透過AI學習，可透過統一高效的外觀檢測，來解決產品檢測中的各種問題，例如視覺判斷的變化以及檢測設備難以處理的產品。

人工智慧技術近年來已經開始被引入各個產業。除了醫藥、工業等領域外，包括農業、漁業等看似與人工智慧無關的行業的案例也很多。因此，可以毫不誇張地說，人工智慧正在滲透到我們的日常生活中。在這種情況下，「邊緣AI」近年來倍受關注。邊緣AI是汽車自動駕駛、自動化生產、數位轉換、智慧檢測等的關鍵技術之一，相信未來將吸引更多的業者投入。

我們先來討論一下邊緣AI與雲端AI的差異和優缺點之後，再更進一步的觀察應用於工件生產檢測的技術和產業現況。

邊緣AI是即時處理數據不可或缺的技術，並且隨著技術的發展而不斷增加。尤其是近年來，更在物聯網加速發展下，可以說是一項發揮著極其重要作用的技術。而雲端AI是指Google、Amazon、Microsoft、IBM等在雲端提供的平台服務。

雖然雲端AI和邊緣AI之間存在即時運算或處裡的差異，但雲端的優勢卻是在於可通過積累大量學習數據，並利用CPU和GPU的能力進行高速處理來構建學習模型，正因為如此，越來愈多的業者提供雲端平台的服務。

但隨著物聯網的普及，這種情況正在逐漸發生變化，因為終端已經可以透過無線通訊來收集和傳送數據，同時自動上傳數據到雲端的環境也開始發展。最重要的是，因為數據資料的不同，有些東西上傳到雲端的風險非常高，所以將機密訊息上傳到雲端仍然是相當危險的。

此外，當需要快速處理時，往往需要在雲端花費時間，而這需要通過網路進行處理。因此近年來，在終端進行高速處理的「邊緣AI」也就逐漸被重視和成為新趨勢。

在過去的這段時間，已經有相當多人討論雲端AI平台的優缺點，因此在這裡僅來分析一下相對於雲端AI平台的邊緣AI架構下優缺點。

邊緣AI的優勢

可即時判斷

導入邊緣人工智慧的最大好處之一是能夠做出即時決策。邊緣AI是在終端進行AI運算處理，因此不會像在雲端平台那樣的有著回應延遲的問題。因此，它在需要速度的任務中非常有用，例如終端控制和態勢感知。

可以降低溝通成本

正如之前說明的，邊緣AI在終端側進行處理。而且僅需將學習所需的數據發送到雲端，因此可以減少不必要的通訊成本。可以說，與所有數據都在終端發送的雲端平台相比，能夠降低通訊成本也是一個很大的優勢。

強化安全性

邊緣AI的特點是推理(終端)和學習(雲端)在不同的地方進行。因此，可以將具有資訊洩露風險的數據儲存在終端。此外，由於處理是在不透過網路的情況下進行的，因此無需擔心在網路環境中受到攻擊或竊取的風險。

邊緣人工智慧的缺點

處理能力有限

邊緣AI最大的缺點是難以處理大規模數據，因為處理是在終端進行。另一個問題是推理和學習是在不同的地方進行的，因此不適合高級處理。

操作門檻高

由於邊緣人工智慧的特點就是「把AI內建在終端設備裡」，因此操作門檻並不低。系統設計、維護和運營都有困難度，因此對於沒有專業知識員工的企業來說，在維持熟練操作的難度會很大。

利用AI簡化目視標準不明確產品的檢查

透過AI學習，可透過統一高效的外觀檢測，來解決產品檢測中的各種問題，例如視覺判斷的變化以及檢測設備難以處理的產品。

對生產線上流動的產品，透過目視一一進行檢查，需要大量的人員和時間，不僅成本高昂，而且必須考慮人為錯誤。因此在檢測生產線上中安裝配備影像識別技術的攝影鏡頭，掃描沿生產線流動的產品，並透過導入AI智慧檢測系統檢測缺陷產品，已經是工業4.0或數位轉換潮流下的大趨勢。

如果再加上邊緣AI其即時反應速度的獨特之處，利用讀取無缺陷產品影像的機器學習，可做出類似於資深熟練人員的檢查能力，來對高速流動的產品更能夠準確快速地判斷。此外，人工智慧更可進行24小時運行，降低人工成本，防止因個體差異而產生品質差異。

異常檢測有多種方法，包括統計方法、聚類算法和深度學習。基於深度學習的異常檢測算法，因其可以學習複雜模式並檢測異常而受到歡迎。然而，異常檢測的挑戰之一是難以定義出預期或正常行為，因為這可能會根據應用程序和系統本身而變化(圖1)。

圖1 : 異常檢測技術分類。（source：Wevolver；作者整理）

不過在製造現場，需要在多條生產線上進行檢測，需要分析的影像數量相當龐大。 許多工廠希望在執行視覺檢測時能儘量減少延誤，因此認為將所有資料上傳到雲端平台並不現實，同時許多工廠還認為將生產現場的資訊發送到公司外部(雲端)會帶來安全問題，因此對在生產現場對人工智慧操作的需求越來越大。

但目前的問題是，由於缺乏低成本與架構簡單的內部數據中心，再加上大多業者並沒有相關的專業人員，因此生產現場人工智慧的推廣實施進展並不順利。

在邊緣AI的概念出現後，以可解決大部分的問題，也就是說，針對不願接受數據處理出現長時間延遲，或者出於安全原因拒絕將資料上傳到雲端平台的對象，那麼生產現場導入「邊緣人工智慧」進行即時分析處理，則是有相當大的幫助性。

邊緣AI在製造業中的一些最顯著的用例包括：

1.即時檢測缺陷作為品質檢查流程的一部分，並且利用深度神經網絡分析產品影像。

2.基於工業機器人低延遲操作，執行即時生產任務。

3.基於增強實境（AR）和混合實境（MR）設備，為現場技術人員提供遠端支援。

4.利用低延遲邊緣運算節點實現即時呈現。

5.基於人工智慧的AR/MR流（例如基於人工智慧的維修建議），並有效地將遠端專家的指導傳遞給現場技術人員。

透過邊緣學習填補傳統視覺規則空白

對於基於規則的機器學習解決方案來說，許多機器視覺的應用面臨相當艱巨的挑戰過於，但投資回報率又不足以保證開發和維護完整的深度學習解決方案。為了解決這個問題，機器視覺業者開始開發了邊緣學習，這是一種填補深度學習，和傳統基於規則的視覺之間空白的人工智慧（圖2）。

圖2 : 優化嵌入式機器視覺系統的邊緣學習網路，需要調整影像大小，以便針對重要且感興趣的區域進行分析。（source：Cognex）

邊緣學習是為工業自動化量身定制的一種深度學習形式。它包括兩個步驟：預訓練和特定用例訓練。邊緣學習供應商使用為一般工業自動化最佳化的大型資料集進行第一步。再由客戶本身自行完成第二步，為其特定用例添加少量學習影像。這比深度學習涉及的影像要少得多，通常要少一到兩個數量級（圖3）。

圖3 : 邊緣學習神經網路由業者在針對工業自動化的大量數據集上進行預訓練。未來，客戶只需幾分鐘即可完成針對其特定用例進行第二部分的訓練。（source：Cognex）

由於邊緣學習需要訓練的影像少得多，因此對訓練硬體的要求也更輕。多數的邊緣學習訓練模型甚至不需要GPU架構。對於許多應用來說，可以透過嵌入式智慧相機邊緣學習解決方案，將提供更快、更輕鬆的影像設置和採集，因為智慧相機平台內建了感測器、光學元件、處理器和照明等多個元件。最大限度地降低了因連接PC和整合推理引擎而產生的硬體整合問題，最終簡化了機器學習系統的複雜性。

同時還可以降低成本，以及提高靈活性。如果採用高階GPU的話，不僅會顯著增加硬體成本，也更難調整適應到現有的生產線上。相比之下，配備嵌入式神經處理單元（NPU），甚至僅內建CPU的智慧相機，就能夠進行訓練和運作邊緣學習工具。

無論選擇哪種平台，邊緣學習都比傳統的基於規則的深度學習解決方案具有許多優勢。由於它需要較少的影像（尤其是難以找到的缺陷影像），因此用戶只需透過幾個範例零件，即可快速確定項目的可行性。一旦獲得確認，開發週期就會變得更快。更加簡單，也不再需要數據專家。

邊緣學習非常適合電子和半導體製造業者。這些產業必須平衡大量生產、嚴格的品質要求、以及廣泛的產品變化和強大的價格壓力。對此，邊緣學習提供了一種有效的方法，來檢查組件品質以及模組和PCB組裝。它可以檢測刮痕、污漬、缺口和凹痕等缺陷，更可對零件類型及其品質進行分類。如果邊緣學習的OCR足夠強大的話，還可以應對高倍率蝕刻和刻劃字符串的挑戰。

因此邊緣學習有利於半導體和電子製造領域的不同參與者。包括了，原始設備製造商可以使用邊緣學習，更輕鬆地解決具有挑戰性的機器視覺問題，並為客戶提供支援。此外，邊緣學習易於再訓練，讓最終用戶能夠快速解決問題並增加新產品，從而減少對售後支援和服務成本的需求。

解決邊緣AI實施難題 支援高效運營的軟體

導入「邊緣AI」不僅對那些希望進行DX的工廠來說是一個有效的策略，對那些已經在雲端平台或內部建立資料中心，且運行AI的工廠來說更是如虎添翼，透過將雲端平台，和內部構建的學習模型無縫應用到邊緣設備，更可快速實現高效的系統構建。

近年來，人工智慧應用在各個領域取得了長足發展，原因之一就是能夠利用GPU 進行運算處理。目前已經有人工智慧相關業者了利用貨櫃架構技術（Container Structure），開發出更高效地管理數據中心（學習模型）和邊緣端軟體系統，來解決製造領域人工智慧系統構建和運作的問題（圖4）。

圖4 : 人工智慧相關業者了利用貨櫃架構技術，開發出更高效地管理數據中心。（source：Mynavi；作者整理）

貨櫃架構技術非常適合人工智慧，例如，日本系統業者Ryoyo Electro透過利用基於Docker的貨櫃架構管理平台Rancher，和貨櫃架構Orchestration系統Kubernetes，將人工智慧系統從資料中心帶到邊緣，讓人工智慧系統可以在 Kubernetes上進行整合和管理。因此，人工智慧系統需要採用最新技術，不斷提高學習模型的準確性，就像透過貨櫃架構技術的使用，來實現高效的環境構建和持續更新（圖5）。

圖5 : 日本Ryoyo Electro將人工智慧系統從資料中心帶到邊緣，讓人工智慧系統可以在Kubernetes上進行整合和管理（source：Ryoyo Electro；作者整理）

不過，對於有興趣導入邊緣AI的工廠來說，仍有另一個擔憂的原因，就是在導入時，需要對設備進行持續更新，而在多個工廠或生產線上進行逐一更新安裝，這是一項龐大也非常耗時的工作，儘管如此，應用程式和作業系統的持續更新，這對於人工智慧的使用是必不可少的，因此如何讓這項工作更有效率，是邊緣AI引入的一大挑戰。

為了解決這個問題，Ryoyo Electro也開發了邊緣設備更新的自動化軟體，將應用的更新程式分送到每一個邊緣設備，來創建一個無需花費人力就能支援頻繁人工智慧更新的系統。

結論

邊緣AI是一種無需依賴雲端，只需利用少量數據即可做出決策的人工智慧技術。隨著物聯網的普及，近年來持續地快速發展，企業的DX轉型也不例外。此外，邊緣AI技術對於實現自動駕駛、智慧工廠也是不可或缺的。雖然不適合應用在數據量大或數據複雜的環境，但卻可滿足現場對於快速輸出、判斷和處理，且不經過雲端，以及加強資訊安全的高度需求。如果在配合高速無線網路和區域數據中心的「區域邊緣雲端」，來收集該區域內各個終端的解決方案數據，並使用邊緣運算系統處理數據，減少流量並即時響應，更可將邊緣AI推升到更高階的平台架構。