數位油田：一家公司如何大幅提升效率

Posted on by Pete Berta

油氣產業正面臨數位海嘯波及。將遠方的設備連線物聯網(IoT) 後，採掘公司也獲得新的機會能夠改善效率、提升產量並降低成本。

這正是技術進化的黃金時機。從價格波動到政治環境的異變，各種市場變遷迫使業者著手最佳化設備、管線和人員。然而即使面對這些壓力，仍僅有 25% 的業者自認已妥善準備迎接數位化能源的時代。反之，許多公司仍持續依賴老舊技術。

「確保油氣流通之後，企業常回歸可謂是傳統型態的生產流程以確保達到生產目標，安排行程讓操作員定期到現場檢查設備，做必要的調整。」Pixel Velocity 商務開發主任 Steve Fleischmann 說道。

而結果就是操作員可能無法在正確的時間，於正確的地點擁有正確的工具。原本可避免的設備故障，就這麼侵蝕著業者的利潤。一份近期研究發現，意外停機時間增加僅 1%，就可能造成每年 540 萬美元的損失。

而現場作業的不透明度更將問題複雜化，讓技師花費太多時間往返不同現場維護設備、解決問題和確保管線暢通。

數位油田

例如一家位於美國德州的油氣公司，擁有逾 700 處油井和 100 名現場操作員。該公司現行工作程序要求操作員排程每天檢查每一個油井。實際檢查通常僅需 5 至 10 分鐘即可完成，但是駕車前往每個現場的時間卻從數分鐘至數小時不等。顯然，這種低效率的做法難以維持，也難以擴大。

該公司營運團隊部署 Pixel Velocity 以 Dell 技術驅動的遠端資產監控解決方案後，操作團隊就能夠迅速辨識並確認各種機械及操作程序的異常。這讓操作員在抵達現場之前即可預先獲得寶貴的現場資訊。改善營運流程後，現場操作員即得以專注於基於條件篩選之更高價值的工作。

該公司的現場檢查成本每日每處降低 50 至 75 美元。導入新的最佳化營運程序之後，該公司計畫未來將擴大經營至超過 3,000 處油井，而不必增添現場操作員人數。

視覺化呈現更高營運效率

這只是物聯網實現數位油田的其中一種方法。智慧型油田和油井還能整合感測器及監視系統的資料，打造「虛擬視察」功能，讓遠端技師無需離開辦公桌就能檢查各處運作。

虛擬視察不僅能大幅減少每日造訪現場的必要，更能減少疏失、提升人員安全。而且具備高度專業技術的遠端操作員還能夠即時存取當前與過去的狀況。

部署這些新技術後，企業即可更有效管理產線、最佳化操作員生產力、增進員工安全，並且改善整體安全性。這代表大規模提升營運績效，確實提供更高利潤。

例如 Pixel 的 Event Velocity 平台。這是一套端對端解決方案，整合可視光及紅外線監視器、麥克風、工業控制系統和其他感測器的資料至單一環境，將遠端運用資產狀況視覺化呈現，並提供即時的條件式警報。

Event Velocity 的核心是一組讓業者將產線數位化的工具。這些工具不僅讓操作員遠端作業，更能針對觀察對象擷取可共用的高品質資料。

結合所有功能，即可利用虛擬視察、事件導向監控和智慧工作流程，搭配整合式資料資源與邊緣分析，實現動態的路線最佳化。這一切都讓公司在管理全資產的複雜運作之間能獲得更高效率，如圖 1 所示。

圖 1. Event Velocity 提供虛擬視察、動態路線最佳化及智慧工作流程等工具。

虛擬視察整合多重媒體串流、分析與操作員動作，提供現場資產的隨選式事件導向視覺畫面。此功能可最小化通勤時間，讓操作員專注於高階的作業，將實際造訪現場的成本減少超過 80%。

「虛擬視察有助於從例行查訪轉型為條件式到場。中央操作員能夠獲得持續更新的資料，而不必依賴例行查訪現場的回報，同時也排除工安危險、通車時間和機會成本。」Fleischmann 說道。「我們相信這是把營運形態轉變為更高效率形式的好方法，獲得更優質的資料和更好的商業成效。」

動態路線最佳化則從路線規劃工具開始，能夠處理現場資產狀況和地點，讓操作員優先造訪最需要人員之處。此工具讓主管可規劃路線、提升工安、最佳化資源並削減成本。

系統操作員可根據現場背景資料實際採取行動。例如，當 SCADA 資料呈現設備動作異常時，可能代表壓力升高或溫度降低。此時就需要人員到場進一步確認狀況。

「有了條件式異常或事件導向的系統，中央操作員就能夠專心處理特定的設備、現場區域或油井地點。Event Velocity 系統也能調閱監視器畫面和整合式即時數據來確認特定軸承過熱。」Dell EMC 連線數位操作解決方案經理 Chris Lenzsch 表示。「他們按一下音訊，就可以確認到軸承的確發出異音。現在他們知道問題之後，就可以讓正確的人員帶著正確的資訊和設備前往現場，迅速排除問題。」

智慧工作流程能將現場作業與企業系統資料互相連結，促進預測分析並改善商業智慧。此功能可幫助現場及遠端團隊建立現場作業的背景資訊，為資產提供全面的操作員經驗與專業知識。讓操作連結商業智慧可節省時間與資源。

數位操作軟體：工業級硬體

Pixel Velocity 是 Dell 物聯網解決方案合作夥伴計畫的成員。堅固耐用的工業級 Dell Edge Gateway 與 Dell EMC 資料中心和雲端解決方案全都以 Intel® 處理器為基礎，組成了 Event Velocity 軟體所仰賴的高效能硬體平台，如圖 2 所示。

圖 2. Event Velocity 使用的 Dell 硬體搭載 Intel® 技術。

此平台能夠執行本地端資料擷取和分析，進而最小化昂貴的連線頻寬並降低整體解決方案延遲。

「我們和 Dell 與 Intel® 合作，因為這是一套邊緣運算平台，處理資料時不對回程網路造成負擔。」Fleischmann 表示。「大多數偏遠地區都有網路連線上的限制。如果沒有邊緣數據擷取解決方案，就無法確保持續性，也無法獲得優勢。」

如今，頁岩油產豐富的地區正快速開發，例如美國德州西部的二疊紀盆地即是全球產量最高的地區之一；急速的擴張之下，企業將會需要像 Event Velocity 這種解決方案的支援。該盆地產量預計在 2017 至 2023 年之間將增加一倍以上。這代表需新建大約 41,000 處油井，占地達 75,000 平方英里。由 Pixel Velocity 和 Dell 等公司所提供的數位油田解決方案將是實現此遠景的關鍵之一。

為何智慧工廠需要高時效性的網路功能

Posted on by Pete Berta

時至今日，工業物聯網 (IIoT) 的效益應已顯然可見，但是許多製造商仍然未能順利導入此技術。

追根究柢，常可發現問題源自於舊有資產的多方限制。工業設備雖然大多能夠收集資料，但卻常難以從老舊機械擷取並共用數據。此狀況使得資料數據常各自孤立。

甚至在能夠取得資料之時，也常以非同步方式收集，並使用無法輕易與外界共用的格式儲存。這些限制使得系統無法實現即時控制，也使企業難以徹底掌握所有產線的運作狀況。

然後還有成本的問題。製造商想要收集的資料量會阻塞現行的網路與儲存系統，而升級這些設施的費用卻可能令人卻步。

最後，則是營運技術 (OT) 與資訊技術 (IT) 的乖離。在許多工業環境中，OT 系統使用專屬的網路和通訊協定，而 IT 系統則使用通用技術。這些系統之間的鴻溝並不容易克服。例如，IT 系統依靠乙太網路通訊，使用的是「最佳努力」傳輸方式，並不適合時效性數據。

時效性網路(TSN) 和邊緣處理

為克服這些挑戰，工業組織可結合時效性網路 (TSN) 和邊緣處理進行部署。

TSN 是乙太網路 IEEE 802.1 標準的進化版，專為即時、確定性的通訊所設計。其中規範兩大關鍵概念：

  • 同步化：網路上的所有裝置均使用共通的時間參照。通常，這是利用 IEEE 1588 精確時間協定 (Precision Time Protocol)，經由乙太網路訊框建立分散式時鐘。
  • 排程：所有裝置在處理與轉送封包之時，均遵守相同的規則。其中包括保留頻寬與時間格的規則，以及選擇通訊路徑的規則，包含使用多重路徑確保容錯度的方式。

簡而言之，TSN 視網路流量為優先以確保時效性數據的可用性，讓需要準確、協調化數據的工業應用能夠確實掌握資產與製程的狀況。也由於 TSN 是一種乙太網路，因此能夠相容現行 IT 系統。

但在同時，TSN 卻與傳統乙太網路的最佳努力方式顯然不同。從 A 點傳輸資料至 B 點失敗而重新傳送，在電子郵件與其他應用或許可行，卻沒有足夠的資料同步性能可讓工業設備以可靠、安全又正確的方式運作。

TSN 結合標準 IT 技術與即時的決定性，因而非常適合邊緣運算的架構，將資料擷取和處理功能從資料中心向外移至網路邊緣。這項移動不僅減少了需要上傳到雲端的營運資料量，更提供另一大技術優勢：為部署和執行預防性維護程式所必須的控制工作實現近乎即時的回應速度（圖 1）。

圖 1. 將資料擷取和處理功能移往邊緣節點，可為控制工作實現近乎即時的回應速度，也能減少上傳到雲端的資料量。（資料來源：National Instruments）

艱困挑戰的可靠解決方案

National Instruments 的 CompactRIO 系統是專為 IIoT、監控及控制應用所設計，提供 IT 團隊運用工業廠房與設施所需的解決方案。此系統提供高效能處理、針對感測器調校的 I/O，以及密切整合的軟體工具鏈，幫助數位化並連線舊式設備。

CompactRIO 的設計可承受工業廠房和生產線的惡劣環境，並整合視覺、動作感測、工業通訊和人機介面 (HMI) 等功能。CompactRIO 系統相容開放式的 TSN 標準，能夠將密切同步的數據資料經由網路在多重裝置上共用。

CompactRIO 系統具備異質性的運算架構：

  • 結合 Intel Atom® 處理器和 FPGA
  • 提供可互換的 I/O 模組，將感測器連線指引至訊號來源
  • 內含特定匯流排或通訊協定的模組，可於即時作業系統中或經由 FPGA 設定，讓通訊和系統整合的彈性大增

每一組 I/O 模組均可直接連接到 FPGA，提供低階時序自訂和 I/O 訊號處理，或可派送到即時處理器，利用直觀易用的 NI-DAQmx API 進行測量與控制。

CompactRIO 的即時控制器均具備 TSN 功能，無需另外的子系統。總計有超過 100 種針對特定測量訊號調校的 I/O 模組可供選擇，且全數均可直接連接到 CompactRIO 控制器。

CompactRIO 系統使用系統工程工具 LabVIEW，能夠輕易整合任何廠商的測量硬體。LabVIEW 的圖形程式設計方法讓使用者能將應用程式完全視覺化呈現，包括硬體組態、測量數據和除錯。此軟體也簡化了複雜邏輯的呈現、資料分析演算法的開發，以及自訂工程使用者介面的設計（圖 2）。

圖 2. CompactRIO 提供耐用的工業規格及機板層級設計，並預載軟體和 LabVIEW 工具。（資料來源：National Instruments）

CompactRIO 原生支援 Security-Enhanced Linux (SELinux)，提供增強的安全性和可靠度。SELinux 是採取強制存取控制 (MAC) 的系統，利用安全原則明文規定系統每一個元件允許執行的動作。

縮減意外停機時間

工業產業的工程師常須向公司推薦或為公司選擇一套能夠縮短舊式設備意外停機時間的解決方案。由於涉及相當複雜的系統，因此他們尋求擁有工業製造及資訊技術專業的公司，以其知識和資源來設計有效且可擴充的 IIoT 邊緣解決方案。

National Instruments 的 CompactRIO 系統即是一套 IIoT 邊緣解決方案，幫助企業在網路邊緣從舊式設備的數據擷取深入見解。這些解決方案提供各種測量數據的能見度，讓企業發揮資料導向決策的效益，將工業生產的維護作業從被動性轉型為預防性。

也由於能夠縮短意外停機時間，因此在工業、製造與能源產業的企業均得以提高生產力、改善設備與營運效率、降低成本並且提升安全。

「智慧型產品架」在商店走道就能進行客戶分析

Posted on by Pete Berta

電子商務零售商能夠收集龐大的客戶資料，但實體商店的管理者卻是在資訊不足的狀況下營運。他們只能猜測其客群對象、客戶瀏覽商品的地點，以及客戶在店裡逗留的時間，更無法得知誰是實際的購買者。

電子商務零售商可以輕鬆收集網站訪客的人口統計資料，追蹤訪客瀏覽的產品，並吸引訪客完成交易。他們也可直接針對客戶發送廣告並舉辦促銷活動。

相較之下，傳統的實體商店缺乏即時客戶分析。他們難以進行目標針對型店內行銷。要衡量其效果更是幾乎不可能。要促成購物者從單純瀏覽到結帳購買，通常需要雇用店內銷售人員，必須承擔沉重的營運成本。

針對主要仍以非線上方式來經營的產業而言，上述種種情況都是巨大劣勢。根據 Retail Technology Review 的資料，雖然網路購物不斷成長，百分之 94 的零售業務仍在實體商店進行。但在百分之 75 的情況下，顧客找不到想要的品項，導致庫存積滯，且每年損失超過 1.1 兆美金 的銷售額。

針對特定目標的高品質廣告能讓店主取得重大優勢。International Council of Shopping Centers 指出，雖然統計數字依商品類別而異，但平均只有百分之 20 的店鋪訪客會進行購買。

就算目標式廣告能夠提升銷售，少有商店具備相關執行技術。Forrester 調查顯示，當詢問零售業者使用資料洞察是否能即時改善客戶互動時，僅百分之 20 的受訪者對此表示強烈同意。

利用 NexCOBOT 聰明營銷

NEXCOM 子公司 NexCOBOT 與 Intel® 和 Quividi 攜手合作，提供專為目標式店內廣告設計的全功能解決方案。這個解決方案可讓零售商進一步了解顧客行為和人口資料。如同圖 1 所示，零售商可強化顧客滿意度、增加營收並簡化營運流程。

圖 1. NexCOBOT 透過資料導向洞見，協助零售商增加營收。

「目標型廣告之智慧型產品架解決方案」將數位招牌、智慧型攝影機、邊緣分析和報告功能整合到一個端對端解決方案。

智慧型攝影機可在預先定義範圍內拍攝並辨識顧客的性別與年齡。系統也會記錄臉部表情，讓零售商瞭解客戶觀看廣告時的情緒，作為顧客喜歡或不喜歡產品的線索。

這代表零售商可以根據分析資料，專心投入店內廣告和促銷。數位顯示器內容不再亂槍打鳥。零售商可在恰當的時間針對正確的客群提供適合的產品，藉此將行銷效果最大化並提升銷售。

運用 NexCOBOT 的數位招牌軟體 PowerDigiS，零售商可根據臉部辨識和購物者行為分析，設計並即時展示為顧客量身訂做的互動式內容。

NexCOBOT 產品經理 Nelson Chang 表示：「假設有五名年輕男性從顯示器前走過。『智慧型產品架』就能透過店內影像分析播放付費汽車廣告。如果是一名熟女經過，就會自動顯示香水促銷訊息。」

此外，系統不會記錄顧客臉部的完整影像。僅會選擇並分析五官，在提供零售商寶貴資訊的同時保護顧客隱私。

邊緣分析—雲端資料管理

來自攝影機的原始資料會在現場處理。該資料之後將會傳送到雲端，可透過 VidiCenter 管理軟體檢視相關資料，如圖 2 所示。

圖 2.  NexCOBOT「智慧型產品架」負責擷取客戶資料、現場進行處理，並將資料傳送至 VidiCenter，供管理者檢視報告並變更廣告顯示內容。

零售商能夠選擇分析資料從商店上傳至 VidiCenter 的頻率，可設為每五分鐘到每日上傳。在 VidiCenter 中，他們可以檢視其顧客組合，同時製作高度目標針對型的店內廣告。舉例而言，如果分析顯示許多 30 多歲的女性會在上午十點左右來到商店，並在運動休閒服飾區流連，商店就能決定在此時段提供健身服飾的目標型促銷。

商店管理者可在 VidiCenter 建立客製化報告、表格和圖表，針對特定商店的特定時段，或是多個商店的多個時段，分析顧客資料。

結合商店資料與電子商務分析，管理者便可對整體顧客行為和購買品項擁有全盤瞭解。長期下來，此類資訊有助他們做出更明智的決策，例如是否開店或休息，或是為產品架增加新產品。

NexCOBOT 的其中一個客戶是台灣的大型零售商，販售從牙膏以至洗衣機等各種產品。這些廣泛產品的訴求對象針對男女老少，涵蓋各種類型的購買者。自從實施「智慧型產品架」之後，該公司就能直接針對非常特定的客群播放廣告。報告顯示，自從採用「智慧型產品架」以來，銷售績效明顯提升。

所有視訊內容都以超高解析度顯示，增加吸引顧客注意力的機會。Chang 表示：「在 Intel 的幫助之下，我們為數位招牌提供強大的繪圖效能，給予顧客更驚豔的視覺體驗。」

如同任何技術，數位顯示設備偶爾也會發生差錯。如果出現問題，「智慧型產品架」會向技術人員傳送警示，以便他們進行遠端診斷並修復設備，減少停機時間。

資料就是財富

到了 21 世紀，零售商靠直覺進行廣告促銷、貨架補貨和訂購商品的做法已經不具有任何意義。從 NexCOBOT 和 Intel 技術獲得的洞見有助他們更瞭解顧客並更快回應需求。智慧型攝影機技術可在適當的時間將合適的產品呈現在正確的對象眼前，讓實體商店得以逐漸追上線上同業，享受資料導向的成功果實。

透過 FPGA 協同處理器實現深度更深、速度更快的學習

Posted on by Pete Berta

對眾多產業而言，深度學習是一項顛覆性技術，但是其運算需求遠大於標準 CPU。這個問題導致開發者考慮替代架構，不過要從熟悉的 CPU 轉移至更深奧的設計極具挑戰，實非易事。與其翻新現有的基礎結構以支援深度學習，相關組織不如改採混合式 CPU + FPGA 運算架構。

即使從效能觀點來看，也有多個讓人不要全面放棄 CPU 的合理理由。首先，許多此類處理器可有效執行隔離式深度學習的推斷工作負載，因為個別推斷屬於循序運算。但當推斷運算批次或大量出現時，CPU 就難以跟上需求。

GPU 和其他大規模平行架構為循序處理提供替代方案。大規模平行處理十分適合批次處理推斷工作負載，以及具有大量輸入資料集的深度學習模型之訓練。

當然，平行運算通常不足以應付循序處理。針對需要快速循序推斷的應用，例如自動駕駛汽車的電腦視覺，以及其他要求時效性的應用上，GPU 不盡理想。

為了同時滿足低量推斷和大批次處理的要求，整合 FPGA 和多核心 CPU 的裝置是具有吸引力的選項。由於 FPGA 原本即具有大規模平行的性質，因此能夠隨時準備好執行大量深度學習批次。於此同時，CPU 則可處理較小量的循序運算。另外一種方式是讓 FPGA 和 CPU 分擔工作負載，藉此優化類神經網路的效率。

由於這種異質架構具有架構靈活性，所以不必修改現有運算基礎結構就能達成最佳化。

利用 FPGA 實現 AI 加速：內嵌與協同處理

為深入瞭解 FPGA 如何加速深度學習，讓我們看看 FPGA 如何做為內嵌與協同處理運算元素，與多核心 CPU 共同運作，。

做為內嵌處理器，FPGA 位於 CPU 前方並執行資料篩選之類的預處理工作，然後再將輸出傳遞出去進行後續運算。如同圖 1 所示，視覺系統可使用 FPGA 進行內嵌篩選或閥值分割，然後再將像素傳送至 CPU。由於 CPU 僅處理經 FPGA 決定的感興趣區域之像素，因此可增加整體系統輸送量。

圖 1. 做為內嵌處理器，FPGA 可在資料傳至 CPU 之前先行篩選，有助增加整體系統輸送量。（資料來源：National Instruments）

做為協同處理器，FPGA 分擔 CPU 的運算工作負載。工作負載可透過多種方式處理，例如讓 FPGA 先執行平行處理，再將輸出傳送回 CPU，或是讓 FPGA 執行所有處理，以便 CPU 專注於通訊和控制工作。

讓我們繼續以電腦視覺為例，圖 2 顯示工作負載如何透過直接記憶體存取 (DMA) 在 FPGA 和 CPU 之間分配。

圖 2. FPGA 協同處理器可以透過直接記憶體存取 (DMA) 分享 CPU 的工作負載，釋出 CPU 空間以進行其他工作。（資料來源：National Instruments）

綜上所述，使用 FPGA 搭配多核心 CPU 能夠滿足低量推斷與較大規模批次處理的需求，同時增加系統輸送量。不過，開發者要能夠在對其現有基礎結構造成最小影響的情況下，才能採用此類解決方案。

新 FPGA 帶來效能躍進和整合彈性

Intel® Stratix® 10 FPGA 提供深度學習效能的加速之道，並可與已部署系統簡便整合。此款 FPGA 可整合最多 550 萬個邏輯元件與一個四核心 64 位元 Arm Cortex-A53 CPU。此外還可提供可程式化 I/O 腳位讓 FPGA 輕鬆接合標準網路與運算技術。

就效能方面而言，Intel Stratix 10 裝置在設計上使用全新 Intel® HyperFlex™ FPGA 架構。這個架構引入超暫存器技術，將可繞道暫存器置於裝置核心的每個路由區段和所有功能模塊輸入（圖 3）。

圖 3.  超暫存器將暫存器置於每個路由區段和所有功能模塊輸入，加倍時脈頻率。（資料來源：Intel® 公司）

可繞道暫存器全面優化 FPGA 網狀架構的資料流，有助晶片達到最大效能。因此，相較於前代 FPGA，Intel Stratix 10 裝置可提供兩倍時脈速度，且耗電量減少百分之 70。這項卓越成就讓 FPGA 十分適用於高度要求效能但電源受限的應用上。

就平台整合而言，Intel Stratix 10 FPGA 裝置支援循序與平行快閃介面。此類記憶體在網路平台中甚為常見，對於深度學習極為有用，因為它們可讓開發者選擇最適合其工作負載的配置。舉例來說，Terasic, Inc. 的 DE10-Pro Stratix 10 GX/SX PCIe 主機板可支援各種應用上的多種記憶體類型（圖 4）：

  • QDR-IV 記憶體模組適用於高頻寬、低延遲的各種應用
  • QDR-II+ 記憶體模組適用於低延遲記憶體讀/寫
  • DDR4 適用於需要最大記憶體容量的各種應用

圖 4. Terasic, Inc. 的 DE10-Pro Stratix 10 GX/SX PCIe 主機板支援不同的深度學習使用案例中，所使用的多種記憶體類型。（資料來源：Terasic, Inc.）

DE10-Pro includes x16 PCIe 第 3 代線道可實現高達 128 Gbp 的晶片間資料傳輸速度，四個 QSFP28 連接器全都支援 100 Gigabit 乙太網路。這些介面提供龐大的資料卸載能力，以及快速讀寫記憶體存取。在伺服器或資料中心環境中，這代表工作負載可由運算庫和記憶體資源分擔，以視需求提升深度學習效能。

最後，從軟體的角度觀之，DE10-Pro Stratix 10 GX/SX PCIe 主機板支援 Intel® Open Visual Inference & Neural Network Optimization (Intel® OpenVINO™) 工具組。OpenVINO 是異質執行架構的開發套件，以通用 API 為基礎，抽離 FPGA 程式設計的複雜性。

OpenVINO 包含功能庫、核心和 OpenCV 與 OpenVX 優化呼叫，在電腦視覺與深度學習工作負載方面，展現高達 19 倍的效能強化（圖 5）。

圖 5. Open Visual Inference & Neural Network Optimization (OpenVINO™) 工具組展現強大的效能優化。（資料來源：Intel® 公司）

迅捷加速

深度學習工作負載在技術產業促進全面創新，對於資料處理市場尤其影響重大。業界目前正在研究各種新方法，使用專為類神經網路執行所設計的處理器來運算深度學習工作負載。

FPGA 搭載整合式多核心 CPU 提供靈活性與效能，在能夠達成最高輸送量的情況、時機與方式之下，執行深度學習工作負載。無論在人工智慧、次世代網路或任何可使用高效能運算 (HPC) 處理的市場，此產品都能提供因應未來需求的移轉路徑。

擴充 HPC，為 5G、AI，以及未來的嶄新技術做好準備

Posted on by Pete Berta

在過去十年間，新技術的發展有如雨後春筍一般。物聯網中的大量分散式系統引領出了 5G 網路的新功能。這些連線裝置所產生的大數據帶動了 AI 的興起，有助於自動化分析。

隨著陸續迎來的各種進步，運算的需求也增加了。因此，只要是資料導向的組織，無論其類型與規模，都發現自己需要高效能運算 (HPC) 平台。

讓我們來看看這對系統工程師的影響。

邊緣分析的來臨︰5G 網路案例研究

考量 5G 網路的需求。國際電訊聯盟 (International Telecommunications Union, ITU) 在 2017 年宣佈，5G 行動基地台必須支援高達每平方公里 1 百萬台裝置。他們也必須提供至少 20 Gbps 的總下載能力，以及 10 Gbps 的總上傳能力。相對而言，4G 小型基地台約可支援每平方英哩 100,000 台裝置，尖峰資料速率約為 1 Gbps。

圖 1 顯示主要大型都市區域的預估 5G 網路資料密度。為了避免這種量級的資料堵塞回傳網路，營運商很可能會將大規模資料分析功能移近至網路邊緣。未採用 5G 網路邊緣分析策略的營運商，可能會因於他們所產生的流量，使得成本增加。

圖 1. 根據 5G 資料密度預估，需要在邊緣網路提供更高的處理與儲存效能以進行分析，特別是在市中心區域。（資料來源︰Fierce Wireless）

但如此大量的資料，使得將分析移至邊緣變得十分困難。5G 邊緣分析的工作負載與大數據系統相去無幾，而大數據系統通常都在雲端或資料中心內。在這樣的環境中，工作負載可分散至大量的運算、儲存，以及網路資源中。相對地，5G 分析必須更輕量地分散至大量的邊緣網路端點中。

以 AI 為主軸的效能強化

在 5G 邊緣分析方面，AI 是越來越受歡迎的一種解決方案。這可用於在整個 5G 基礎架構中自動化中等到大型規模的資料過濾。若要為這些快速變化的網路工作負載需求提供具有 AI 功能的流量過濾能力，便需要可擴充的多核心解決方案。在這種情況中，Intel® Xeon® 可擴充處理器便是實用的合適選項。

Intel Xeon 可擴充處理器為 HPC 平台提供由 4 個至 28 個核心，加上一至八個插槽配置的處理能力。舉例來說，在八插槽系統中，Intel Xeon 白金級裝置可支援最多 224 個核心。

處理器提供多種適合 HPC 的功能，與高核心數相輔相成。舉例來說，他們整合了 Intel® Advanced Vector Extensions 512 (Intel® AVX-512)。這 512 位元的向量指令可在每個時脈週期執行 32 個雙精度或 64 個單精度浮點運作。根據特定指令集，此技術亦可新增最多兩個積和熔加單元 (Fused Multiply-Add Unit)，以加速需要大量數學功能的運作。

Intel AVX 512 可為主成分分析 (PCA) 等使用案例提供大幅優勢。這種機器學習的方法可用於將一系列的值轉換為線性變數，供網路營運商用於流量塑型，或是讓企業用於獲得大數據洞見。

可使用 MLlib 等運行於 Apache Spark 上的熱門機器學習 (ML) 程式庫執行 PCA。但大型資料集可能很快就會拖慢 MLlib。Intel® Data Analytics Acceleration Library (Intel® DAAL) 等運用 Intel AVX 512 的程式庫可解決此問題。如圖 2 所示，以 MLlib 程式碼將一雙簡單的叫用導入 Intel DAAL 時進行 PCA 時，會導致明顯的工作負載增加，並隨著資料集的大小成倍數增長。

圖 2. 運行於 Apache Spark 上的 MLlib 機器學習 (ML) 程式庫可用於資料分析中的主成份分析 (PCA)，但效能無法隨著資料量增加而擴張。（資料來源：Intel®）

這些處理器亦具有經過調整的網狀快取與記憶體架構，可降低延遲並更快存取資料集，滿足 AI 與大數據資料分析應用的需求。此外，此裝置提供比前一代處理器更多百分之 50 的記憶體通道，以及更多百分之 20 的 PCIe 線道，以支援較小規模的運算叢集。

保持 5G 資料流動

這些只是一部分讓 5G 和其他 HPC 應用受惠的功能。舉例來說，透過 5G 網路傳遞的資料流量總量與多樣性不停增加，這需要不同等級的服務品質 (QoS)。Intel® 虛擬化技術可為多種流量類型將核心分配至特定控制與資料平面網路工作。

此外，5G 網路必須支援大量節點，需要能比現在支援更多裝置、且不會流失效能或可靠度的交換架構。Intel® Omni-Path Architecture (Intel® OPA) 架構支援超過 10,000 個節點，同時亦能以大幅提高的 8 位元訊息傳遞介面 (Message Passing Interface, MPI) 速率，提供較 InfiniBand 增強資料傳輸率 (Enhanced Data Rate，EDR) 更低數個層次的位元錯誤率 (Bit Error Rate, BER)（圖 3）。

圖 3.  Intel® Omni-Path Architecture (Intel® OPA) 提供較增強資料傳輸率 (EDR) InfiniBand 大幅提高的 8 位元訊息傳遞介面 (MPI) 速率。（資料來源：Intel®）

隨著流量增加，為了協助擴充 5G 網路的邊緣運算功能，工程師傾向於選擇類似 WIN Enterprises 的 PL-81890 HPC 等平台。PL-81890 HPC 是高密度的控制伺服器，搭載雙 Intel Xeon 白金級或黃金級處理器及 12 個磁碟機槽，濃縮在輕巧的 2U 機身內（圖 4）。此系統亦支援 WIN Enterprises 的可信任平台控制 (Trusted Platform Control) 模組，以協助維持系統處理敏感通訊的完整性。

圖 4. WIN Enterprises 的 PL-81890 HPC 是 2U 的可信任平台，適合嚴苛的 5G 網路、資料分析，以及人工智慧工作。（資料來源：WIN Enterprises）

PI-81890 HPC 等平台可使用第 3 代 PCIe x16 插槽，安裝 Intel OPA Host Fabric Interface 介面卡。除了 Intel Xeon 可擴充處理器提供的獨立系統效能以外，這些擴充選項還可為主機提供 100 Gbps 的乙太網路頻寬，以連接大規模的 HPC 系統叢集。

更進一步擴充

雖然這樣的效能指標對許多應用來說已經足夠高階，但根據過去 50 年間的技術軌跡來看，我們馬上就會需要更強大的處理效能與更快速的網路能力。對想要從小規模著手的組織來說，Intel Xeon 黃金級、白銀級，以及青銅級處理器很適合作為進入點，並可提供未來的擴充性。

無論是什麼裝置，Intel Xeon 可擴充處理器皆可提供滿足現代 5G 網路、大數據分析，以及 AI 應用所需的運算、儲存、虛擬化，以及網路架構，不管未來技術的樣貌如何，都能擁有處理與應對的方向。

為什麼 5G 網路需要在邊緣使用 AI 功能

Posted on by Pete Berta

5G 網路提供更高的能力、更低的延遲，以及全新類別的應用程式與服務。但想要運用這些進階功能，需要前所未有的自動化程度，這只能透過人工智慧 (AI) 獲得。

對網路營運商來說，AI 能使他們的網路功能虛擬化 (NFV) 和軟體定義網路 (SDN) 基礎架構更加完整。同時，企業與工業使用者可運用這種分散式的智慧功能，以減少成本、強化安全性，並提供全新的低延遲資料導向服務。

雖然還是可以部署不使用 AI 的 5G 網路，但是在網路端點數量、使用案例，以及整體複雜度日益增加的情況下，在 5G 行動邊緣運算中運用 AI 對簡化營運來說極為重要。導入 AI 的第一個步驟，就是定義「邊緣」。

為 AI 運算定義 5G 網路邊緣

5G 網路的「邊緣」可能指涉許多項目，根據一般使用者/營運商或應用程式而定。有鑑於邊緣在 SDN 與 NFV 部署情況中的大幅變動，這一點更加重要。以高層次來看，網路營運商、企業組織，或是裝置製造商/一般使用者可能各自都對「邊緣」有不同的定義︰

  • 營運商網路邊緣 — 營運商網路邊緣通常稱為多存取邊緣運算 (Multi-access Edge Computing, MEC)，可放置於無線電塔、基地台、邊緣路由器，或是結合分散式雲端資料中心的機房中心內。這些平台為營運商與其用戶/合作夥伴提供代管 AI 堆疊的運算效能。
  • 企業現場邊緣 — 企業現場邊緣可在設施或系統內的任意位置支援 AI 運算。企業邊緣會收集並處理來自智慧裝置的資料，但需要一定程度的雲端連線，以更新機器學習 (ML) 模型。
  • 裝置邊緣 — 裝置邊緣指 OEM 所開發或由一般使用者操作的智慧裝置，負責傳送與接收來自 AI 系統的資料，例如路由器或閘道等。這些閘道擁有更高的運算能力或存取權限，以匯總來自許多智慧裝置的分析。

在經過定義後，營運商與企業便可使用 5G 網路的 AI 邊緣運算，取得目標成果。

網路營運商的邊緣 AI 功能︰動態網路切片

營運商可在 MEC 平台中充分發揮 AI 的功效，此技術可最佳化流量，並使網路資源管理更有效率。舉例來說，動態網路切片包括即時選擇最佳資料速率，或是選擇路由流量的最佳存取點或網路。

在動態網路切片中運用 AI 功能對 5G 網路營運商極為重要，這能讓他們為一般使用者、企業客戶，以及垂直產業提供不同的服務品質 (QoS)。除了自動化根據流量大小和類型有效率地佈建網路的程序以外，這也能使營運商透過提供不同價格的多種服務層級，以從基礎架構中獲利。

企業邊緣的 AI 功能︰全新服務商機

企業與垂直市場中的使用者也可以運用具有 AI 功能的 5G 網路邊緣運算，打造自己的服務產品。

邊緣 AI 可將智慧功能更貼近資料來源，由此強化安全性、將延遲降到最低、減少回傳成本，並使 AI 能比雲端中央拓樸更貼近產業領域專家。針對著重於 ML 和深度學習 (DL) 模型的領域專家，這樣的距離有助於打造僅將最高品質的邊緣資料傳回雲端的解決方案，以進行模型訓練。

智慧製造使用案例是 AI 與 5G 網路邊緣運算為企業和一般使用者增加價值的良好範例。在邊緣使用 AI 功能，不僅網路節點可處理來自多種感應器、影片，以及其他輸入資料與輸出即時決策，5G 技術的微秒級延遲也讓控制應用程式能整合這些回應。

如圖 1所示，企業與工業組織可運用邊緣的位置，提供安全性、分析能力，以及其他 AI 即服務產品。

圖 1. 在 5G 邊緣網路基礎架構部署 AI 功能，可為零售、工業、智慧城市，以及其他市場的多種需求提供解決方案。（資料來源：Intel® 公司）

5G 網路的 AI 行動邊緣運算︰開放原始碼、標準化，並現成可用

當然，在能夠將 AI 實際運用在 5G 網路邊緣之前，我們還有許多技術挑戰需要解決。如何大規模地在多種邊緣端點上同盟與更新 AI 堆疊，就是主要問題之一。可確保成功將 AI 運用在 5G 邊緣運算的一個方向，就是使用硬體標準與開放原始碼的軟體。

從硬體角度來看，Joinus Technology 這樣的企業提供了 ETSI 和 PICMG 等以 Intel® Xeon® 黃金級平台為基礎的 ATCA 解決方案。這些解決方案的每個插槽可提供最多 22 核心與 44 執行序，並整合 Intel® Advanced Vector Extensions 512 (Intel® AVX-512) 以加速企業現場與網路邊緣環境中的 AI 工作負載。此平台可用於營運商網路邊緣，自動化流量協調與資源管理，或是用於企業內部，以提供 AI 即服務。

在軟體方面，Intel 與合作夥伴正在打造開放原始碼的解決方案，能使價值鏈體系成員以快速又符合成本效益的方法開發 AI 堆疊。舉例來說，Wind River 的 Titanium Cloud 使用 OpenStack 建立，並以 5G MEC 提供支援 AI 的平台。

Intel® Network Edge Virtualization (Intel® NEV) SDK 包含 Titanium Cloud，提供給網路架構設計師一套適合不同邊緣網路部署情境的參考程式庫與 API。兩者皆受如 Joinus Technology ATCA 等以 Intel Xeon 黃金級平台為基礎的解決方案平台支援。

適合 5G 網路的 AI 自動化

除了傳統的通訊以外，5G 網路也將會連接數十億個物聯網 (IoT) 感應器。隨之而來的還有全新的機械式通訊 (MTC) 與網路，以及 RF 頻段的廣泛應用。

5G 網路的遠大目標需要更高層級的自動化，而這要提升就必須將智慧功能分散至整個網路基礎架構。邊緣的 AI 可透過監控一段時間的使用趨勢，為營運商持續最佳化網路效能，並作為電信業者、企業，以及產業的新服務與商機平台。

5G 網路已經在試行，在行動邊緣基礎架構中加入 AI 的時機也已經到來了。

不受過時的銷售點設計所限制

Posted on by Pete Berta

零售產業的變化極為快速，需要能快速適應新需求的彈性銷售點 (POS) 技術。但許多現有的 POS 解決方案都是以經過改造的技術為基礎，可能無法滿足現代的使用案例。此外，這些硬體可能笨重又是專用硬體，導致修理與維護都較為困難。

OEM 與 ODM 需要的是彈性、可擴充的 POS 架構，以協助快速創新。理想狀況下，此架構應強大又輕巧，並使用標準化硬體，以降低開發成本。

全通路在電子商務市場中展露優勢

隨著實體店面零售商持續投資結合電子商務與實體零售的全通路策略，對低成本的彈性與可擴充性需求也逐漸增加。此方法有助於使實體店面零售商在電子商務整體市場佔有率持續增加的情況下保持競爭力。

一份最近的 CBRE 報告指出，電子商務零售市場成長了 16%，從 2016 年的 3,910 億美元增加到了2017年的 4,535 億美元。相對來看，在 2011 年時，電子商務在零售市場中佔有約 1997 億美元（圖 1）。

圖 1. 實體店面零售商透過採用全新技術，導入全通路策略，以加速電子商務方面的成長。（資料來源︰美國人口普查局）

這些數字包括純粹的「網路零售商」，以及實體店面零售商的線上銷售額。其中最值得注意的部份是，根據 CBRE 指出，這樣的年成長率主要是來自於實體商店零售商在全通路平台的積極投資。

報告中指出︰「對所有零售品牌來說，提供全通路就是成功的關鍵。」 為了獲得成功，零售商需要以更快速，也更符合成本效益的方式來採用新技術。這些技術對協助零售商吸引與留住客戶的新服務來說十分關鍵，尤其是在銷售點上。

彈性架構釋放電子商務潛力

為了滿足這些需求，零售商正在尋找脫離專用硬體與軟體的方法。為什麼？因為商家發現這些系統無法滿足全通路策略、使他們的擴充能力受限、增加維護和修理成本，並拖慢了創新的速度。

為了解決這些問題，Intel 推出了 Intel® Smart POS Module (Intel® SPOSM)。此參考設計專為下一代零售應用所打造。搭配標準化的運算模組，以及可自訂的週邊界面板卡 (PIB)（圖 2）。

圖 2︰Intel® SPOSM 參考設計結合標準化運算模組與可自訂的 I/O 板卡。（資料來源：Intel® 公司）

這種模組化的方法能使解決方案用於多種應用，而不需開發不同的 SKU，同時可簡化維護與服務過程。舉例來說，相較於在現場或遠端試著針對問題進行疑難排解，您可以輕易地更換板卡或模組，使零售商的 POS 能快速恢復使用。

運算模組以第 7 代 Intel® Core™ 處理器 KBL-U 等低功率 (15W max) SoC 為基礎。可支援單或雙通道的 SODIMM 記憶體，以及一個 M.2 key E 與一個 M.2 key M 連接埠。

運算模組透過 180 針腳的連接器連接至週邊界面板卡。連接器具有 170 個預先指派的針腳，剩下的 10 個為可自訂針腳。樣品的腳位配置包括三個顯示器、USB 3.0、6 個 USB 2.0、音訊與 LAN、PCIe、UART、I2C、GPIO、SATA、LPC/Espi，以及 MIPI-CSI。使用情況則根據使用者的需求而定。

這種將運算與 I/O 分離的作法，可將單一運算模組用於多種規格與應用上。OEM 和 ODM 可以輕鬆地將運算模組搭配不同的週邊介面板卡，不需建立全新的設計。

標準化設計亦可降低維護成本。若一個模組發生故障，服務人員可輕易地在現場更換該模組，而不需將整個 POS 系統帶回店內進行維修。同樣地，標準化設計代表只要備有少量的替換模組庫存，即可用於為多種 POS 系統進行維修，這是專用的特化 POS 設計所無法辦到的。

已經上市的 POS 系統

以這種參考設計為基礎的系統已經上市。舉例來說，Qingdao Wintec System Co., Ltd. 的 AnyPOS 100 和 AnyPOS 600 POS 解決方案就是以 Intel SPOSM 為基礎所設計（圖 3）。

圖 3.  Wintec 的 AnyPOS 600 系列 POS 系統產品也是以 Intel® SPOSM™ 為基礎所打造。（資料來源︰Wintec）

AnyPOS 100 與 600 皆支援 Windows 和 Linux，並具有多種不同設置。更可結合多種功能，包括 15 吋電容式 LCD 觸控顯示器、最高 4 GB 的記憶體、32 GB 的硬碟、內建熱感式印表機、高速 Wi-Fi、gigabit 乙太網路、收銀機，以及指紋讀取器等。

為全通路策略備妥 POS 系統

將低功率、高效能，以及可擴充的標準化格式運算結合彈性的 I/O 選項，OEM 與 ODM 便可更快速地開發與重複規劃 POS 解決方案。也因為如此，可更簡單地部署臉部識別、自助結帳，以及進階支付方法等先進服務。這樣的服務與功能，可協助完整轉換至零售商與客戶都能滿意的全通路體驗。

物聯網的 DevOps︰成功的九個技巧

Posted on by Pete Berta

物聯網的興起使設計的重心從硬體轉移到了軟體。這為物聯網開發人員提供了一個機會，能採用著重於快速迭代與部署的 DevOps 原則。

但在物聯網中採用 DevOps 也可能會遇到許多挑戰。直到最近，嵌入式開發人員都還是採用硬體中心式的觀點。Canonical 行銷副總裁 Thibaut Rouffineau 說︰「他們活在一個要對 RAM 的每一個位元組進行優化的世界」。這種方法不符合 DevOps 加速交付的概念。

相反地，現代的物聯網開發人員通常具有 IT 軟體背景，擁有敏捷式開發等與 DevOps 相似的概念。他們認為硬體是一種需要管理的風險，而不是需要最佳化的資產，但這種想法也並非完全適合嵌入式設計。

舉例來說，在伺服器當機時，IT 解決方案是在另外一個伺服器上啟動一個新執行個體。由此解決問題。因為在物聯網領域中，硬體是已經部署完成，且無法快速替換的，所以無法輕易採用這種方法。

為了結合這些觀點，Rouffineau 為物聯網裝置建置人員概略指出九個實務 DevOps 課程。無論背景如何，每個課程都能提供不同程度的支援。

1. 盡可能進行標準化

對物聯網來說，第一條 DevOps 規則就是盡可能使用標準化硬體。Rouffineau 認為搭載 Intel® Atom™ 處理器，且具有藍牙功能的 Intel® NUC 就是一個很好的例子，很適合作為物聯網設計基礎的標準化小巧硬體平台。他表示「這很適合作為藍牙熱點、數位看板，以及工業物聯網閘道，且具有非常多的功能」。IEI Integration Corp. 使用此 NUC 作為他們 TANK-801-BT 無風扇嵌入式系統的基礎（圖 1）。

圖 1. 使用標準化硬體（如 IEI 的 TANK-801-BT 工業嵌入式系統採用 Intel® NUC）是 DevOps 的第一條規則。（資料來源：IEI）

Rouffineau 認為開發人員可能可以透過更進一步最佳化的機板省下 50 美元，但這並不划算。此外，這 NUC 還「具有執行未來應用程式的效能餘裕」。隨著客戶使用的應用程式越來越進階，再結合人工智慧 (AI)，這樣的擴充性便更加重要。這也能用於開發與生產平台。

標準硬體的原則也能套用在軟體上。Rouffineau 推薦使用如 Ubuntu 等標準、經過認證的現成作業系統。「既然可以保持簡單，為何要選擇複雜？」他問。使用 Ubuntu 代表只要作業系統還在使用中，便能擁有隨時可用的技術支援。

2. 使用正確的開發工具

根據一份 Canonical 的研究，有 68% 的物聯網專家認為僱用擁有正確物聯網技能的員工很困難。但是，根據 Rouffineau 的說法，問題在於他們想要員工具有過於廣泛的技能，從後端程式編寫到硬體與商務技巧等，而想要找到同時能掌握這些專長的人幾乎是不可能的。

他說，最簡單的解決方案就是使用標準的 Linux 開發環境，如此便能更簡單地組成具有各種所需技巧的團隊。此外，若環境與裝置上的作業系統相符，就能更簡單地進行開發與部署。這樣的相容性可簡化程式編寫與除錯，並避免對全端開發人員（例如以 node.js 進行快速開發，然後使用 C 編寫程式以進行最佳化）的需求。

3. 重複使用程式碼

Rouffineau 引用 Nextcloud 的私有雲儲存作為範例，表示「重複使用程式碼是以新方法進行物聯網開發的優點之一，尤其是在使用 Linux 時」。

Nextcloud 想要開發他們儲存解決方案的小型裝置版本。透過重複使用 Ubuntu 的雲端軟體，此企業得以在三個月內便建立了 Raspberry Pi 的解決方案。

4. 使用可複製的建置程序

採用 Linux 的問題是開發人員會開始打造自己的影像，修改應用程式、共用程式庫，以及裝置驅動程式等變數。「現在，您的影像取決於影像建立人員的決定」，Rouffineau 這麼說。

為了避免這個狀況，Canonical 開發了 Ubuntu Core，將軟體封裝在「Snap」中（圖 2）。這些封裝可確保軟體擁有特定的屬性，例如︰

  • 它們為固定不變的，僅能讀取。
  • 可進行追蹤與驗證，因此可從商店內下載。
  • 可簡易升級。

圖 2. Ubuntu Core 運用「Snap」概念使用特定屬性封裝軟體，以避免 Linux 影像中的變數影響。（資料來源︰Canonical）

Snaps 的眾多優勢之一，就是讓開發人員可根據程式碼的來源切割影像。舉例來說，核心與裝置可能來自晶片製造商或作業系統廠商，並可能是由作業系統中切割出來的，而作業系統又是從上層的應用程式封裝中所切割而得。您可以使用 Ubuntu Core，透過命令列管理這整個結構。

5 建置程序自動化

「這就是我們想從 DevOps 觀點所獲得的優勢」，Rouffineau 表示，而不是透過命令列為每個建置寫下指示。為了達到這個目的，程式碼會推送至一個中樞，為不同架構進行建置，然後再配送到裝置上。

6 自動配送程式碼

「我們還沒有一個妥善、通用的方法，能在嵌入式空間內配送軟體」，Rouffineau 說。DevOps 解決了這個問題。使用 Ubuntu Core，處理會從將更新送入 Snap 開始，且僅會送入更新部份，而不是完整的程式碼，以避免傳輸過大的檔案。（圖 3）。

圖 3.  在更新時，會將更新程式碼送入 Snap 容器中，並建立原始程式碼的複本，若測試失敗，裝置將會回復至原始的程式碼。（資料來源︰Canonical）

 接下來，會將原始的 Snap 與其資料備份在目標裝置上。若在更新時發生錯誤，或是在測試升級時偵測到異常，便只要回復至原始的資料與 Snap 即可。

7. 打造長遠的安全性

自動化配送對裝置安全性格外重要。一份 Canonical 的報告指出，有 57% 的受訪者期望由服務供應商或裝置製造商來處理安全性。

裝置在第一次部署時，可能可以解決當下的所有弱點。但在一年以後，光是在 Linux 核心中就會出現超過 450 個弱點。

「DevOps 並不需要考慮這個問題，這會透過即時修復自動處理」，Rouffineau 表示。「為什麼不在這裡也利用相同的概念呢？」所有安全性修復檔案都可使用 Ubuntu 自動部署，不需要專門的人員來處理安全性問題。

8. 加速建置、部署，與測試的循環

DevOps 程序可用於持續更新裝置與避免裝置過時。「您甚至可以針對關鍵客戶進行 beta 測試」，Rouffineau 指出。使用 DevOps 的最佳實務，裝置在部署後即可開始進化，更可在客戶取得裝置後延續許久。

9. 以 DevOp 的方式運作

Rouffineau 認為應該「從您的服務價值主張開始，然後隨著客戶的需求提高而不停進化」，直到產出完美的產品。以無人機作為範例，無人機的硬體是一種「逐底競爭」，但透過加上軟體服務，便可擁有更優異的價值主張（圖 4）。

圖 4︰舉例來說，使用 DevOps 方法可使無人機製造商由單次硬體銷售，轉換至長期銷售以軟體為基礎的服務。（資料來源︰Canonical）

現在，無人機供應商可以長期銷售軟體服務，甚至驅使第三方廠商建立在無人機上執行的應用程式。或是他們可以銷售來自無人機的資料，這些方向都能讓供應商擁有更高的價值，也比較不會遭到其他低成本硬體取代。

在物聯網 DevOps 的全新世界中，可能可以由標準化硬體開始，達成更快的上市速度，以及更高的安全性和可靠度。最重要的是，您可以長期留住客戶，而不是仰賴單次的硬體銷售。對嵌入式開發人員來說，這需要心態上的轉換，但所帶來的優勢也很值得。

若要進一步瞭解此主題，請觀看「以 DevOp 方式建置物聯網裝置」網路研討會。

為何 SCADA 不適合智慧工廠

Posted on by Pete Berta

工業物聯網 (IIoT) 的主要目標是把企業分析數據運用到營運資料上，但卻面臨一個問題：工業資料一般是非結構化且時間導向的資料，而企業環境則是結構嚴謹並以規則為導向。

當營運技術 (OT) 資料傳送到 IT 系統時，可能會因為此一根本性差異而遺失情境脈絡和語義資訊。

為了避免失去這類重要資訊，智慧工廠需要能彌合 IT 與 OT 環境差異的資料架構。不過，先行分析現有資料模型的缺點，將有助於避免發生相同的錯誤。

分析範例：SCADA 的挫敗

在傳統工業網路中，SCADA 系統是 OT 與 IT 系統之間的連接橋樑（圖 1）。由 OT 裝置產生的資料往北向流動到 SCADA 系統，然後再從該處流動至企業系統。

圖 1. 傳統工業網路架構利用監督控制與資料擷取 (SCADA) 系統來連接 OT 與 IT 環境。（資料來源：Atomiton, Inc.）

因為這些 SCADA 網路是由控制系統往上饋送資料，它們一般倚賴由流向帶動或由事件帶動的資料架構。相反的，企業系統以結構嚴謹的資訊模型為基礎，而這些模型是由人員和各項程序所控管。

這樣的差異產生了雙重資料架構，一邊是非結構化的機器資料，另一邊則是結構嚴謹的系統（圖 2）。當 OT 資料傳送到結構化的業務系統時，諸如位置、時間和順序一類中繼資料可能不會傳輸過去。

圖 2. SCADA 造成了雙重資料架構，因為他們無法把企業資訊模型套用到時間序列的營運技術 (OT) 資料上。（資料來源：Atomiton, Inc.）

比如工業水箱的溫度資料。回報的數值代表水箱溫度或內含液體的溫度？此一重要的中繼資料應保留供日後分析使用。

若無法準確掌握某個資料點的情境脈絡，可能會嚴重影響資料點的實用性。可惜要把所有這些資訊保留在業務程序系統內，對系統的開發者和使用者而言均是無比複雜的事情。

因此，資料的價值在基礎架構內傳輸的過程中有所減損。在這樣的架構下，分析人員必須搜尋或推斷資料集的情境脈絡，而這使得串流資料的價值益發減損，因為這些資料會過時。

簡言之，SCADA 系統做為智慧工廠的基礎，表現差強人意。試圖利用這些網路作為工業物聯網實作的骨幹，本質上就是試圖用舊的解決方案解決新的問題，但是舊的解決方案從一開始便效率不彰。

讓工業物聯網資料分析策略發揮效率的四個步驟

要避免過去實作發生的問題，基礎架構的架構設計師必須把 IT 系統的結構和關係與以時間和位置為主的工業資產串流和流向合併起來。

只要使用把兩種資料環境的特色抽象化的數位模型即可做到。數位模型是實體系統的軟體表示式，而且使用指定層級的邏輯連結工業物聯網分析架構的各層（圖 3）。

圖 3.  數位模型是實體系統的軟體表示式，協助保留在工業物聯網資料分析架構的各層之間重要的情境脈絡相關資料。（資料來源：Atomiton, Inc.）

在投入開發並部署這些模型之前，資料架構設計師必須定義一項考量到四種不同向量的分析策略：

  • 資料剖析是指全面徹底理解系統內產生的所有資料。接著必須根據每一個資料路徑的可能長期用途將資料分類。
  • 資料處理是指理解資料特性，以及如何使用能夠保留語義價值的格式存放。需要一種橫跨系統所有層次的通用分類，以便定義整個基礎架構之間的資料關係和營運路線，讓資料保有最大的價值。
  • 資料儲存需要關於資料的使用方式、使用頻率以及使用多長時間及類似問題的知識。盡可能把最小量的資料儲存在最靠近資料來源的地方，同時要讓資料可以追溯原始來源。
  • 資料分析處理如何將分析結果運用到營運和業務實務上。瞭解這些向量以後，基礎架構便能盡可能用最高效率運用可用的處理和儲存資源，讓分析數據可以散佈到整個端點至雲端的架構中，並在串流資料及離線資料中即時執行。

一旦解決這些問題，數位模型可以套用分層邏輯和已定義的資料政策，將工業資料結構化以利企業系統使用，同時保有語義價值。

整個系統的資料具有真正的互通性亦能促進更高程度的自動化，因為巨量資料就包含在資料閉環中，可用於後續分析、學習、預測與最佳化（圖 4）。

圖 4. 數位分析模型促成了巨量資料的閉環，協助自動化分析、學習、預測與最佳化的程序。（資料來源：Atomiton, Inc.）

智慧農業的分析策略

此策略在實務上的一個範例就是 Atomiton, Inc. 與 Intel® 合作開發的農業使用案例。 Atomiton 的 TQL System 是一個物聯網應用平台，包含一個物聯網程式設計語言 (Thing Query Language)、一個分散式容器和服務集 (TQLEngine) 以及一個稱為 TQLStudio 的整合式開發環境。

Atomiton 堆疊的每個部分合力建立一個統一的應用程式框架，將工業資產及其行為與運算資源連接起來，同時轉譯資料以供人員和物件運用。Intel® 物聯網閘道技術在這個拓撲中佔有了 SCADA 系統的角色，再加上 64 位元作業系統支援的優勢，讓雲端平台的資料傳輸更順暢。

如圖 5 所示，農業部署可以利用此一架構來改善資料管理、分析與監控。它為智慧農業的實務做好了準備，讓農夫可慢慢為農田和作物建立模型，然後實施各種政策或臨界值，以利提高產量、最佳化資源使用率等等。

圖 5. 以 Atomiton TQL System 與 Intel® 物聯網閘道技術一類技術為基礎的數位模型，協助農夫擷取出高價值的物聯網分析數據。（資料來源：Atomiton, Inc.）

利用數位化跨越工業物聯網資料分析的斷層

雖然上述多著重於改變企業系統解讀端點資料的方法，但是不應該忽略工業資料數位化對於企業系統本身的架構亦有重大影響。

前文所述的數位模型將會越來越普遍，並更深入分析部署處理和儲存資源的地點。這樣也會同時促使企業系統架構進化，在未來短短幾年內便會有全然不同的面貌。

清楚知道要付出哪些努力才能跨越工業物聯網資料分析的斷層之後，便是時候將基礎架構做好準備，迎向眼前的躍進。

AI 如何讓公共運輸更安全

Posted on by Pete Berta

世界各地大小城市均廣泛利用視訊技術，特別是用於公共安全。我們常聽說監視器影像如何幫助逮捕並起訴犯人，但這仍僅是亡羊補牢。公安保全和急救人員的目標是能更迅速應對犯罪，甚至在案發之前即採取行動，進而提升公共安全並更佳滿足公眾需求。

即時視訊分析是電腦視覺應用長久以來的課題。而因為視訊是一種蘊含大量資訊的媒體，因此這也是非常困難的挑戰。公共設施錯綜複雜，加上地理環境千變萬化，更讓視訊分析複雜難解。

不過在人工智慧的發展和深度學習的進步之下，電腦視覺應用已逐漸擴展。深度學習技術讓新一代的視訊分析工具實用化，能夠辨識每一個影格中的人物、物體、車輛和其他，並在各影格與監視器之間追蹤同一目標的動態。

提供保全人員所需的工具

保全人員常需以些微人力同時監看多個活動與地點：進出停車場的車輛、造訪公共場所的眾多人潮、未經授權侵入禁區的外人等等。這些狀況均可能被數十、數百個監視器錄下。但是持續錄製的監視器畫面需要即時的分析，才能夠及時採取應變動作。

「現在我們還依賴人力資源去判斷畫面上發生什麼事。這不是很合理。尤其是當一個保全人員必須負責監看 100 個監視器畫面時。」Gorilla Technology 的視訊物聯網解決方案副總裁 Felix Song 說道。「我們在智慧分析技術領先一籌。例如我們能在兩秒內就從 5,000 位訪客當中辨識出單一特定人物。」

但是深度學習亦有其代價。「效率很重要。因為說到底，深度學習需要強大的運算能力，讓硬體成本變得很昂貴。」Gorilla Technology 執行長 Spincer Koh 博士解釋道。「所以 CPU 使用效率代表能以越低硬體成本獲得越好結果。」

而這就是在網路邊緣進行深度學習和視訊處理的優點。AI 和深度學習技術隨大數據一同處理，然後以更進步的演算法創造出新一代的視訊分析功能。當邊緣至雲端全程均能夠處理高密度的媒體資料時，就能將視訊處理最佳化，並且提升準確度。

邊緣分析的關鍵是運算能力。Gorilla Technology 與 Intel® 協力實作了 OpenVINOTM Toolkit，讓該公司原已功能強大的視訊解決方案再大幅增強。

OpenVINO 使該公司的 IVAR（智慧型視訊分析攝錄機）系統的視訊分析效能提升多達 50%。這使得 Gorilla 的邊緣裝置能夠以即時分析處理 1.5 倍的視訊資料。當然，部署成本也就隨之降低。使用相同的硬體架構即可分析更多視訊頻道，提供更優異的回應時間、操作效能及資產價值，如圖 1 所示。

圖 1. Intel® OpenVINOTM 技術讓 IVAR 解決方案提供強大商業效益。

讓公共運輸更安全、服務更佳

Gorilla IVAR 解決方案非常適合公共運輸。臺灣鐵路管理局監督全國鐵路交通網，負責管理全國 300 個火車站。該局目標即是為通勤乘客提供更佳的服務，同時改善車站安全。

為此，該局於繁忙的轉運站部署了首套以 Intel® OpenVINOTM 為基礎的 IVAR 系統；該站每日服務超過 17,000 位乘客，但保全人力卻有限。現在系統能夠辨識列管名單上的人物、監控行人流量、分析異常行為、偵測違法侵入等等。IVAR 的邊緣系統內建物聯網感應器，讓管理單位能夠偵測火警，也能判斷軌道和其他禁區是否遭到侵入。

除了強化車站安全，Gorilla 也增進客戶體驗。售票亭能隨需要配置人力，例如在購票乘客大排長龍之處。當月台上的人潮過於擁擠時，車站能實施月台進出管制，也能提供更精準的班次資訊。

管理機關能大幅降低部署成本，而公眾則獲得更優質服務。以智慧功能打造雙贏。

由於 Gorilla IVAR 提供即時的警報和智慧型服務，讓臺鐵的回應時間縮短達 90%。事故和申訴率也減少 70%。「整體犯罪率降低達 80%，結案率也增加 50%。」Koh 博士說道。

開放式系統

Gorilla 透過開放平台將視訊監控打造為成本效率更高的保全工具。系統採用具標準 Intel® 處理器的電腦，讓客戶擁有廣泛的硬體選擇。系統本身支援開放標準的編碼和協定，能搭配任何種類的 IP 監視器，僅需要符合 ONVIF Profile S 和 RTPS 串流。

市面上許多監視系統均不易運用，是用多廠商、多世代的視訊系統拼湊而成。使得視訊和資料監控變成一大挑戰。IVAR 可輕易整合於既有的監視系統，讓不同位置或地點的多台監視器連線中央雲端伺服器，如圖 2 所示。

圖 2. IVAR 在邊緣擷取多廠商視訊系統中的視訊，並進行處理。

Gorilla 的 IVAR 解決方案是一套軟體式的全功能視訊監控系統，提供高 CPU 效率。它能夠有效率地監控各地點和動作，立即偵測緊急狀況和威脅。例如，建立列管名單後，即可自動偵測異常動作與累犯行為，減少人力需求和人為疏失。而另一個入侵偵測功能，則可迅速辨識嫌疑者，並於事件發生時推送警報通知給保全人員。

遠端管理功能則讓操作員同時管控所有監視器，妥善處理多重監視畫面。保全人員能夠有效率地搜尋、檢視並監控設施，不僅提升狀況察覺能力，也能縮短反應時間。整合於既有監視系統後，可顯示所有重要時間表及事件資料。然後用單一儀表板提供中央管控，毫無遺漏。

IVAR 解決方案大幅超越傳統網路視訊監控系統；傳統系統通常於專屬型的平台上提供儲存、串流和播放功能。因為缺乏彈性，所以此類系統難以跟上高效能技術的進化速度。

「現在我們能用更少運算力做到更多。而這絕對是因為有 OpenVINO 才辦得到。」Koh 博士說道。