Artificial Intelligence ကို A မှ B သို့ ခရီးတစ်ခုအဖြစ် မှတ်ယူပါက cloud computing ဝန်ဆောင်မှုသည် လေဆိပ် သို့မဟုတ် မြန်နှုန်းမြင့် မီးရထားဘူတာတစ်ခုဖြစ်ပြီး edge computing သည် တက္ကစီ သို့မဟုတ် မျှဝေသုံးစက်ဘီးဖြစ်သည်။ Edge computing သည် လူများ၊ အရာများ သို့မဟုတ် ဒေတာရင်းမြစ်များ၏ အနားတွင် ရှိနေသည်။ ၎င်းသည် အနီးတစ်ဝိုက်ရှိ သုံးစွဲသူများအတွက် ဝန်ဆောင်မှုများပေးရန်အတွက် သိုလှောင်မှု၊ တွက်ချက်မှု၊ ကွန်ရက်ဝင်ရောက်ခွင့်နှင့် အပလီကေးရှင်းအဓိကစွမ်းရည်များကို ပေါင်းစပ်ထားသည့် ပွင့်လင်းသောပလပ်ဖောင်းကို လက်ခံထားသည်။ ဗဟိုတွင်အသုံးပြုထားသော cloud computing ဝန်ဆောင်မှုများနှင့် နှိုင်းယှဉ်ပါက edge computing သည် long latency နှင့် high convergence traffic ကဲ့သို့သော ပြဿနာများကို ဖြေရှင်းပေးကာ အချိန်နှင့်တပြေးညီ bandwidth-demand ဝန်ဆောင်မှုများအတွက် ပိုမိုကောင်းမွန်သောပံ့ပိုးမှုပေးပါသည်။
ChatGPT ၏မီးသည် AI ဖွံ့ဖြိုးတိုးတက်မှုလှိုင်းသစ်ကို ဖြတ်တောက်ခဲ့ပြီး စက်မှုလုပ်ငန်း၊ လက်လီ၊ လက်လီ၊ စမတ်အိမ်များ၊ စမတ်မြို့များစသည်ဖြင့် AI ၏ အသုံးချဧရိယာများအဖြစ်သို့ အရှိန်မြှင့်၍ ဒေတာအများအပြားကို သိမ်းဆည်းပြီး တွက်ချက်ရန် လိုအပ်သည်။ အပလီကေးရှင်းအဆုံးသတ်ပြီး cloud တစ်ခုတည်းကိုသာ မှီခိုအားထားခြင်းသည် အမှန်တကယ်ဝယ်လိုအားကို ဖြည့်ဆည်းပေးနိုင်တော့မည်မဟုတ်ပါ၊ edge computing သည် AI application များ၏ နောက်ဆုံးကီလိုမီတာကို တိုးတက်စေသည်။ ဒစ်ဂျစ်တယ်စီးပွားရေးကို အားတက်သရော ဖွံ့ဖြိုးတိုးတက်စေသည့် အမျိုးသားရေးမူဝါဒအောက်တွင်၊ တရုတ်နိုင်ငံ၏ cloud computing သည် အားလုံးပါဝင်နိုင်သည့် ဖွံ့ဖြိုးတိုးတက်မှုကာလတစ်ခုသို့ ရောက်ရှိနေပြီဖြစ်ပြီး edge computing လိုအပ်ချက် မြင့်တက်လာကာ cloud edge နှင့် end ပေါင်းစည်းမှုသည် အနာဂတ်တွင် အရေးကြီးသော ဆင့်ကဲဖြစ်စဉ် ဦးတည်ချက်တစ်ခု ဖြစ်လာခဲ့သည်။
လာမည့်ငါးနှစ်အတွင်း Edge ကွန်ပျူတာစျေးကွက် 36.1% CAGR ကြီးထွားရန်
၎င်း၏ ဝန်ဆောင်မှုပေးသူများ တဖြည်းဖြည်းကွဲပြားခြင်း၊ စျေးကွက်ချဲ့ထွင်ခြင်းနှင့် အပလီကေးရှင်းဧရိယာများ ထပ်ဆင့်ချဲ့ထွင်ခြင်းတို့ကြောင့် အနားသတ်ကွန်ပြူတာစက်မှုလုပ်ငန်းသည် တည်ငြိမ်သောဖွံ့ဖြိုးတိုးတက်မှုအဆင့်သို့ ရောက်ရှိနေပြီဖြစ်သည်။ စျေးကွက်အရွယ်အစားအရ၊ IDC ၏ခြေရာခံအစီရင်ခံစာမှအချက်အလက်များအရ တရုတ်နိုင်ငံရှိ edge computing server များ၏ စျေးကွက်အရွယ်အစားသည် 2021 ခုနှစ်တွင် US$ 3.31 billion သို့ရောက်ရှိသွားခဲ့ပြီး တရုတ်နိုင်ငံရှိ edge computing server များ၏ စျေးကွက်အရွယ်အစားသည် နှစ်စဉ်နှစ်အလိုက် တိုးလာမည်ဟု မျှော်လင့်ရသည်။ 2020 မှ 2025 ခုနှစ်အတွင်း 22.2% နှုန်း။ Sullivan သည် တရုတ်နိုင်ငံရှိ edge computing ၏ စျေးကွက်အရွယ်အစားသည် 2027 ခုနှစ်တွင် ယွမ် 250.9 ဘီလီယံအထိ ရှိလာနိုင်ပြီး CAGR သည် 36.1% နှင့် 2023 မှ 2027 ခုနှစ်အထိ ဖြစ်သည်။
Edge computing သည် eco-industry ကြီးထွားလာသည်။
Edge computing သည် လက်ရှိတွင် ဖြစ်ပွားမှု၏ အစောပိုင်းအဆင့်တွင် ရှိနေပြီး လုပ်ငန်းကွင်းဆက်ရှိ စီးပွားရေးနယ်နိမိတ်များသည် အတော်လေး မှုန်ဝါးနေပါသည်။ ရောင်းချသူတစ်ဦးချင်းစီအတွက်၊ လုပ်ငန်းအခြေအနေများနှင့် ပေါင်းစည်းမှုကို ထည့်သွင်းစဉ်းစားရန် လိုအပ်ပြီး နည်းပညာအဆင့်မှ လုပ်ငန်းအခြေအနေများတွင် အပြောင်းအလဲများနှင့် လိုက်လျောညီထွေဖြစ်အောင် လိုက်လျောညီထွေရှိရန်လည်း လိုအပ်ပြီး မြင့်မားသောအဆင့်ရှိကြောင်း သေချာစေရန်လည်း လိုအပ်ပါသည်။ ဟာ့ဒ်ဝဲပစ္စည်းကိရိယာများနှင့် လိုက်ဖက်ညီမှုအပြင် ပရောဂျက်များအတွက် အင်ဂျင်နီယာစွမ်းရည်။
edge computing လုပ်ငန်းကွင်းဆက်ကို ချစ်ပ်ရောင်းချသူများ၊ အယ်လဂိုရီသမ်ရောင်းချသူများ၊ ဟာ့ဒ်ဝဲစက်ပစ္စည်းထုတ်လုပ်သူများနှင့် ဖြေရှင်းချက်ပေးသူများဟူ၍ ပိုင်းခြားထားသည်။ ချစ်ပ်ရောင်းချသူများသည် အများအားဖြင့် အဆုံးအခြမ်းမှ အစွန်း-အခြမ်းမှ cloud-ခြမ်းအထိ ဂဏန်းသင်္ချာချစ်ပ်များကို တီထွင်ကြပြီး edge-side ချစ်ပ်များအပြင် ၎င်းတို့သည် အရှိန်မြှင့်ကတ်များကို တီထွင်ကာ ဆော့ဖ်ဝဲဖွံ့ဖြိုးတိုးတက်ရေးပလပ်ဖောင်းများကို ပံ့ပိုးပေးသည်။ အယ်လဂိုရီသမ်ရောင်းချသူများသည် ကွန်ပျူတာအမြင်ဆိုင်ရာ အယ်လဂိုရီသမ်များကို ယေဘုယျ သို့မဟုတ် စိတ်ကြိုက်ပြင်ဆင်ထားသော အယ်လဂိုရီသမ်များတည်ဆောက်ရန်အတွက် အဓိကအချက်အဖြစ် ယူကြပြီး အယ်လဂိုရီသမ်ကုန်တိုက်များ သို့မဟုတ် လေ့ကျင့်ရေးနှင့်တွန်းအားပေးသည့်ပလက်ဖောင်းများတည်ဆောက်သည့် လုပ်ငန်းများလည်းရှိသည်။ စက်ပစ္စည်းရောင်းချသူများသည် edge computing ထုတ်ကုန်များတွင် တက်ကြွစွာ ရင်းနှီးမြုပ်နှံကြပြီး edge computing ထုတ်ကုန်များ၏ ပုံစံသည် အဆက်မပြတ် ကြွယ်ဝလာကာ chip မှ စက်တစ်ခုလုံးအထိ edge computing ထုတ်ကုန်များ၏ အစုံအလင်ကို တဖြည်းဖြည်း ပေါင်းစပ်ဖွဲ့စည်းထားပါသည်။ ဖြေရှင်းချက်ပေးသူများသည် သီးခြားစက်မှုလုပ်ငန်းအတွက် ဆော့ဖ်ဝဲလ် သို့မဟုတ် ဆော့ဖ်ဝဲ-ဟာ့ဒ်ဝဲ-ပေါင်းစပ်ဖြေရှင်းချက်များကို ပေးသည်။
Edge computing သည် လုပ်ငန်းခွင်သုံး application များကို အရှိန်မြှင့်ပေးသည်။
Smart City နယ်ပယ်မှာ
မြို့ပြပိုင်ဆိုင်မှုများကို ကျယ်ကျယ်ပြန့်ပြန့်စစ်ဆေးခြင်းအား လက်စွဲစစ်ဆေးခြင်းမုဒ်တွင် လက်ရှိအသုံးပြုလေ့ရှိပြီး လူကိုယ်တိုင်စစ်ဆေးခြင်းမုဒ်တွင် အချိန်ကုန်ပြီး လုပ်သားများပြားသော ကုန်ကျစရိတ်များ၊ လူတစ်ဦးချင်းစီအပေါ် လုပ်ငန်းစဉ်အပေါ် မှီခိုမှု၊ လွှမ်းခြုံမှုညံ့ဖျင်းမှုနှင့် စစ်ဆေးရေးအကြိမ်ရေနှင့် အရည်အသွေးညံ့ဖျင်းမှု ပြဿနာများရှိသည်။ ထိန်းချုပ်မှု။ တစ်ချိန်တည်းမှာပင် စစ်ဆေးရေးလုပ်ငန်းစဉ်သည် ဒေတာပမာဏများစွာကို မှတ်တမ်းတင်ထားသော်လည်း အဆိုပါဒေတာအရင်းအမြစ်များသည် လုပ်ငန်းစွမ်းဆောင်ရည်မြှင့်တင်ရန်အတွက် ဒေတာပိုင်ဆိုင်မှုအဖြစ်သို့ ပြောင်းလဲခြင်းမရှိသေးပေ။ AI နည်းပညာကို မိုဘိုင်းစစ်ဆေးရေးအခြေအနေများတွင် အသုံးချခြင်းဖြင့် လုပ်ငန်းသည် အင်တာနက်၏အရာများ၊ cloud computing၊ AI algorithms ကဲ့သို့သော နည်းပညာများကို အသုံးပြုသည့် မြို့ပြအုပ်ချုပ်မှုစနစ် AI ဉာဏ်ရည်ထက်မြက်သည့် စစ်ဆေးရေးယာဉ်ကို ဖန်တီးထားပြီး၊ board displays များနှင့် AI side servers များနှင့် "intelligent system + intelligent machine + staff help" ၏ စစ်ဆေးရေးယန္တရားကို ပေါင်းစပ်ထားသည်။ ၎င်းသည် ဝန်ထမ်းအားထားရသော စက်ပိုင်းဆိုင်ရာဉာဏ်ရည်မှ မြို့ပြအုပ်ချုပ်ရေးကို အသွင်ပြောင်းခြင်း၊ လက်တွေ့ကျကျ စီရင်ဆုံးဖြတ်ခြင်းမှ ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းအထိ၊ တက်ကြွစွာ တုံ့ပြန်မှုမှ တက်ကြွသောရှာဖွေတွေ့ရှိမှုအထိ အသွင်ကူးပြောင်းမှုကို မြှင့်တင်ပေးပါသည်။
ဉာဏ်ရည်ထက်မြက်သော ဆောက်လုပ်ရေးလုပ်ငန်းနယ်ပယ်တွင်၊
Edge computing-based intelligent construction site solutions များသည် AI နည်းပညာ၏ နက်ရှိုင်းသောပေါင်းစပ်မှုကို သမားရိုးကျ ဆောက်လုပ်ရေးလုပ်ငန်းခွင်ဘေးကင်းရေး စောင့်ကြည့်ခြင်းလုပ်ငန်းတွင် အသုံးချပြီး အစွန်း AI ခွဲခြမ်းစိတ်ဖြာခြင်းဂိတ်ကို ဆောက်လုပ်ရေးဆိုက်တွင် ထားကာ ဥာဏ်ရည်ထက်မြက်သော AI algorithms များကို အခြေခံ၍ လွတ်လပ်သော သုတေသနနှင့် ဖွံ့ဖြိုးတိုးတက်မှုတို့ကို ပြီးမြောက်စေပါသည်။ ခွဲခြမ်းစိတ်ဖြာမှုနည်းပညာ၊ ထောက်လှမ်းရမည့် ဖြစ်ရပ်များကို အချိန်ပြည့်ထောက်လှမ်းခြင်း (ဥပမာ- ဦးထုပ်ဆောင်းခြင်း ရှိ၊ မရှိ ထောက်လှမ်းခြင်း)၊ ၀န်ထမ်းများ၊ ပတ်ဝန်းကျင်၊ လုံခြုံရေးနှင့် အခြားဘေးကင်းလုံခြုံရေး အန္တရာယ်အချက်များ သတ်မှတ်ခြင်းနှင့် အချက်ပေးသတိပေးချက် ဝန်ဆောင်မှုများပေးခြင်းနှင့် မလုံခြုံခြင်းများကို ဖော်ထုတ်ခြင်းစသည့် အစပျိုးလုပ်ဆောင်ခြင်း အကြောင်းရင်းများ၊ AI အသိဉာဏ်စောင့်ကြပ်ခြင်း၊ လူအင်အားကုန်ကျစရိတ်သက်သာစေခြင်း၊ ဆောက်လုပ်ရေးလုပ်ငန်းခွင်များ၏ ဝန်ထမ်းနှင့် ပိုင်ဆိုင်မှုဘေးကင်းရေး စီမံခန့်ခွဲမှုလိုအပ်ချက်များကို ဖြည့်ဆည်းပေးသည်။
အသိဉာဏ်သယ်ယူပို့ဆောင်ရေးနယ်ပယ်တွင်
Cloud-side-end ဗိသုကာသည် ဉာဏ်ရည်ထက်မြက်သော သယ်ယူပို့ဆောင်ရေးစက်မှုလုပ်ငန်းတွင် အပလီကေးရှင်းများ ဖြန့်ကျက်ခြင်းအတွက် အခြေခံပါရာဒိုင်းဖြစ်လာပြီး၊ cloud side သည် ဗဟိုချုပ်ကိုင်မှုရှိသော စီမံခန့်ခွဲမှုနှင့် ဒေတာလုပ်ဆောင်ခြင်း၏ တစ်စိတ်တစ်ပိုင်းအတွက် တာဝန်ရှိပြီး၊ edge side သည် edge-side data analysis နှင့် computation ဆုံးဖြတ်ချက်ကို အဓိကအားဖြင့် ပံ့ပိုးပေးပါသည်။ -making processing နှင့် end side သည် လုပ်ငန်းဒေတာစုဆောင်းမှုအတွက် အဓိကတာဝန်ရှိသည်။
ယာဉ်လမ်းညှိနှိုင်းခြင်း၊ ဟိုလိုဂရပ်ဖစ်လမ်းဆုံများ၊ အလိုအလျောက်မောင်းနှင်ခြင်းနှင့် မီးရထားအသွားအလာများကဲ့သို့သော သီးခြားအခြေအနေများတွင်၊ ဝင်ရောက်အသုံးပြုသည့် ကွဲပြားနေသော စက်ပစ္စည်းအများအပြားရှိပြီး အဆိုပါစက်ပစ္စည်းများသည် ဝင်ရောက်ခွင့်စီမံခန့်ခွဲမှု၊ အထွက်စီမံခန့်ခွဲမှု၊ အချက်ပေးစနစ်လုပ်ဆောင်မှု၊ လည်ပတ်မှုနှင့် ပြုပြင်ထိန်းသိမ်းမှု လုပ်ဆောင်မှုများ လိုအပ်ပါသည်။ Edge computing သည် ပိုင်းခြားပြီး အနိုင်ယူနိုင်ပြီး အကြီးကြီးအဖြစ်သို့ သေးငယ်သွားစေရန်၊ အလွှာတစ်ခုမှ ပရိုတိုကောအဖြစ်ပြောင်းလဲခြင်းလုပ်ဆောင်ချက်များကို ပံ့ပိုးပေးကာ၊ တစ်စုတစ်စည်းတည်းနှင့် တည်ငြိမ်သောဝင်ရောက်ခွင့်ကို ရရှိစေရန်နှင့် ကွဲပြားသောဒေတာများ၏ ပူးပေါင်းထိန်းချုပ်မှုကိုပင် ပြုလုပ်နိုင်သည်။
စက်မှုကုန်ထုတ်နယ်ပယ်တွင်
ထုတ်လုပ်မှု လုပ်ငန်းစဉ် ပိုမိုကောင်းမွန်အောင် ပြုလုပ်ခြင်း ဇာတ်လမ်း- လက်ရှိတွင်၊ ဒေတာမပြည့်စုံမှုကြောင့် သီးသန့်ထုတ်လုပ်သည့် စနစ်အများအပြားကို ကန့်သတ်ထားပြီး စက်ကိရိယာများ၏ စွမ်းဆောင်ရည်နှင့် အခြားသော အညွှန်းကိန်းဒေတာ တွက်ချက်မှုများမှာ အတော်လေး ညံ့ဖျင်းသဖြင့် ထိရောက်မှု ပိုမိုကောင်းမွန်အောင် အသုံးပြုရန် ခက်ခဲစေသည်။ မော်ဒယ်အခြေပြု ထုတ်လုပ်မှုလိုင်းကို ရရှိရန် အချိန်နှင့်တပြေးညီ ဒေတာစီးဆင်းမှု လုပ်ဆောင်ခြင်း ယန္တရားအပေါ် အခြေခံ၍ အလျားလိုက် ဆက်သွယ်ရေးနှင့် ဒေါင်လိုက် ဆက်သွယ်ရေးစနစ် ရရှိရန် စက်ပစ္စည်း သတင်းအချက်အလက် မော်ဒယ်ကို အခြေခံ၍ အစွန်းထွက် ကွန်ပြူတာ ပလပ်ဖောင်း၊ Multi-data ရင်းမြစ် အချက်အလက် ပေါင်းစပ်မှု ၊ သီးခြားထုတ်လုပ်ခြင်းစနစ်တွင် ဆုံးဖြတ်ချက်ချခြင်းအတွက် အားကောင်းသော ဒေတာပံ့ပိုးမှုပေးရန်။
စက်ပစ္စည်းများ ကြိုတင်ပြင်ဆင်ထိန်းသိမ်းမှု မြင်ကွင်း- စက်မှုလုပ်ငန်းသုံး စက်ကိရိယာများကို ပြုပြင်ထိန်းသိမ်းခြင်းတွင် ပြုပြင်ထိန်းသိမ်းမှု၊ ကြိုတင်ပြင်ဆင်ထိန်းသိမ်းမှုနှင့် ကြိုတင်ပြင်ဆင်ထိန်းသိမ်းမှုဟူ၍ အမျိုးအစားသုံးမျိုး ခွဲခြားထားသည်။ ပြန်လည်ပြုပြင်ထိန်းသိမ်းမှုသည် ယခင်အချက်ပြုပြင်ထိန်းသိမ်းမှုဟောင်း၊ ကြိုတင်ပြင်ဆင်ထိန်းသိမ်းမှုနှင့် ကြိုတင်ပြင်ဆင်ထိန်းသိမ်းမှုတွင် ယခင်ပြုပြင်ထိန်းသိမ်းမှုတွင် ပါ၀င်သည်၊ ယခင်သည် အချိန်၊ စက်ကိရိယာစွမ်းဆောင်ရည်၊ နေရာအခြေအနေများနှင့် စက်ကိရိယာများကို ပုံမှန်ပြုပြင်ထိန်းသိမ်းမှုအတွက် အခြားသောအချက်များပေါ်တွင် အခြေခံသည်၊ လူ့အပေါ်အခြေခံ၍ အနည်းနှင့်အများ အတွေ့အကြုံ၊ အာရုံခံဒေတာစုဆောင်းမှု၊ စက်ပစ္စည်း၏လည်ပတ်မှုအခြေအနေကို အချိန်နှင့်တစ်ပြေးညီစောင့်ကြည့်ခြင်း၊ ဒေတာခွဲခြမ်းစိတ်ဖြာမှု၏စက်မှုပုံစံအပေါ်အခြေခံ၍ ပျက်ကွက်မှုဖြစ်ပွားသည့်အခါ တိကျစွာခန့်မှန်းခြင်းများမှတစ်ဆင့် အတွေ့အကြုံ။
စက်မှုအရည်အသွေးစစ်ဆေးရေးအခြေအနေ- စက်မှုအမြင်စစ်ဆေးရေးကွင်းသည် အရည်အသွေးစစ်ဆေးရေးကွင်းသို့ ပထမဆုံး သမားရိုးကျ အလိုအလျောက် အလင်းစစ်ဆေးခြင်း (AOI) ပုံစံဖြစ်သော်လည်း၊ ယခုအချိန်အထိ AOI ၏ ဖွံ့ဖြိုးတိုးတက်မှုတွင် ချို့ယွင်းချက်များစွာကို ထောက်လှမ်းခြင်းနှင့် အခြားရှုပ်ထွေးသော အခြေအနေများတွင် အမျိုးမျိုးသောချို့ယွင်းချက်များကြောင့်၊ အမျိုးအစားများ၊ အင်္ဂါရပ်များ ထုတ်ယူခြင်း မပြည့်စုံခြင်း၊ လိုက်လျောညီထွေရှိသော အယ်လဂိုရီသမ်များ ချဲ့ထွင်နိုင်မှု ညံ့ဖျင်းခြင်း၊ ထုတ်လုပ်မှုလိုင်းကို မကြာခဏ အပ်ဒိတ်လုပ်ခြင်း၊ အယ်လဂိုရီသမ် ရွှေ့ပြောင်းခြင်းမှာ လိုက်လျောညီထွေမရှိခြင်းနှင့် အခြားအချက်များ၊ ရိုးရာ AOI စနစ်သည် ထုတ်လုပ်မှုလိုင်းလိုအပ်ချက်များကို ဖြည့်ဆည်းရန် ခက်ခဲပါသည်။ ထို့ကြောင့်၊ AI စက်မှုအရည်အသွေးစစ်ဆေးခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်ပလက်ဖောင်းသည် နက်နဲသောသင်ယူမှု + နမူနာအသေးစားသင်ယူမှုဖြင့် ကိုယ်စားပြုသည့် ပလပ်ဖောင်းသည် သမားရိုးကျအမြင်အာရုံစစ်ဆေးခြင်းအစီအစဉ်ကို တဖြည်းဖြည်းအစားထိုးလာကာ AI စက်မှုအရည်အသွေးစစ်ဆေးရေးပလက်ဖောင်းသည် classical machine learning algorithms နှင့် deep learning inspection algorithms အဆင့်နှစ်ဆင့်ကို ဖြတ်သန်းလျက်ရှိသည်။
စာတိုက်အချိန်- အောက်တိုဘာ-၀၈-၂၀၂၃