Computer Research

🖍🖍 کدام فناوری ها یا گرایش ها توانایی پیشبرد محاسبات لبه را دارند؟

🖌پیشرفت در سخت افزار لبه: دنیای کاملاً جدیدی از رایانه های بسیار قدرتمند وجود دارد که کوچک ، زیرک و قادر به رفع بسیاری از مشکلات محاسباتی و ذخیره سازی در لبه هستند. این زمینه را برای موارد استفاده پیچیده تر از محاسبات لبه ای هموار می کند.

🖌یادگیری ماشین و هوش مصنوعی: دستگاه های محاسباتی قدرتمندی رو به لبه هستند که همه آنها مجهز به پردازنده های گرافیکی هستند که راه را برای حرکت ML و AI به لبه هموار می کنند. نیاز به یک مدل ML در لبه در حال حاضر وجود دارد ، و این فقط در آینده اهمیت بیشتری خواهد یافت.

🖌تحول دیجیتال: هر بنگاه اقتصادی یک ابتکار تحول دیجیتال را آغاز می کند ، اما تغییری که ما مشاهده می کنیم این است که این ابتکارات به لبه خود منتقل می شوند. این موارد می تواند ساده باشد ، مانند یک شرکت نفت و گاز که پرونده های مربوط به ورود به سیستم را از 130،000 دستگاه پردازش می کند ، یا کارهای متعهدتر ، مانند انجام تعمیر و نگهداری پیش بینی در هزاران کیوسک هواپیمایی.

🖌اتومبیل های متصل و خودمختار: تقریباً همه آنها یک ابتکار فعال اتومبیل متصل یا خودمختار دارند. ظهور چنین مفاهیمی برای افزایش ظهور رایانه های لبه ای بسیار مفید است زیرا این موارد استفاده نیاز به درجه بالایی از پردازش ، ذخیره سازی و غنی سازی مدل ML در لبه خود دارد.

🖌نیاز به بینش های فوری: بینش های لحظه ای نظم روز است و بنگاه های اقتصادی به تجزیه و تحلیل پیش بینی گذشته می پردازند و درخواست تجزیه و تحلیل تجویز می کنند. این باعث می شود لبه هوشمندانه تری ایجاد شود تا با رسیدن به یک دریاچه داده ، داده ها بیات نشوند. پردازش چنین داده هایی باید در لبه ، یا حداقل روش قبل از رسیدن به دریاچه داده انجام شود.

#EdgeComputing

@ComputerResearch

www.tgoop.com/ComputerResearch/2883

4.95K viewsMar 3, 2021 at 18:23

🖍🖍 کدام فناوری ها یا گرایش ها توانایی پیشبرد محاسبات لبه را دارند؟

🖌پیشرفت در سخت افزار لبه: دنیای کاملاً جدیدی از رایانه های بسیار قدرتمند وجود دارد که کوچک ، زیرک و قادر به رفع بسیاری از مشکلات محاسباتی و ذخیره سازی در لبه هستند. این زمینه را برای موارد استفاده پیچیده تر از محاسبات لبه ای هموار می کند.

🖌یادگیری ماشین و هوش مصنوعی: دستگاه های محاسباتی قدرتمندی رو به لبه هستند که همه آنها مجهز به پردازنده های گرافیکی هستند که راه را برای حرکت ML و AI به لبه هموار می کنند. نیاز به یک مدل ML در لبه در حال حاضر وجود دارد ، و این فقط در آینده اهمیت بیشتری خواهد یافت.

🖌تحول دیجیتال: هر بنگاه اقتصادی یک ابتکار تحول دیجیتال را آغاز می کند ، اما تغییری که ما مشاهده می کنیم این است که این ابتکارات به لبه خود منتقل می شوند. این موارد می تواند ساده باشد ، مانند یک شرکت نفت و گاز که پرونده های مربوط به ورود به سیستم را از 130،000 دستگاه پردازش می کند ، یا کارهای متعهدتر ، مانند انجام تعمیر و نگهداری پیش بینی در هزاران کیوسک هواپیمایی.

🖌اتومبیل های متصل و خودمختار: تقریباً همه آنها یک ابتکار فعال اتومبیل متصل یا خودمختار دارند. ظهور چنین مفاهیمی برای افزایش ظهور رایانه های لبه ای بسیار مفید است زیرا این موارد استفاده نیاز به درجه بالایی از پردازش ، ذخیره سازی و غنی سازی مدل ML در لبه خود دارد.

🖌نیاز به بینش های فوری: بینش های لحظه ای نظم روز است و بنگاه های اقتصادی به تجزیه و تحلیل پیش بینی گذشته می پردازند و درخواست تجزیه و تحلیل تجویز می کنند. این باعث می شود لبه هوشمندانه تری ایجاد شود تا با رسیدن به یک دریاچه داده ، داده ها بیات نشوند. پردازش چنین داده هایی باید در لبه ، یا حداقل روش قبل از رسیدن به دریاچه داده انجام شود.

#EdgeComputing

@ComputerResearch

BY Computer Research