業致力推廣精密的 ML 模型,讓每個人都能更方便、更有效率地部署。

機器解決方案供應商 MindsDB 正是其中一家公司,而該公司的商業開發副總裁 Erik Bovee 希望鼓勵 ML 社群的成員馬上開始使用。他和我們談起採用 ML 的難題、學著相信模型,以及將機器學習帶入資料,而不是把資料帶入機器學習。

現今機器學習的採用情況如何?

資料的數量和複雜度正在飛速成長,遠超過人類分析。而且機器學習並不容易,因此尋找合適的人選很難。但如果講起市場的現狀,我們可以從幾個有趣的角度切入。首先,技術本身的狀況令人驚艷,光是過去 5 到 10 年間取得的進展就相當亮眼,而先進的機器學習模式可以解決難度極高的實際問題。看看使用 GPT-3 大型語言模型的 OpenAI 達到什麼成就,它現在能產生類似人類的文字。另外還有 Midjourney,只要輸入幾個關鍵字,它就能產生高度精密、令人屏息的藝術傑作。

不過,從實施的角度來看,我認為市場尚未從機器學習中大幅受益。即使是自動駕駛也差不多仍在試驗階段。讓這些功能適應消費者技術要走過一道過程,而過程中必須處理各種問題。其一就是信任。不只是:「這輛自動車可以把我平安送達目的地嗎?」也包括:「你要怎麼說服我相信這套模型精確無誤?我可以把自家企業的命運交給這套預測模型嗎?」因此,我認為這些是讓人們進一步廣泛實施機器學習的重要面向。

不過,有幾個產業的商業推廣進展很快,我認為它們是市場發展方向的良好指標。金融服務就是一個很好的例子,例如大型銀行、投資公司、避險基金。預測和演算法交易等業務優勢,對他們的利潤極其重要,而且他們擁有預算和以良好量化策略為中心的傳統招聘方法。但其中很多是在問題上投入資金,在內部解決 MLOp 的疑問,不一定適用範圍更廣的市場。

我也在工業使用案例中看到許多進展,尤其是在製造業。例如,取得大量高速感應器資料,並進行預測性維護:接下來會發生什麼事?這台伺服器何時會過熱?我認為那些產業、那些市場行為者,顯然正在迅速成熟。

推廣 AI 如何讓企業利害關係人獲得更多信任?

其中許多要從資料著手,即真正瞭解您的資料,確保沒有偏見存在。可解釋的 AI 在過去幾年成為一個很有意思的主題。若要讓企業決策者參與並準確瞭解模型如何運作,最有效的方法之一是提供與事實相反的解釋,也就是以微妙的方式變更資料,以獲得不一樣的決策。這會告訴您真正觸發決策或模型預測的原因,以及哪些欄位或功能不可或缺。 

除了技能集以外,機器學習還面臨了哪些挑戰?

我認為技能集這項挑戰會隨著時間消失。具有挑戰性的往往是一些簡單的事,一些在短期執行面進行的簡單操作。資料科學家工具集通常以 Python 為依據,而 Python 可說不太適合資料轉換。資料科學家通常會編寫這種訂製的 Python 程式碼,但資料表變更時,程式碼會怎麼樣?這全都仰賴工程師,隨著時間更新一切內容。那麼,該怎麼執行高效又可重複,並可隨著時間預測成本和經常性開支的任務?這正是我們要努力找到解方的。

我們的其中一個方法理論是讓機器學習更接近資料,並使用 SQL 等現成的工具,這些工具很適合資料轉換和操控資料。何不找個方法直接套用機器學習,比方連接您的資料庫,讓您可以使用現成的工具,而不必建立任何新型基礎結構?我認為這是一大難題。

這對資料科學家有何益處?

我們的目標之一是為資料科學家提供更多的工具組,並節省他們大量清理及操作任務的時間,讓他們真正專注核心機器學習。資料庫的資料白白放著不去使用是暴殄珍物,所以何不將機器學習模型帶進資料庫?而我們也不會浪費資料庫的資源;您只需將 MindsDB 連接到資料庫即可。我們從資料庫中讀取資料,接著將機器學習預測作為表格傳回資料庫,然後可以像您讀取其他任何您擁有的表格一樣讀取這些內容。沒有必要建立一個特別的 Python 應用程式或連接到另一種服務;它已經在那裡供您使用。它大幅減少了定製開發,長遠來看易於維護,您也能使用既有的工具。

和傳統的機器學習模型相比有何異同?

傳統的做法是使用現有的架構(例如 TensorFlow 或 PyTorch)編寫模型,一般會在 Python 中編寫。您會將它託管在某處。然後取得您想要套用的資料,也許是在一個資料湖,或者在 Snowflake 或 MongoDB。您編寫管道,以擷取該資料並將其轉換。您通常必須做一些清理的工作,然後執行資料轉換及編碼。模型會產出一些預測,然後您或許必須將那些資料輸送到另一個資料庫,或將其提供給正在做決策的應用程式。這是過去的做法。

反觀 MindsDB 則有兩大要素。其一是機器學習模型的核心套件,適用於不同的問題集。MindsDB 可以研究您的資料,然後決定並選擇哪種模型最適合採納。這個要素的另一種可能性是您自己帶走模型。如果有什麼是您特別中意的,您可以使用宣告式架構將它加進 MindsDB ML 核心。

MindsDB 的第二項要素是資料庫連接器:這個包裝函式以這些 ML 模型為中心,可連接至您所擁有的任何資料來源。它可以是串流代理程式,或資料湖,也可以是基於 SQL 的資料庫,而 MindsDB 會連接至該資料庫。接著,您可以使用原生查詢語言,告訴 MindsDB:「讀取此資料,並在這個檢視圖、這些表格或選取的資料中訓練一個預測工具。」

使用 MindsDB 有什麼優勢?

我認為必須清楚傳達這個概念:我們不是要取代任何人力。對於內部機器學習工程師或資料科學家來說,MindsDB 只是節省大量資料整頓、清理、轉換和編碼的工作。之後,這些專業人士可以真正把心力投注入核心模型,選取他們想要從中訓練的資料,然後建立最佳模型。因此,重點在於節省資料科學家的時間。

然後,從長遠來看,如果您是將它直接連接到資料庫,就不必費神維護大量的 ML 基礎結構。如果資料庫表格有所更動,只要變更一點 SQL 即可。您可以設定自己的重新訓練架構格式。如此一來,可為資料科學家節省大量時間並提供更豐富的工具集。這就是我們的目標。

您可以提供一些使用案例的範例嗎?

我們非常著重業務預測,通常是時間序列資料。想像一下,您擁有一個零售鏈,其中包含數千個 SKU:數百家零售商店成千上萬個產品 ID。也許某個 SKU 在威奇托賣得很好,但在底特律卻乏人問津。您如何能做出這種預測?這是一個有待解決的棘手問題,但也往往是業務預測一種很常見的資料集類型。

其中一種非常典型的使用案例是大型雲端服務供應商,我們為他們提供客戶轉換預測。它有一個慷慨的免費使用等級,我們能以極高的精確度告知誰有可能、又會在何時轉為付費使用等級。我們也和大型基礎結構公司合作,負責網路規劃、容量規劃。我們可以相當準確地預測網路流量的去向、哪裡流量大、哪裡流量小,以及公司需要在哪裡增加基礎結構。

我們最有意思的專案之一,也是我很感興趣的專案,是和一家大型電競經銷公司合作,為指導專業電玩遊戲的團隊建立預測工具。比方說,預測另一個團隊會怎麼實施內部分組比賽和內部訓練。或者針對《英雄聯盟》或《Dota 2》等多人線上戰鬥競技場遊戲的特定情況,什麼會是最佳戰術?這是一個很奇特的案例,但我保證它後勢看漲。

哪裡是企業展開機器學習的最佳去處?

超簡單:Cloud.mindsdb.com。我們有免費試用版,設定輕而易舉。無論您將資料存放在哪裡,只要插入 MindsDB,就可以開始運行預測:測試一下,瞭解如何運作。您可以立即試用,親身體驗。也可以加入我們的社群。我們在 MindsDB.com 提供一條連結,連到我們在 Slack 的社群和 GitHub,成員參與非常踴躍,您可以在那裡尋找支援和秘訣。

你們如何與 Intel® 合作,以及這個合作夥伴關係有何價值?

Intel 一直在多個方面大力支援。不用說也知道,它有一個卓越的硬體平台,我們也實施了他們的 OpenVINO 架構。我們以這種方式取得亮眼的效能提升。此外,Intel 也提供大量的技術,以及進入市場的機會。

最後有沒有什麼想法或關鍵重點是您要強調的?

親身體驗一下吧。MindsDB 其實蠻好玩的,這是我的個人感想。如果您決定試用、親身體驗,歡迎在我們的 Slack 社群留下意見回饋。我們一直都在努力改良產品,希望新人加入社群。

相關內容

如要進一步瞭解 AI 普及化,請收聽播客:與 MindsDB 一同簡化機器學習。 有關 MindsDB 的最新創新技術,請上Twitter @MindsDBLinkedIn 關注。

 

本文由Erin Noble編審

Open RAN 超融合為更多 IoT 裝置注入活力

雖然分析家和研究人員自物聯網出現以來一直寄予厚望,但採用和成長的速度並沒有預期中快。舉例來說,2010 年研究人員預測到 2020年,將有 500 億台裝置連接到網際網路Cisco 在2011年也抱持同樣的看法然而,據報截至去年年底,實際上只有 122 億個作用中的端點

這麼崇高的目標未能達到其實不足為奇。畢竟,如果沒有一個以超融合邊緣基礎架構為中心進行協調的全產業投入,我們又怎能奢望達到這樣的數字?

超融合基礎架構係指基於商品運算、儲存裝置、具網路功能的硬體和運行的虛擬化工作負載的軟體定義平台。這個概念最初旨在降低資料中心的系統成本和複雜程度,但其靈活的軟體和通用的硬體結合,使超融合變得很適合 IoT 使用案例中出了名的變化多端的資料擷取、分析和傳輸要求。

儘管如此,在在開發及部署超融合基礎架構解決方案以支援邊緣 IoT 方面,業界並沒有齊心協力。

IoT 如何讓標準緊急喊卡

超融合邊緣基礎架構不足,並不是因為沒人願意嘗試。嘗試將端對端架構標準化的 IoT 首創計劃數目比您想像得多。只可惜都功敗垂成。

一直以來,挑戰都在於將 IoT 邊緣與資料中心納入整合性的一體。資料中心主要由同質的、以IP為中心的通訊基礎架構組成,而邊緣則是建立在各種嵌入式技術和連接上,用於特定應用程式的感應與控制。為了實現超融合的益處,整個網路必須重新設計,支援這兩個領域的協定、延遲與資源限制。

自從針對邊緣、雲端或兩者的 IoT 標準化工作的第一波浪潮開始,更新的標準已開始處理它們之間的界線。例如,開放式無線接取網路(Open RAN)技術可以建立在互通 COTS 伺服器硬體上運行的智慧、虛擬化 RAN。

即使是 IoT 的死忠鐵粉也可能對 Open RAN 技術不熟悉,因為它是由希望降低成本及加速部署 5G 基地台的行動網路營運商所領頭。不過,IoT 的擁護者應該要漸漸熟悉 Open RAN,因為它有潛力可以無縫連接邊緣和雲端。

Open RAN 硬體、靈活的軟體整合邊緣與雲端

Open RAN 並非專門、專屬的基頻和無線電元件,而是在具有開放介面的硬體上運行軟體定義的無線電(SDR)和虛擬網路功能(VNF)。由於硬體和網路控制及路由任務分開了,模組化 Open RAN 軟體便可以在多個廠商提供的伺服器平台上託管。接著,整套堆疊可以部署在分解、分佈式的 5G 架構中。

將網路管理提取至軟體,可讓營運商適應即時流量需求和支援功能,例如提供 #IoT 使用案例所需之不同服務品質(QoS)的網路切片。

提取也將基礎的伺服器硬體轉換為分解的運算和儲存資源池,這些資源可在同一個實體基礎架構上託管除 RAN 功能之外的其他工作負載。這表示公共或私人 IoT 網路可在全方位、整合性的無線邊緣接取設備中整合軟體定義的技術,例如多協定標籤交換(MPLS)、SD-WAN 和安全存取服務邊緣(SASE)服務,以及邊緣運算。

「談到 SD-WAN,您擁有的是 SASE,您擁有的是 Open RAN。其中很多功能都是可重複使用的資產,」IT 技術公司Supermicro 的 5G 和邊緣 AI 資深總監 Jeff Sharpe 表示。 「與其在邊緣放置 20 個系統,我何不放置 5 個或 4 個,甚至 1 個系統,來完成這些額外系統的功能?這正是我們優秀的工程人才正在打造的裝備類型,即更多工作負載、更高輸送量、更高可用性(HA)和 NEBS 合規性。不僅適用於電信業者,也適用於 IoT 產業,包括智慧城市、交通運輸,乃至於製造業。他們全都在尋找這些重資產。」

Supermicro SuperEdge 伺服器產品組合旨在將 3 個搭載 Intel® Xeon® D 可擴充處理器的節點整合在一個淺深度(16.9²)、2U 機架式外型規格中,以適應高密度、超融合的邊緣網路。Xeons 為每個可熱插拔的節點帶來多達 32 個節能 CPU 核心,和應用程式最佳化的伺服器相比,可提供高達 50 % 的運算密度(影片 1)。

影片 1。Super Micro SuperEdge 多節點伺服器將 3 個 Intel® Xeon® D 處理器節點封裝在一個淺深度、2U 機架上,密度比其他伺服器高出 50 % 。(資料來源:Super Micro Computer, Inc.

可透過每個節點上可用的三個 PCIe 4.0 插槽添加 GPU、VPU 或加速卡,以擴展此效能。SuperEdge 多節點也可搭配 OpenVINO 工具組的 Intel® Distribution,以最佳化在邊緣運行的電腦視覺工作負載上的視覺推斷。

超融合 IoT 解決方案將令人刮目相看

Open RAN 架構雖然不是作為 IoT 技術開發,卻已蓄勢待發,可成功擴展比以往任何 IoT 標準化工作更多的 IoT 部署。

SuperEdge 多節點伺服器產品組合已進入 Open RAN 社群,而其他 Super Micro 客戶正將其在內部部署,用於高端 SD-WAN、SASE 和工業邊緣推斷。然而,Open RAN 真正的價值在於它能夠將這些模組化軟體工作負載結合到像 SuperEdge 這樣的單一開放式介面伺服器上,進而處理所有的 IoT 和網路使用案例。

「它可以放置在電信網路中,以補充 Open RAN 和多接取邊緣運算(MEC)的功能,或移至諸如私人 5G 等工業應用程式的邊緣,因為多個節點加強了在單一系統上分離核心與 RAN 功能以及實際服務的能力,」Sharpe 解釋道。「因此,他們正在研究更多運算功率。其次,採用相當小巧的外型規格。第三項考量是我該如何發展平台?」

為了滿足可擴充性的需求,Super Micro 將在不久的未來在四節點的 SKU 加入 SuperEdge 多節點產品組合。

「市場告訴我們,邊緣需要超融合,」他補充說明。

如需 SuperEdge 產品的更多資訊,請造訪 supermicro.com/superedgeSuper Micro IoT SuperServer

 

本文由 insight.tech 編輯副總監 Christina Cardoza 編輯。

AI 投入醫療保健的未來已經來臨

過去幾年,醫療保健產業經歷了重大轉變。遠距醫療預約已經獲得主流採用,越來越多患者從家中就能獲得需要的照護。遠端患者監控也日新月異,醫生得以深入解析患者的資料。

對於患者和醫療保健提供者期待由遠端照護支援的創新服務和解決方案,這才剛起步而已。

突破辦公室和螢幕侷限的醫療保健

全球大流行爆發之前,遠距醫療僅佔遠端交流的 5%。可擴充虛擬照護解決方案供應商 ViTel Net 的策略長 Richard Bakalar 醫師指出,今天這個數字高達 80%。

那些數字向 Bakalar 透露出的訊息就是,許多提供者現有的技術、訓練或支援基礎架構不足,無法成功部署遠距醫療解決方案。因此,ViTel Net 決定設計的解決方案,不僅要能讓醫院和診所採用遠距醫療,還要能夠將遠距醫療整合至整個系統。ViTel Net 並非將服務拼湊在一起,而是建立連線獨立系統,並且簡化資料庫和工作流程的平台。

該公司利用自家的雲端型 vCareCommand 模型平台,以及採用 Intel® 處理器的高運算解決方案堆疊,成功與現有的資訊系統整合,並且將全部必要的患者資料收集到同一個地方,實現照護的連續性。

AI 和 CV 改善醫療診斷

若能將所有適當的資料都集中在正確的地方,提供者便能精確治療患者。人工智慧和電腦視覺越來越進步,照護提供者也可在診斷時獲得更多支援。

正如您所想像,存取所有類型的患者資料耗時又費力,醫生必須仔細檢查並且偵測異常情況。若善用 AI 和電腦視覺,系統便能自動指出任何問題,加速診斷。

Aireen 這類 AI 型篩選醫療裝置供應商,甚至更進一步採用 Intel® 發行版 OpenVINO 工具組等解決方案,提供早期診斷和治療的選項。

舉例來説,Aireen 目前正在協助醫生和驗光師篩選患者視網膜影像,強化醫療診斷。該公司解決方案的訓練過程,動用超過 150 萬張眼底攝影機影像,在分析視網膜影像時的敏感度達到百分之 99。

另一個例子則是網路硬體和邊緣伺服器製造商 AEWIN Technologies Co., Ltd.。該公司利用 OpenVINO 分析患者的低劑量電腦斷層掃描影像,提高篩選效率。這個方法有助於早期偵測疑似的疾病,例如癌症,讓患者儘快接受診斷和治療。

這些進展並不是為了以任何方式取代醫療專業知識。這些進展的設計,反而是為了輔助醫療專業知識,讓開業醫生有時間制定更完善的治療計畫。

AI 解決了醫療人員配置的問題

Aireen 和其他公司的解決方案之所以需求越來越高,部分原因在於全球醫療工作者短缺。目前有限的醫療照護人員負擔過重,而患者去看醫生時,辦公室通常是人滿為患,而且候診時間也長,他們的不滿可想而知。

透過提供 AI 支援的自助服務機,患者候診時間得以縮短,員工的壓力得以免除,科技能夠減輕醫療工作者的負擔。

舉例來說,IoMT 技術解決方案供應商 Imedtac 開發的Smart Vitals Sign Station,是測量生命徵象的替代方案。一直以來,患者在看醫生之前,護理師會先來幫他們量生命徵象。然而,透過 Imedtac,自助服務機能夠測量患者的身高、體重、體溫、心律和血壓,這樣一來,員工不僅能專注於更重要的事務,還可防止人工錯誤發生。解決方案能夠提供可靠精確服務的關鍵在於 Intel 處理器。

醫療保健的未來

技術日新月異,提供者和患者也越來越習慣使用技術,技術使用案例暴增的情況指日可待。

嵌入式電腦模組的主要供應商 congatec AG,透過讓機器人執行縫合傷口這類自動化工作,已經將 AI 導入了全新領域,例如開刀房。

無論是改善作業、診斷和治療計畫,還是為農村地區患者提供更妥善的照護,醫療保健未來的機會幾乎是無窮無盡。

您不妨參考 Intel Edge AI Certification Program,或是參加 30-Day Dev Challenge,瞭解如何加入改變的行列。

 

本文由 insight.tech 編輯副總監 Georganne Benesch 編輯