邊緣運算
Edge Computing
什麼是邊緣運算?
- 在資料產生的現場直接處理
- 反應快、可離線運作、安全性較佳
- 雲端與角色分工
導入邊緣運算後,最先改變的是判斷權的位置。在此之前,現場設備只是把資料上傳、等待回覆的終端;一旦設置邊緣,設備旁的裝置就能自行判定門檻值並發出停機訊號。線路斷線的30分鐘期間,產線是繼續運轉還是停止,就取決於此。成本結構也隨之改變——過去每秒上傳數千筆感測器數值的流量,改為只上傳摘要後的結果值,線路費與儲存費因此一起下降。
邊緣並非單一的一整塊,而是分層的。在裝置本身放入晶片的裝置端邊緣、設在產線或賣場單位的閘道器・伺服器端邊緣,以及架在電信基地台上的 MEC(行動邊緣運算),各自負責不同的區段。實務上的選擇標準是 可容忍的延遲時間——若業務能承受 100~200ms 的來回延遲,雲端就足夠;若要求 10ms 以內,就必須下放到設備旁邊。常有人把它和 CDN 搞混,但 CDN 是把已製作好的內容預先放在靠近使用者的地方,邊緣運算則是 直接在現場執行運算與判斷,兩者並不相同。
最常見的誤解是以為部署邊緣運算就能省下雲端成本。實際上,管理對象會從幾台伺服器變成數百台現場設備,營運負擔反而增加。若在12個工廠部署200台邊緣盒,卻沒有建立遠端部署機制,每次更換檢測模型,工程師都得開車到現場插USB,而且各現場的模型版本會各不相同。「資料不外流,所以安全」這句話也只說對了一半:沒上鎖的現場櫃子裡的設備可以被實際帶走,兩年未更新安全修補程式的邊緣終端,反而可能成為內部網路的入侵路徑。邊緣運算不是雲端的替代品,而是讓營運組織多出一個要管理的層級,這樣看比較貼近現實。
| 比較 | 邊緣運算 | 雲端運算 |
|---|---|---|
| 處理位置 | 資料產生的現場 | 中央資料中心 |
| 優點 | 快速・可離線・安全 | 大規模・綜合分析 |
| 用途 | 即時反應(自駕車、工廠) | 沉重的分析・儲存 |
隨著物聯網、5G與即時處理需求增加而興起的分散式運算方式,補足了雲端在延遲與頻寬上的限制。
以下為假設案例。全體員工 480 人、年營收 KRW 230,000,000,000 (≈ US$172,148,000) 的汽車零件射出成型廠 A 公司,過去把產品外觀檢測交給雲端 AI。上傳影像並取得判定,來回需要 700ms,跟不上每分鐘 40 件的產線速度;加上不良品外流,客戶每月來客訴 3 件。他們以四個月的時程,展開邊緣化轉換。
- 生產技術組的 Choi 協理花了兩週抽出日誌,發現 700ms 中有 480ms 是影像傳輸時間。「問題不在運算慢,而是來回傳輸」這一句話,定下了專案方向。
- IT團隊在三條產線各放置一台GPU邊緣盒,只下放判定模型。將學習放在雲端、推論放在現場後,判定時間從700ms縮短為18ms。
- 設備主管問:'網路一斷,是不是又要停線?'於是我們加入離線模式:線路故障時,邊緣裝置會獨立檢測 4 小時,恢復後再把結果回傳。
- 營運負擔則是下一道難關。品管組與 IT 組把模型部署改為遠端批次方式統一處理,讓重新訓練的模型能同時套用到 3 條產線,版本也改為在同一個管理畫面上查看。
- 歷經 4 個月轉換與 2 個月穩定期後,不良品外流從每月 3 件降至 0.3 件,產線稼動率由 82% 提升至 91%,影像傳輸量減少 94%,雲端費用則從每月 KRW 11,000,000 (≈ US$8,230) 降至 KRW 2,400,000 (≈ US$1,800)。
- 需要即時反應的場域(自動駕駛、工廠)
- 網路不穩・離線備援
- 資料不能傳到外部時
- 沉重、綜合性的分析(→雲端)
- 裝置資源非常有限時
- 即時性要求不高的作業
鄭一永
Jaryong Koo