透过AI学习，可透过统一高效的外观检测，来解决产品检测中的各种问题，例如视觉判断的变化以及检测设备难以处理的产品。

人工智慧技术近年来已经开始被引入各个产业。除了医药、工业等领域外，包括农业、渔业等看似与人工智慧无关的行业的案例也很多。因此，可以毫不夸张地说，人工智慧正在渗透到我们的日常生活中。在这种情况下，「边缘AI」近年来倍受关注。边缘AI是汽车自动驾驶、自动化生产、数位转换、智慧检测等的关键技术之一，相信未来将吸引更多的业者投入。

我们先来讨论一下边缘AI与云端AI的差异和优缺点之後，再更进一步的观察应用於工件生产检测的技术和产业现况。

边缘AI是即时处理数据不可或缺的技术，并且随着技术的发展而不断增加。尤其是近年来，更在物联网加速发展下，可以说是一项发挥着极其重要作用的技术。而云端AI是指Google、Amazon、Microsoft、IBM等在云端提供的平台服务。

虽然云端AI和边缘AI之间存在即时运算或处里的差异，但云端的优势却是在於可通过积累大量学习数据，并利用CPU和GPU的能力进行高速处理来构建学习模型，正因为如此，越来愈多的业者提供云端平台的服务。

但随着物联网的普及，这种情况正在逐渐发生变化，因为终端已经可以透过无线通讯来收集和传送数据，同时自动上传数据到云端的环境也开始发展。最重要的是，因为数据资料的不同，有些东西上传到云端的风险非常高，所以将机密讯息上传到云端仍然是相当危险的。

此外，当需要快速处理时，往往需要在云端花费时间，而这需要通过网路进行处理。因此近年来，在终端进行高速处理的「边缘AI」也就逐渐被重视和成为新趋势。

在过去的这段时间，已经有相当多人讨论云端AI平台的优缺点，因此在这里仅来分析一下相对於云端AI平台的边缘AI架构下优缺点。

边缘AI的优势

可即时判断

导入边缘人工智慧的最大好处之一是能够做出即时决策。边缘AI是在终端进行AI运算处理，因此不会像在云端平台那样的有着回应延迟的问题。因此，它在需要速度的任务中非常有用，例如终端控制和态势感知。

可以降低沟通成本

正如之前说明的，边缘AI在终端侧进行处理。而且仅需将学习所需的数据发送到云端，因此可以减少不必要的通讯成本。可以说，与所有数据都在终端发送的云端平台相比，能够降低通讯成本也是一个很大的优势。

强化安全性

边缘AI的特点是推理(终端)和学习(云端)在不同的地方进行。因此，可以将具有资讯泄露风险的数据储存在终端。此外，由於处理是在不透过网路的情况下进行的，因此无需担心在网路环境中受到攻击或窃取的风险。

边缘人工智慧的缺点

处理能力有限

边缘AI最大的缺点是难以处理大规模数据，因为处理是在终端进行。另一个问题是推理和学习是在不同的地方进行的，因此不适合高级处理。

操作门槛高

由於边缘人工智慧的特点就是「把AI内建在终端设备里」，因此操作门槛并不低。系统设计、维护和运营都有困难度，因此对於没有专业知识员工的企业来说，在维持熟练操作的难度会很大。

利用AI简化目视标准不明确产品的检查

透过AI学习，可透过统一高效的外观检测，来解决产品检测中的各种问题，例如视觉判断的变化以及检测设备难以处理的产品。

对生产线上流动的产品，透过目视一一进行检查，需要大量的人员和时间，不仅成本高昂，而且必须考虑人为错误。因此在检测生产线上中安装配备影像识别技术的摄影镜头，扫描沿生产线流动的产品，并透过导入AI智慧检测系统检测缺陷产品，已经是工业4.0或数位转换潮流下的大趋势。

如果再加上边缘AI其即时反应速度的独特之处，利用读取无缺陷产品影像的机器学习，可做出类似於资深熟练人员的检查能力，来对高速流动的产品更能够准确快速地判断。此外，人工智慧更可进行24小时运行，降低人工成本，防止因个体差异而产生品质差异。

异常检测有多种方法，包括统计方法、聚类算法和深度学习。基於深度学习的异常检测算法，因其可以学习复杂模式并检测异常而受到欢迎。然而，异常检测的挑战之一是难以定义出预期或正常行为，因为这可能会根据应用程序和系统本身而变化(图1)。

图1 : 异常检测技术分类。（source：Wevolver；作者整理）

不过在制造现场，需要在多条生产线上进行检测，需要分析的影像数量相当庞大。 许多工厂希??在执行视觉检测时能尽量减少延误，因此认为将所有资料上传到云端平台并不现实，同时许多工厂还认为将生产现场的资讯发送到公司外部(云端)会带来安全问题，因此对在生产现场对人工智慧操作的需求越来越大。

但目前的问题是，由於缺乏低成本与架构简单的内部数据中心，再加上大多业者并没有相关的专业人员，因此生产现场人工智慧的推广实施进展并不顺利。

在边缘AI的概念出现後，以可解决大部分的问题，也就是说，针对不愿接受数据处理出现长时间延迟，或者出於安全原因拒绝将资料上传到云端平台的对象，那麽生产现场导入「边缘人工智慧」进行即时分析处理，则是有相当大的帮助性。

边缘AI在制造业中的一些最显着的用例包括：

1.即时检测缺陷作为品质检查流程的一部分，并且利用深度神经网络分析产品影像。

2.基於工业机器人低延迟操作，执行即时生产任务。

3.基於增强实境（AR）和混合实境（MR）设备，为现场技术人员提供远端支援。

4.利用低延迟边缘运算节点实现即时呈现。

5.基於人工智慧的AR/MR流（例如基於人工智慧的维修建议），并有效地将远端专家的指导传递给现场技术人员。

透过边缘学习填补传统视觉规则空白

对於基於规则的机器学习解决方案来说，许多机器视觉的应用面临相当艰巨的挑战过於，但投资回报率又不足以保证开发和维护完整的深度学习解决方案。为了解决这个问题，机器视觉业者开始开发了边缘学习，这是一种填补深度学习，和传统基於规则的视觉之间空白的人工智慧（图2）。

图2 : 优化嵌入式机器视觉系统的边缘学习网路，需要调整影像大小，以便针对重要且感兴趣的区域进行分析。（source：Cognex）

边缘学习是为工业自动化量身定制的一种深度学习形式。它包括两个步骤：预训练和特定用例训练。边缘学习供应商使用为一般工业自动化最隹化的大型资料集进行第一步。再由客户本身自行完成第二步，为其特定用例添加少量学习影像。这比深度学习涉及的影像要少得多，通常要少一到两个数量级（图3）。

图3 : 边缘学习神经网路由业者在针对工业自动化的大量数据集上进行预训练。未来，客户只需几分钟即可完成针对其特定用例进行第二部分的训练。（source：Cognex）

由於边缘学习需要训练的影像少得多，因此对训练硬体的要求也更轻。多数的边缘学习训练模型甚至不需要GPU架构。对於许多应用来说，可以透过嵌入式智慧相机边缘学习解决方案，将提供更快、更轻松的影像设置和采集，因为智慧相机平台内建了感测器、光学元件、处理器和照明等多个元件。最大限度地降低了因连接PC和整合推理引擎而产生的硬体整合问题，最终简化了机器学习系统的复杂性。

同时还可以降低成本，以及提高灵活性。如果采用高阶GPU的话，不仅会显着增加硬体成本，也更难调整适应到现有的生产线上。相比之下，配备嵌入式神经处理单元（NPU），甚至仅内建CPU的智慧相机，就能够进行训练和运作边缘学习工具。

无论选择哪种平台，边缘学习都比传统的基於规则的深度学习解决方案具有许多优势。由於它需要较少的影像（尤其是难以找到的缺陷影像），因此用户只需透过几个范例零件，即可快速确定项目的可行性。一旦获得确认，开发周期就会变得更快。更加简单，也不再需要数据专家。

边缘学习非常适合电子和半导体制造业者。这些产业必须平衡大量生产、严格的品质要求、以及广泛的产品变化和强大的价格压力。对此，边缘学习提供了一种有效的方法，来检查组件品质以及模组和PCB组装。它可以检测刮痕、污渍、缺囗和凹痕等缺陷，更可对零件类型及其品质进行分类。如果边缘学习的OCR足够强大的话，还可以应对高倍率蚀刻和刻划字符串的挑战。

因此边缘学习有利於半导体和电子制造领域的不同叁与者。包括了，原始设备制造商可以使用边缘学习，更轻松地解决具有挑战性的机器视觉问题，并为客户提供支援。此外，边缘学习易於再训练，让最终用户能够快速解决问题并增加新产品，从而减少对售後支援和服务成本的需求。

解决边缘AI实施难题 支援高效运营的软体

导入「边缘AI」不仅对那些希??进行DX的工厂来说是一个有效的策略，对那些已经在云端平台或内部建立资料中心，且运行AI的工厂来说更是如虎添翼，透过将云端平台，和内部构建的学习模型无缝应用到边缘设备，更可快速实现高效的系统构建。

近年来，人工智慧应用在各个领域取得了长足发展，原因之一就是能够利用GPU 进行运算处理。目前已经有人工智慧相关业者了利用货柜架构技术（Container Structure），开发出更高效地管理数据中心（学习模型）和边缘端软体系统，来解决制造领域人工智慧系统构建和运作的问题（图4）。

图4 : 人工智慧相关业者了利用货柜架构技术，开发出更高效地管理数据中心。（source：Mynavi；作者整理）

货柜架构技术非常适合人工智慧，例如，日本系统业者Ryoyo Electro透过利用基於Docker的货柜架构管理平台Rancher，和货柜架构Orchestration系统Kubernetes，将人工智慧系统从资料中心带到边缘，让人工智慧系统可以在 Kubernetes上进行整合和管理。因此，人工智慧系统需要采用最新技术，不断提高学习模型的准确性，就像透过货柜架构技术的使用，来实现高效的环境构建和持续更新（图5）。

图5 : 日本Ryoyo Electro将人工智慧系统从资料中心带到边缘，让人工智慧系统可以在Kubernetes上进行整合和管理（source：Ryoyo Electro；作者整理）

不过，对於有兴趣导入边缘AI的工厂来说，仍有另一个担??的原因，就是在导入时，需要对设备进行持续更新，而在多个工厂或生产线上进行逐一更新安装，这是一项庞大也非常耗时的工作，尽管如此，应用程式和作业系统的持续更新，这对於人工智慧的使用是必不可少的，因此如何让这项工作更有效率，是边缘AI引入的一大挑战。

为了解决这个问题，Ryoyo Electro也开发了边缘设备更新的自动化软体，将应用的更新程式分送到每一个边缘设备，来创建一个无需花费人力就能支援频繁人工智慧更新的系统。

结论

边缘AI是一种无需依赖云端，只需利用少量数据即可做出决策的人工智慧技术。随着物联网的普及，近年来持续地快速发展，企业的DX转型也不例外。此外，边缘AI技术对於实现自动驾驶、智慧工厂也是不可或缺的。虽然不适合应用在数据量大或数据复杂的环境，但却可满足现场对於快速输出、判断和处理，且不经过云端，以及加强资讯安全的高度需求。如果在配合高速无线网路和区域数据中心的「区域边缘云端」，来收集该区域内各个终端的解决方案数据，并使用边缘运算系统处理数据，减少流量并即时响应，更可将边缘AI推升到更高阶的平台架构。