邊緣運算協助企業邁向數位轉型之旅，並使用 IoT 應用程式來提升客戶體驗和營運效率，以及開拓新的收益來源。 舉例來說，零售商可使用來自 IoT 應用程式的資料，根據客戶過去的購買記錄預測客戶的需求，提供現場的折扣，並且改善自身的客戶服務群組，為客戶提供更優質的服務。 在工業場合中，IoT 應用程式能夠在機器效能與已建立的基準有所不同時予以偵測，指出機器需要進行維護，藉此支援預防性維護計畫。 而實現有效利用邊緣這一目標所面臨的挑戰在於人員、流程和技術的複雜性，包括缺乏與中央資料中心或雲端位置的可靠連接、不同網站缺乏現場 IT 專業人才以及需要將部署範圍擴展到數千個網站，而且往往是跨域和跨地理邊界的部署。
少了這樣的系統，連網裝置產生的巨量資料，很容易便會壓垮組織的中央資料基礎設施 ─ 或者如果傳送到雲端儲存庫進行分析，則必須承擔可觀的成本。 IoT 應用程式通常需要大量的頻寬、低延遲時間，以及可靠的效能，同時需符合規定和法規遵循方面之要求，因此邊緣對它們來說相當合適。 例如此在Tanzu產品組合中增加的智慧輔助功能，便是透過人工智慧助理方式，讓企業能以更簡單方式管理容器化應用服務，另外也能藉由人工智慧自動分析服務運作狀況，並且主動提醒管理者是否需要調整工作負載狀況，甚至能在問題發生之前自動完成調整，藉此降低企業人力必須頻繁介入維護情形。 使用提供與雲端中相同的開發人員經驗，但在 5G 網絡邊緣的通訊服務供應商 (CSP) 資料中心內使用的運算和儲存服務。 電信和企業客戶使用 AWS 基礎設施和服務來重新打造 5G 網絡的建置、營運和管理方式。 邊緣運算是廣泛採用智能電網的核心技術，可幫助政府和企業有效管理能源消耗。
邊緣運算實例: NVIDIA OVX 伺服器
已在開發中的 MMDC (微型模組化資料中心) 也會有其大顯身手的餘地，而其體積將約只有一個盒子的大小。 經過多年的研究，邊緣運算的資源取得和分配問題已獲得一定程度的解決。 然而，為了支援未來多樣化的普世人工智慧服務，仍有許多挑戰需要處理，其中包含了高速移動下的服務品質保證、與人工智慧系統的深度整合、使用者的隱私保障、系統安全性等，我們將持續邊緣運算的相關研究，協助打通普世人工智慧的最後一哩路。 使用 AWS 邊緣聯網服務，包括 410+ 個全球多服務連接點 (PoP)，在全球範圍內安全傳輸面向使用者的資料，並改善延遲。 透過加密資料、移除網路躍點和控制應用程式存取來限制 AWS 上的攻擊洩露。 AWS 全球基礎設施提供冗餘的 100 Gbps 專用光纖，並從邊緣位置向應用程式提供資料，以實現更好的效能和更低的成本。
以MEC運算平台部署在基地台端為例，如圖2所示，終端使用者利用行動裝置來存取網際網路上的服務時，基地台接收到行動裝置訊號後，可由部署在基地台端的MEC運算平台先行判斷該服務封包是否可由MEC運算平台提供服務，或仍需要經過後端骨幹網路及電信核心網路以存取雲端服務。 透過MEC技術的流量卸載（Traffic offload），不僅可提供使用者更快速的服務回覆時間，更可以減少需要經過後端骨幹網路及電信核心網路的服務封包所占用的大量頻寬，進而可減少網路建置的成本。 邊緣運算實例2023 思科（Cisco）技術白皮書內指出2016年到2021年間，預測全球每月將會有近4×107兆位元組的行動資料流量需求[1]。 對於大量使用者及資料流量的未來5G行動網路，國際電信聯盟（ITU-R）訂出了低延遲、高容量及良好使用者經驗三大特性的5G服務需求標準。
邊緣運算實例: AWS 資源
AI生物辨識技術，更驅動了製造業、公共運輸、零售物流等各類產業的相關應用。 想了解更多產業應用案例，歡迎閱讀人臉辨識應用最新趨勢，6 大產業領域一次了解！ 2D相機 (如：webcam或一般手機前鏡頭)可透過互動或非互動方式進行活體辨識，互動方式係透過頭部指令(如：點頭、搖頭)或臉部表情(如：眨眼、張嘴)進行活體判別。
這家公司製造自己的衛星，正和大型資料分析軟體供應商 Palantir Technologies 等幾家夥伴合作，將它的資料分析能力推向網路的邊緣 ─ 安置在它的衛星上。 組織將更多的分析能力推向收集資料的邊緣，可以取得更高的反應力和效率。 本文舉例說明組織為了各式各樣的應用案例，如何在邊緣部署分析能力。 邊緣資料中心可能位於伺服器機房和 IT 機櫃、收銀機或桌子底下。 這讓邊緣基礎設施容易遭受意外損壞、不肖分子的蓄意傷害攻擊，以及動機良善但相關知識不足之員工的不經意破壞。 但回到核心，跨雲整合與多雲策略依然會是VMware的重心，同時也將持續扮演協助企業簡化工作流程的角色，並且依照用戶實際需求給予最合適的解決方案。
邊緣運算實例: 關鍵搜尋，從你輸入的第一個字開始
而此擷取出的特徵值，可進一步用來比對資料庫中最近似的資料，得出正確身分。 全漢為全球電源供應器專業製造領導大廠，FSP Group自1993年成立以來，本著「服務、專業、創新」的經營理念，持續做好全方位綠色能源解決方案供應商。 Satellogic 這家公司供應商業和政府顧客高頻率、高解析度的地理空間圖像和分析，將邊緣運算的概念發揮到極致。 稱為 Blackjack 的交通系統，利用思科（Cisco）供應的平臺，監控交通流量與提供即時的交通統計數字，並和自動駕駛汽車通訊。 根據《iThome 2021 CIO大調查》的結果來看，2020年的比例約3%，2021年拉高至1 成；而就產業採用動向來看，醫療業、政府與學校的意願最高，皆有20％以上，其次是服務業，達到10％，一般製造業與高科技製造業，則為6％左右。
邊緣運算（英語：Edge computing），又譯為邊緣計算，是一種分散式運算的架構，將應用程式、數據資料與服務的運算，由網路中心節點，移往網路邏輯上的邊緣節點來處理[1]。 邊緣運算將原本完全由中心節點處理大型服務加以分解，切割成更小與更容易管理的部份，分散到邊緣節點去處理。 邊緣節點更接近於使用者終端裝置，可以加快資料的處理與傳送速度，減少延遲。
邊緣運算實例: 邊緣運算－支援數位轉型的重要關鍵
BOXER-8120AI的體積小巧、設計符合成本效益且處理能力強大，使用者可輕鬆部署此AI平台於任何角落。 為有效且靈活部署該公司的AI解決方案，系統需要針對城市、社區及大樓的嵌入式配置進行部署。 由於這些系統將部署在遠端不易觸及的位置，屆時任何的系統故障等都會造成維修負擔。 擷取到用於人臉辨識的加密資料只能用於與儲存在安全資料庫中的已註冊特徵值建立匹配。
Sherwood 邊緣運算實例2023 表示，這「是新技術可以如何真正協助創建解決方案，讓社區中的每個人受益的正面跡象」。 各組織在收集資料之處，加進更多的分析能力，正提高它們的反應力和效率。 潛在的應用實例不勝枚舉，但它們全都有一項共同點：收集來自許多感測器和智慧型裝置的大量資料，並將資料運用於改善商務。 各自的裝置獨立動作，可以判斷什麼資料儲存在本地，什麼資料發到雲端。
邊緣運算實例: 邊緣運算-實際案例
邊緣計算概念出現時間上較早於霧計算，指代雲和裝置的邊界，霧計算而言因為和雲相比位置上更接近裝置，所以表示為霧。 因此從整體來看，VMware當前發展依然未脫離原本跨雲整合與多雲策略，以及「雲智慧」 (Cloud Smart)的想法，鼓勵企業上雲、協助企業簡化更多工作流程依然是VMware發展重心。 瑞昱指出，歐美近年已開放6GHz頻段，台灣跟進開放6GHz頻段，樂觀其成。 隨著傳輸資料增加，將有助應用擴大，對於消費者及網通產業都具正面意義。 許多其他競爭者也在整個中國爭奪重要合約，因此提供有效AI系統的市場非常擁擠。
- 對於企業而言，雖然也能從基礎開始建立人工智慧應用，但並非所有企業都能有足夠資源與技術人才完成此目標，因此透過VMware解決方案快速導入，實際上能有更大效益，而VMware也能藉由此商業模式獲利，所以對於VMware來說，目前的人工智慧技術發展趨勢將是全新成長機會。
- 其他需要參考電源選項的考量有：安裝位置、輸入規格、操作溫度、IP 等級 (IEC60529) (IP－異物防護等級)、突波需求及電源接頭。
- 顯然，除了用AI節流，幫忙省時、省錢、省人力，今年臺灣企業會更關注如何用AI來加值、創新。
- 雖然產生資料的單一裝置可透過網路輕鬆傳輸資料，當同一時間傳輸資料的裝置數量一多，勢必會產生諸多問題。
- 相關產業技術有：物聯網區塊鏈（IoT Blockchain）、智慧合約（Smart Contract）、分散式共識（Distributed Consensus）、內部貨幣（Internal Currency）、分散式帳本技術等。
- 思科（Cisco）技術白皮書內指出2016年到2021年間，預測全球每月將會有近4×107兆位元組的行動資料流量需求[1]。
- 然而，在現存的4G網路環境中，使用者透過行動裝置欲存取網際網路上的服務封包皆須透過基地台（Base Station）、後端骨幹網路（Backhaul）及電信核心網路（Evolved Packet Core, EPC），如此的傳輸流程將難以達到未來5G的服務需求標準。
- 許多需要極短延遲時間的應用服務可從邊緣計算中獲取更佳的服務品質與優勢，像是虛擬實境（Virtual Reality, VR）與擴增實境（Augmented Reality, AR）的應用服務、無人機的遠端遙控、自動駕駛汽車的資訊運算與共享都是邊緣運算技術的應用場景[4]。
對於系統整合商來說，除了整合人臉辨識SDK外，也可考慮像FaceMe® Security這樣的軟體解決方案，透過安裝套裝軟體及附加套件，即可於現行安控設備中，快速整合人臉辨識、出勤打卡、門禁等多種應用。 在內建GPU (或是VPU)的高效能工作站或是PC上，執行人臉辨識技術絕非易事。 於系統匯流排中，CPU、GPU以及記憶體之間有數十個影像串流不斷進行。 若無法於系統架構層進行優化，即使是頂尖的人臉辨識演算法，也無法達到快速且精準的辨識率。 因此，系統架構設計上，應要降低CPU、GPU以及記憶體之間的數據傳輸數量。
邊緣運算實例: 資料來源
應對工業環境的挑戰，如間歇性連線或中斷連接的情况，或跨多網站營運整合 IT 和操作技術 (OT)。 AWS 提供一組完整的邊緣至雲端服務與解決方案，可封裝 IoT、人工智慧 (AI)、ML、機器人、分析、運算和儲存功能，以協助您實現跨常見工業工作負載的業務成果。 跨雲端、內部部署和邊緣取得一致的 AWS 體驗，同時滿足超低延遲、資料駐留和本機處理需求。 AWS 混合解決方案可協助您加速數位轉型，提高 IT 生產力，並使最終使用者體驗與眾不同。 AWS 是 VMware 在所有 vSphere 型工作負載方面的偏好公有雲端合作夥伴，VMware Cloud on AWS 可讓您使用現有技能和工具集執行現有的 VMware 工作負載，而無需額外的硬體投資。
公司使用行動邊緣運算基礎設施 (例如 5G 網路和 5G 行動雲端運算服務)，來開發、部署和擴展超低延遲應用程式。 範例包括媒體和娛樂中的即時影片串流、線上遊戲，或虛擬現實境影片摘要。 下游使用案例的邊緣運算專注於減少網路延遲，以便使用者在即時體驗發生的事件。 邊緣運算可讓醫療保健部門在本機儲存這些患者資料，並改善隱私權保護。 此外，醫療設施還減少其傳送至中心位置的資料量，並降低了資料遺失的風險。 企業還使用邊緣運算將任何敏感資料保持在來源附近，以便遵守資料主權法律，例如一般資料保護條例 (GDPR)。
邊緣運算實例: 邊緣分析案例一：道路安全
有了邊緣運算，即可在邊緣進行絕大多數的運算作業，並視需要將其餘部分傳送至核心。 研揚專業工業電腦製造商提供OEM/ODM服務，可迅速有效地為客戶提供客製化AI應用平台。 無論是變更I/O或是重新配置BIOS，研揚皆是使命必達的硬體解決方案合作夥伴，確保您的專案需求得到全方面的滿足。 BOXER-8120AI配備可支援網路監控攝影機的四個Intel LAN (i211)連接埠，同時擁有多個強固型設計特點，例如抗粉塵規格、寬溫支援、寬壓電源輸入及鋁製機箱。
臉部辨識引擎一般來說可使用720p攝影機拍攝的畫面，並建議採用1080p的解析度以達到更高的辨識度。 Satellogic 的技術長兼共同創辦人Gerardo Richarte 表示，該公司正在建造和運作一個衛星群，收集多光譜和高光譜圖像，以及全動態影像（full-motion video，FMV）。 安全事件發生時，例如駕駛員猛踩剎車以避免碰撞的緊急剎車動作，會觸發 Trimble 的「影像智慧」（Video Intelligence）工具。 這些影像可用於緩解駕駛員承受的風險、防止事故期間的責任，或者用於駕駛員培訓。 因此，有許多環節都會影響發展，可能跟著受益，或是遭到池魚之殃，企業在開發、建置、維護上，都必須從多種面向去考量。
邊緣運算實例: 3 透過系統架構優化實現最佳效能
切換成其他解決方案將造成不必要的延遲，並使其系統部署落後競爭對手，因此研揚科技全面而完備的NVIDIA產品線解決方案，便成為該公司的首選。 邊緣運算實例 硬體選定後，同時還需要客製構建的BIOS組態才能滿足其AI軟體需求。 請務必注意，每個人必須選取任何一種指定的人臉辨識程序來綁定的臉部照片。 在邊緣架構的解決方案中，被擷取的資訊包含臉部特徵值數據(透過高維度擷取)，以供未來進行比對和識別使用。 此特徵值不包含實際的人臉圖片、無法重構人臉，並且與所有可進行身份識別的個人訊息分開儲存。 臉部辨識技術的建置類型主要包括「雲端人臉辨識服務」(如：Microsoft、AWS等)及「邊緣裝置人臉辨識」兩大類。
2021年分散雲技術，預計鎖定「5G基礎建設」、「區域型5G企業專網」為場域，成為5G行動運算服務的核心技術組成。 頻寬 部分 IoT 應用程式產生的資料量相當驚人，而將這些資料全部傳送到雲端的相關成本也同樣驚人，因此本機處理是更務實且有利的做法。 這也是需要串流大量內容的任何應用程式所面臨的最大限制，包括用於石油與天然氣探勘應用程式的高畫質視訊。 延遲時間 部分應用程式需要極低的延遲時間，也就是資料封包前往其目的地並返回所需的時間。 與安全性有關的任何應用程式 (例如無人駕駛車輛、醫療保健業或工業廠房應用) 需要近乎即時的反應時間。
邊緣運算實例: 數位部開放WiFi 6E頻段 業者：發展邊緣AI必走的路
甚至因應目前人工智慧運算加速需要更大算力資源，當企業沒有足夠能力採購大量CPU、GPU情況下，依然可以透過VMware虛擬化解決方案，配合雲端運算方式使用虛擬化CPU、GPU運算資源，即可透過雲端協同運算方式加快人工智慧模型訓練，並且佈署應用在實際應用服務。 近年來倉儲、物流、農業等相關機構，開始轉型使用自主移動機器人（AMR）技術。 與傳統工廠中自動導引車系統（AGV）的不同之處，在於AMR可透過感測器感知周遭環境變化，改變路徑以避免碰撞。 邊緣運算實例2023 邊緣運算實例 邊緣運算可幫助優化ROS機器人作業系統，低延遲特性更加速AMR的開發部署。 「邊緣運算聯邦式學習」意指以聯邦式學習模型（FL）為基礎，在非雲端的邊緣運算環境之中，進行數據訓練與學習的模型。 相關產業技術有：無伺服器（Serverless）、微服務（Micro-service）、容器化（Container）、多代理人基礎的彈性邊緣運算（Multi-agent Based Flexible Edge Computing）等。
- 「微型資料中心網路」意指由大量的微型資料中心（Micro-Datacenter）所形成的新型態的儲存網路（Network）或網格（Grid）基礎建設，以及讓此一網路基礎建設可以加以運行、管理的解決方案。
- 對於大量使用者及資料流量的未來5G行動網路，國際電信聯盟（ITU-R）訂出了低延遲、高容量及良好使用者經驗三大特性的5G服務需求標準。
- 如果沒有 IoT，Uber 和 Lyft 不可能得以實現，短期自行車和機車租賃服務也不可能得以實現。
- 對 Trimble 來說，邊緣分析提供了一種方法，能以更快的速度交付洞見。
- 此外，FaceMe®亦支援OpenVINO™、TensorRT、 Qualcomm SNPE及MediaTek NeuroPilot等多種AI邏輯推理引擎。
- 大部分人工智慧服務商會使用雲端服務或私人資料中心中提供對應的資料和運算資源。
部分 IoT 應用程式產生的資料量相當驚人，而將這些資料全部傳送到雲端的相關成本也同樣驚人，因此本機處理是更務實且有利的做法。 雲端運算運用集中化資料中心，而邊緣運算則是運用網路邊緣的分散式微型資料中心，在更靠近產生資料的位置中使用資料。 此處的解決方案應包括參考架構的採用，以確保每個邊緣部署的一致性。 這類架構可定義出裝置和服務的基本水準，同時能根據每個位置個別需要施以局部性變化。
邊緣運算實例: 1 邊緣裝置：低成本、高彈性的人臉辨識
全漢為零售業提供合適的邊緣設備電源供應器，打造更良好的消費體驗。 邊緣運算人工智慧晶片帶來的效益，與人工智慧晶片有部分重疊，但兩者最大的差異在於邊緣運算人工智慧晶片，主要是以降低雲端運算數據壅塞，縮短智慧分析可能的延遲率等，以及「補足雲端運算服務」作為主要核心效益思考。 然而，邊緣運算人工智慧晶片的設計架構、材料、製程等課題，會受到不同的應用、資訊設備類型牽引，2021年必須持續觀察面向有二：第一，雲端服務提供商與半導體設計商的異業合作態勢；第二，邊緣運算人工智慧所採用的數據累積、數據訓練、數據推論的生成模型。 軟體定義廣域網路，是在廣域網路的位置之上，藉由軟體應用程式來感知、確認最佳化路由，實現邊緣運算資源池（Edge Resource Pool）的關鍵技術。
處理能力放在包括IoT裝置的LAN裡面，這個網路內的IoT閘道器，或者說是霧節點用於資料收集，處理，儲存。 多種來源的資訊收集到閘道器裡，處理後的資料傳送回需要該資料的裝置。 VMware 邊緣運算實例2023 今天還宣佈，用於加速邊緣數位化轉型的代管連接服務VMware Private Mobile Network將於本季度（2024 財年第三季度）上線。
邊緣運算實例: 技術支援
客戶通常是汽車貨運公司，每天從它們的車載資訊裝置產生超過 100 億個資料點，其中包括 50 多個變數，例如引擎溫度、渦輪轉速、油壓、速度和冷卻液液位。 無論邊緣資料中心位於何處，若要確保其可靠性和效能，則需要因應三項關鍵需求：遠端管理、迅速且標準化的部署，以及實體安全性。 基本上，這些應用形式雖然並不限於特定網路傳輸環境，但若能搭配5G專網來連接，在相關設備的部署上，理應更不會受到網路訊號的涵蓋範圍與傳輸速度限制，因此，5G專網也能視為邊緣運算的相關議題。 霧計算的特點是處理能力強的單個裝置接收多個端點來的資訊，處理後的資訊發回需要的地方，和雲端計算相比延遲更短。 但不同的是，這一次，資料不用再傳到遙遠的雲端，在邊緣側就能解決，更適合實時的資料分析和智慧化處理，也更加高效而且安全。 簡單說起來，便是企業有很多種方式可以建構人工智慧服務，而在VMware的協助之下，將能有事半功倍的效果，甚至可以藉由VMware擔任「Hub」的角色囊括更多技術應用資源。
