特别是在机械工程领域，用户推出的很多工业 4.0 方案都要依赖于在设备层进行的数据分析。控制系统及边缘设备中具备的可扩展的计算能力可以分配足够的资源来分析本地以及生产线上的数据。但可以在云边缘合理地提供多少智能呢?如何有效地在云和边缘之间分配任务?在下面的趋势访谈中，来自倍福的 Josef Papenfort 博士与《Elektro Automation》杂志副主编 Andreas Gees 就这些前瞻性问题进行了深入探讨。
Elektro Automation：支持将 AI 算法集成到本地应用(即控制系统或边缘设备)的理由是什么?它与基于云的解决方案相比有什么优势吗?数据安全又起着什么样的重要作用?
Josef Papenfort 博士：是否应该执行 AI 算法，很大程度上取决于可接受的等待时间和成本限额。AI 算法依赖于大数据，此时，重要的是将在训练过程最初仅需使用一次的数据与在推理模式下预测性运行的训练网络中一直需要使用的数据区分开来。若要在云端中进行机器学习和推理，就必须具有足够高的数据传输速率。对于基于云的系统，这样做的成本可能不菲，而且如果可用的网络带宽不足，这样做可能会导致功能受限。另一方面，在边缘设备上运行推理需要一次性投入硬件，然后才能通过本地网络高速共享数据。相反，学习过程可以在云端进行：数据只需上传一次，因为这个过程是有限的，不是连续的。当然，学习过程可能需要大量的计算资源，但这只是暂时的;在这种情况下，按现收现付模式计费的云资源就非常适用。
德国倍福 TwinCAT 产品经理 Josef Papenfort 博士
京公网安备 11011202001138号
