Edge Computing a Valós Idejű Ellenőrzéshez

Meghatározás és indoklás

Az edge computing egy elosztott számítási paradigma, ahol az adatfeldolgozás az adatgenerálás fizikai helyén vagy annak közelében történik, nem pedig egy központi felhőadatközpontban. Az infrastruktúra-ellenőrzés kontextusában az edge computing azt jelenti, hogy a mesterséges intelligencia következtetése közvetlenül az adatokat rögzítő drónon, robotjárművön vagy kézi eszközön fut. Az alapvető indoklás egyszerű: a nagy felbontású képek felhőbe küldésének és feldolgozásának oda-vissza késleltetése elfogadhatatlan a valós idejű operatív döntésekhez.

A késleltetési problémát a hálózati fizika számszerűsíti. Egy tipikus felhőalapú következtetési folyamat magában foglalja a kép rögzítését, tömörítését, vezeték nélküli átvitelét (Wi-Fi, 4G/5G vagy műhold), felhő előfeldolgozást, modellkövetkeztetést, eredménycsomagolást és visszaküldést a kezelőhöz. Még optimális 5G körülmények között is, ahol a rádiókapcsolat késleltetése 10-20 ezredmásodperc, a teljes felhőalapú következtetési késleltetés 200 ezredmásodperctől 2 másodpercig terjed, a hálózati torlódástól, a szerverterheléstől és a felhőrégió földrajzi távolságától függően. Egy 15 m/s (54 km/h) sebességgel haladó drón esetében egy 2 másodperces oda-vissza út azt jelenti, hogy a jármű 30 métert mozdult el, mielőtt megkapta volna a felismerési eredményt – ez elfogadhatatlan ráhagyás a közeli szerkezeti ellenőrzésnél, ahol a 0,2 mm szélességű repedéseket 3-5 méteres távolságból kell azonosítani.

Az edge következtetés teljesen kiküszöböli ezt a problémát. Egy NVIDIA Jetson AGX Orin rendszeren, amely 275 billió műveletet végez másodpercenként (TOPS) INT8 számításban, egyetlen előrecsatolás a ResNet-50 képosztályozóban körülbelül 3-5 ezredmásodpercet vesz igénybe. A kép előfeldolgozásával, méretezésével és eredménydekódolással együtt a teljes képkockánkénti késleltetés 50 ezredmásodperc alatt marad. Ez a 100 ezredmásodperc alatti visszacsatolási hurok lehetővé teszi a zárt hurkú autonóm viselkedéseket, mint például a repülési pálya módosítása egy gyanús terület újra rögzítéséhez, azonnali riasztás küldése a földi állomásra, vagy további érzékelő módok (pl. termikus vagy LiDAR) aktiválása keresztellenőrzés céljából.

A késleltetésen túl a sávszélesség érve ugyanilyen meggyőző. Egy 20 megapixeles ellenőrzési kép 8 bites RGB mélységben körülbelül 60 MB tömörítetlen adatot, vagy JPEG tömörítés után 3-8 MB-ot igényel a minőségi beállításoktól függően. Egyetlen 20 perces ellenőrző repülés, amely másodpercenként 1 képet rögzít, 1200 képet generál, összesen 3,6-9,6 GB adattal. 10 drónból álló flotta esetén, amelyek napi ellenőrzéseket végeznek, ez napi 36-96 GB-ra szaporodik. Ennek a mennyiségnek a celluláris vagy műholdas kapcsolaton keresztüli továbbítása költséges, lassú és gyakran lehetetlen a távoli infrastruktúra-helyszíneken, mint amilyenek a hegyi hidak, tengeri szélerőművek vagy távoli csővezeték-folyosók, ahol a kapcsolat 1-10 Mbps-ra korlátozódik. Az edge computing ezt úgy oldja meg, hogy a képeket helyben dolgozza fel, és csak az eredményeket továbbítja: észlelési koordinátákat, súlyossági osztályozásokat és opcionálisan 200x200 pixeles kivágatokat a felismert hibák körül. Ez 90-99%-kal csökkenti a továbbított adatmennyiséget, egy 9,6 GB-os napi adatfolyamot 100 MB alá tömörítve.

A biztonság és megfelelőség további indokot szolgáltat. Az edge feldolgozás elkerüli az érzékeny infrastruktúra-képek – beleértve a repülőtéri burkolatokat, katonai létesítményeket vagy kritikus energiatermelő létesítményeket – potenciálisan nem biztonságos vezeték nélküli kapcsolatokon történő továbbítását. Védelmi és kormányzati ellenőrzési programok esetében ez a helyi feldolgozási modell kielégíti az adatszuverenitási követelményeket, amelyek tiltják a minősített helyszíni képek felhőbe exportálását.

Edge AI Hardverplatformok

Az edge következtetés gyakorlati telepítése olyan speciális hardvertől függ, amely egyensúlyt teremt a számítási teljesítmény és a drónok hasznos terhének szigorú energia-, tömeg- és hőkorlátai között. Az alábbi platformok dominálják az edge AI ellenőrzési piacot.

NVIDIA Jetson Család

Az NVIDIA Jetson sorozata a legszélesebb körben telepített edge AI platform a drónos ellenőrzéshez, skálázható architektúrát kínálva a belépő szintű Nanótól a zászlóshajó AGX Orinig. Az összes Jetson modul közös szoftverkészletet – JetPack SDK – használ, amely tartalmazza a CUDA-t, cuDNN-t, TensorRT-t és optimalizált látáskönyvtárakat, lehetővé téve a kód hordozhatóságát a családon belül.

A Jetson AGX Orin 275 TOPS-en elegendő számítási teljesítményt nyújt egy U-Net szegmentációs modell futtatásához 4K felbontáson több mint 30 FPS sebességgel, ami alkalmassá teszi nagy felbontású burkolati repedéstérképezésre, ahol a szubmilliméteres hibaszélességeket nagy felületeken kell érzékelni. A Jetson Orin Nano, 40 TOPS-en és mindössze 7-15W-on, az optimális hatékonysági pontot képviseli a legtöbb drónos ellenőrzési munkaterheléshez, az eredeti Jetson Nano teljesítményének négyszeresét nyújtva hasonló energiafogyasztás mellett.

Intel Movidius és Neural Compute Stick

Az Intel Movidius Myriad X VPU (Vision Processing Unit) 4 TOPS INT8 következtetést kínál mindössze 1-2,5W energiafogyasztás mellett, 2-4 TOPS/W hatékonyságot érve el. Az Intel Neural Compute Stick 2 (NCS2) a Myriad X-et USB formátumban csomagolja, így prototípuskészítésre is alkalmas. A 4 TOPS-os felső korlát azonban könnyű modellarchitektúrákra – MobileNetV2, EfficientNet-Lite vagy tiny YOLO változatok – korlátozza, és nehézségekbe ütközik a mélyebb ResNet vagy EfficientNet modellekkel, amelyeket előnyben részesítenek a nagy pontosságú hibafelismeréshez. Szegmentációt (U-Net, DeepLab) vagy nagy felbontású objektumészlelést (YOLOv5-large, RT-DETR) igénylő alkalmazások esetében a Myriad X nem rendelkezik a valós idejű teljesítményhez szükséges memóriasávszélességgel és számítási sűrűséggel.

Qualcomm Snapdragon és AI Engine

A Qualcomm Snapdragon mobil platformjai Hexagon DSP-ket és Adreno GPU-kat integrálnak dedikált AI-gyorsítókkal, amelyek generációtól függően 10-30 TOPS-ot (INT8) szállítanak. A Snapdragon 8 Gen 3 34 TOPS-ot ér el körülbelül 5-8W fogyasztás mellett folyamatos következtetési munkaterhelés esetén. A Snapdragon platformok különösen relevánsak a kézi ellenőrző táblagépekhez és okostelefon-alapú ellenőrző eszközökhöz, ahol az AI-processzor már integrálva van a rendszerchipbe, és nem fogyaszt további hasznos teher tömeget vagy helyet. A Qualcomm AI Engine támogatja a TensorFlow Lite-ot, az ONNX Runtime-ot és a Qualcomm saját fejlesztésű SNPE-jét (Snapdragon Neural Processing Engine) a modellek telepítéséhez.

Apple Neural Engine

Az Apple A17 Pro és M-sorozatú chipjei egy 16 magos Neural Engine-t integrálnak, amely 35 TOPS (INT8) teljesítményre képes körülbelül 3-5W folyamatos AI-munkaterhelés mellett. Bár az Apple Neural Engine kiemelkedő TOPS/watt hatékonyságot nyújt, telepítése az Apple ökoszisztémára (iOS/iPadOS) korlátozódik, és Core ML modellkonverziót igényel. Ez alkalmassá teszi iPad-alapú ellenőrző terepi eszközökhöz, amelyek elterjedtek az építészeti, mérnöki és építőipari (AEC) munkafolyamatokban, de kevésbé alkalmazható drónra szerelt edge computing esetében, ahol az NVIDIA CUDA ökoszisztémája dominál.

Google Coral Edge TPU

A Google Coral Edge TPU (Tensor Processing Unit) 4 TOPS (INT8) teljesítményt nyújt mindössze 2W-on, ami a leghatékonyabb megoldás következtetésenként. A Coral system-on-module (SoM) integrálja az Edge TPU-t egy i.MX 8M rendszervezérlővel, komplett beágyazott platformot biztosítva 40x48mm-es méretben. A 4 TOPS-os korlát azonban behatárolja a modell komplexitását, és a kizárólag TensorFlow Lite modellek (Edge TPU-ra fordított műveletekkel) követelménye szűkíti a támogatott architektúrák terét. Az egyszerű hibafelismerő osztályozókhoz, mint amilyenek a minőségi szűrő folyamatokban használt 10 osztályos MobileNetV2 modellek, a Coral Edge TPU kivételes akkumulátor-üzemidő-hosszabbítást kínál a kézi ellenőrző eszközök számára.

Modelloptimalizálás Edge Telepítéshez

A mély neurális hálózatok edge hardveren történő telepítése agresszív modelloptimalizálást igényel a valós idejű következtetési korlátok teljesítéséhez a memória, a számítási kapacitás és az energiaköltségvetés terén. A GPU-fürtökön 32 bites lebegőpontos pontossággal betanított modelleket tömöríteni és gyorsítani kell anélkül, hogy a felismerési pontosság az üzemi küszöbértékek alá csökkenne.

Kvantálás

A kvantálás csökkenti a modell súlyainak és aktivációinak numerikus pontosságát 32 bites lebegőpontosról (FP32) alacsonyabb bitábrázolásra, például 16 bites lebegőpontosra (FP16) vagy 8 bites egész számra (INT8). Ez az edge következtetés leghatásosabb optimalizálása.

Az INT8 kvantálás minden súlyt és aktivációt 4 bájtról 1 bájtra alakít, 75%-kal csökkentve a modell memórialábnyomát. Az INT8 Tensor Core támogatással rendelkező NVIDIA Jetson platformokon ez 2-4-szeres áteresztőképesség-javulást jelent a mátrixszorzási műveletekben az FP32-höz képest. Egy ResNet-50 modell, amely 120 FPS sebességgel fut FP32-ben egy AGX Orin rendszeren, meghaladhatja a 400 FPS-t INT8-ban. A kvantálás-tudatos tanítás (QAT) pontosságköltsége – ahol a modell megtanulja kompenzálni a csökkentett pontosságot a tanítás során – jellemzően 0,1-0,5% Top-1 pontosságcsökkenés ImageNet méretű osztályozási feladatoknál. Ellenőrzés-specifikus modellek esetében egy betonrepedés-érzékelési tanulmány megállapította, hogy a TensorRT-t használó INT8 kvantálás a modellméretet 98 MB-ról 24,5 MB-ra csökkentette, miközben 95,2%-os validálási pontosságot tartott fenn – 0,8%-os csökkenés az FP32 96,0%-os kiindulási értékéhez képest.

Az FP16 kvantálás felére csökkenti a modellméretet (50%-os csökkentés) és körülbelül 1,5-2-szeres áteresztőképesség-növekedést kínál. A legtöbb ellenőrzési modell esetében az FP16 következtetés az FP32-vel azonos pontosságot produkál a mérési zaj határain belül (±0,1%), így alacsony kockázatú optimalizálás. A Jetson Orin család natív FP16 Tensor Core műveleteket támogat, optimális teljesítményt érve el az 1-es kötegméretű modelleknél – ami a valós idejű egyképes következtetés szabványos konfigurációja.

Az INT4 kvantálás egy feltörekvő következő generációs technika, amely a modelleket 0,5 bájtra tömöríti súlyonként. Bár az INT4 1-3%-os pontosságcsökkenést okoz a látásfeladatoknál, az NVIDIA Model Optimizer és a TensorRT Model Optimizer könyvtár már támogatja az INT4-et Jetson platformokon történő telepítéshez. Ez lehetővé teszi egy 200 MB-os szegmentációs modell futtatását mindössze 25 MB memóriában – ami kritikus a Jetson Orin NX modulok 8 GB-os egyesített memóriafelső határa miatt.

Ritkítás (Pruning)

A ritkítás eltávolítja a redundáns vagy alacsony súlyozású súlyokat, neuronokat vagy csatornákat egy neurális hálózatból, csökkentve annak számítási költségét és memórialábnyomát.

A strukturálatlan ritkítás nullázza a jelentőségi küszöb alatti egyedi súlyokat, a sűrű mátrixokat ritka mátrixokká alakítva. Jellemzően 40-60%-os tömörítési arányok érhetők el, mielőtt a pontosság 1%-nál jobban romlana. A strukturálatlan ritkaság azonban hardver- vagy könyvtártámogatást igényel a hatékony ritka mátrixszorzáshoz – az NVIDIA Ampere architektúrája 2:4 strukturált ritkasági támogatást nyújt, ami megduplázza az áteresztőképességet a kompatibilis rétegeknél.

A strukturált (csatorna) ritkítás teljes konvolúciós csatornákat vagy neuronokat távolít el, egy szűkebb modellt hozva létre, amely hatékonyan fut bármilyen hardveren anélkül, hogy ritka számítási támogatást igényelne. A jellemző tömörítési arány 30-50%. Ellenőrzési modelleknél a csatornakitörlés finomhangolással visszanyeri a pontosság nagy részét – egy MobileNetV2 modell, amelyet az eredeti csatornaszám 50%-ára ritkítottak és 10 epochon keresztül finomhangoltak betonrepedés-adatokon, 93,7%-os pontosságot ért el a 94,5%-os ritkítatlan kiindulási értékkel szemben.

Tudásdesztilláció

A tudásdesztilláció egy tömör “tanuló” modellt tanít be egy nagyobb “tanító” modell viselkedésének másolására azáltal, hogy minimalizálja a kimeneti valószínűségi eloszlásaik eltérését. A tanuló modell a tanító modell lágy címkéiből tanul, amelyek gazdagabb információt hordoznak, mint a kemény valóság-címkék – beleértve az osztályok közötti hasonlóságokat és a bizonytalansági becsléseket.

Az ellenőrzési edge telepítéshez a desztilláció lehetővé teszi egy ResNet-152 vagy EfficientNet-B7 tanító (200-600 MB, 50-100M paraméter) és egy MobileNetV3-Small vagy EfficientNet-Lite0 tanuló (5-15 MB, 2-5M paraméter) használatát. A tanuló modell a tanító pontosságának 94-96%-át éri el, miközben a számítási kapacitásnak csak 2-10%-át fogyasztja. Egy tipikus hídrepedés-érzékelési munkafolyamat során egy ResNet-152 tanítót (97,2%-os pontosság) desztilláltak egy MobileNetV3-Large tanulóba (95,8%-os pontosság) – 1,4%-os pontosságveszteség 12-szeres modellméret-csökkentésért és 20-szoros következtetési gyorsításért cserébe Jetson Nano platformon.

TensorRT

Az NVIDIA TensorRT a nagy teljesítményű mélytanulási következtetés optimalizációs SDK-ja NVIDIA GPU-kon. Gráfoptimalizálást, kernel-automatikus hangolást, pontosság-kalibrációt és memóriakezelést végez az áteresztőképesség maximalizálása érdekében Jetson hardveren.

A TensorRT optimalizációs folyamata a következőket tartalmazza:

• Rétegösszeolvasztás: Szomszédos műveletek (konvolúció + batch normalizáció + ReLU) egyesítése egyetlen kernelbe, csökkentve a kernelindítási többletterhelést és a memóriasávszélességet.
• Kernel automatikus hangolása: Az optimális CUDA kernel implementáció kiválasztása minden réteghez és hardvercélhoz empirikus benchmarkolás alapján.
• INT8 kalibráció: Reprezentatív kalibrációs adathalmaz használata az aktivációk optimális dinamikus tartományának kiszámításához, minimalizálva a kvantálási hibát.
• Dinamikus alakzatkövetkeztetés: Változó bemeneti tenzorméretek kezelése újrafordítás nélkül – elengedhetetlen a különböző felbontású képeket feldolgozó ellenőrzési folyamatokhoz.

Egy tipikus ellenőrzési modell TensorRT nélkül a csúcshardver-kihasználtság 30-50%-át éri el. TensorRT optimalizálás után a kihasználtság 70-85%-ra nő, a teljes késleltetés pedig 2-5-szörösére csökken a PyTorch eager módú következtetéshez képest.

ONNX

Az ONNX (Open Neural Network Exchange) egy interoperábilis modellformátumot biztosít, amely szétválasztja a modell tanító keretrendszereket (PyTorch, TensorFlow) a következtetési futtatókörnyezetektől. A PyTorch-ban tanított modelleket ONNX formátumba exportálják, majd TensorRT motorokká alakítják Jetson telepítéshez, vagy betöltik az ONNX Runtime-ba nem NVIDIA célokhoz (ARM CPU-k, Qualcomm, Intel).

Az ONNX-TensorRT munkafolyamat a szabványos folyamat: PyTorch → ONNX → TensorRT motor. Ez szétválasztja a tanítást és a telepítést, lehetővé téve, hogy az adattudósok ismerős keretrendszerekben tanítsanak, miközben a telepítési mérnökök optimalizálnak az adott edge hardverre anélkül, hogy újra kellene tanítani a modellt.

Valós Idejű Repedésérzékelés az Edge-en

Az edge AI legérettebb alkalmazása az ellenőrzésben a valós idejű repedésérzékelés beton- és aszfaltinfrastruktúrán. Egy mérföldkőnek számító 2024-es, a Sensors (PMC11645055) folyóiratban publikált tanulmány bemutatta a teljes folyamatot: konvolúciós neurális hálózatok tanítása transzfer tanulással, telepítés NVIDIA Jetson Nano rendszeren, valamint validálás laboratóriumi és terepi betonszerkezeteken.

A tanulmány hat CNN architektúrát – ResNet18, ResNet50, GoogLeNet, MobileNetV2, MobileNetV3-Small és MobileNetV3-Large – tanított be transzfer tanulással, ImageNet előtanított súlyok felhasználásával. Az adathalmaz 3000 betonfelületi képet (repedezett és ép) tartalmazott, amelyeket só-bors zajjal és mozgáselmosódással egészítettek ki a valós robusztusság javítása érdekében. A ResNet50 érte el a legmagasabb, 96,0%-os validálási pontosságot 95,0%-os F1-pontszámmal 16-os kötegméret mellett.

A Jetson Nano rendszeren 5-10W-on telepítve a ResNet50 modell egy 224x224-es képet 38 ezredmásodperc alatt osztályozott – lehetővé téve a valós idejű feldolgozást 26 képkocka/másodperc sebességgel. Ez az áteresztőképesség elegendő egy 5 m/s sebességgel repülő drónhoz, 70%-os átfedéssel az egymást követő képkockák között, biztosítva, hogy a felület minden négyzetcentimétere többször is osztályozásra kerüljön.

A finomabb felbontású hibajellemzéshez szegmentációs modellek, mint az U-Net és a DeepLabV3+, pixelszintű repedéstérképeket biztosítanak. Az IJAMA hídellenőrzési tanulmány 0,86 átlagos unió feletti metszetet (mIoU) ért el a repedésszegmentációban U-Net modell segítségével MobileNetV2 kódolóval Jetson Orin Nano rendszeren 22 FPS és 7W mellett. Ez lehetővé teszi a repedés szélességének, hosszának és irányának kvantitatív meghatározását – olyan mérőszámokat, amelyeket a hídellenőrzési szabványok, mint az AASHTO és a Szövetségi Autópálya Hivatal Nemzeti Hídellenőrzési Szabványai (NBIS) megkövetelnek.

Az edge-en telepített repedésérzékelést működő hidakon is validálták terepi körülmények között, beleértve egy 50 méter fesztávú betonhidat, ahol egy DJI Matrice 300 RTK drón Jetson Orin NX-szel felszerelve 43 repedést észlelt (0,3-3,2 mm szélességűek) egy 12 perces automatikus ellenőrző repülés során. A kézi validálás 41 valódi pozitívot (95,3% visszahívás) és 3 hamis pozitívot (92,8% precizitás) erősített meg.

Edge Minőségi Szűrés

A nyers ellenőrzési képek nagy arányban tartalmaznak elemzésre alkalmatlan képkockákat mozgáselmosódás, helytelen expozíció, fókuszhibák vagy környezeti műtermékek (esőcseppek a lencsén, napsütés, por) miatt. Szűrés nélkül ezek az alacsony minőségű képek megnövelik a tárolási, átviteli és utófeldolgozási költségeket. Az edge minőségi szűrés ezt egy könnyű minőségértékelő hálózat futtatásával oldja meg az elsődleges hibafelismerő modell előtt.

A minőségi szűrési folyamat jellemzően a következőkből áll:

1. Elmosódás érzékelése: A kép Laplacian-varianciájának elemzése – egy elmosódott kép alacsony varianciaértékeket produkál. A 100-as küszöbérték (8 bites képen) általában elválasztja az éles képeket a mozgáselmosódott képkockáktól. Jetson rendszeren ez kevesebb mint 1 ezredmásodpercet vesz igénybe CUDA-ban.

2. Expozíciós minőség: Hisztogram-elemzés a túlexponált (telített > 5% pixel) vagy alulexponált (átlagos fényerő < 40) képek érzékelésére. Az elfogadható képek jellemzően a 40-200 közötti átlagos fényerő tartományba esnek ellenőrzéshez.

3. Kontrasztértékelés: Négyzetes középérték (RMS) kontrasztmérés; az alacsony kontrasztú képek (RMS < 0,3) elutasításra kerülnek, mivel nem rendelkeznek a repedésél-észleléshez szükséges gradiens információval.

4. Strukturális hasonlóság: Videószekvenciák esetén a strukturális hasonlósági index (SSIM) az egymást követő képkockák között azonosítja a majdnem azonos képeket (SSIM > 0,95), és csak egy reprezentatív képkockát tart meg a tárolási egységenkénti egyedi lefedettség maximalizálása érdekében.

A kombinált könnyű minőségi osztályozó – egy 3 rétegű konvolúciós hálózat 80 000 paraméterrel, MobileNetV2-lite konfigurációban – 2-4 ezredmásodperc alatt osztályozza a képeket “megfelelt” vagy “elutasított” kategóriába Jetson Orin eszközökön. A csővezeték-ellenőrzési műveletekből származó terepi adatok azt mutatják, hogy az edge minőségi szűrés a nyers képkockák 60-75%-át elutasítja, ami azt jelenti, hogy csak 25-40% kerül a nehezebb hibafelismerő modellhez. Ez 2,5-4-szeresére csökkenti a teljes következtetési számítási terhelést és arányosan a tárolási igényeket.

A végeredmény: egy 20 perces ellenőrző repülés, amely 1200 nyers képkockát generál, csak 300-480 minőségileg szűrt képet eredményez. A hibafelismerés után csak 30-80 kép kerül továbbításra az észlelt hibákkal és azok geocímkézett metaadataival (jellemzően 2-5 KB hibánként GeoJSON annotációk formájában). A teljes napi adatmennyiség drónonként 9,6 GB-ról 200 MB alá csökken – ez 98%-os csökkentés.

Edge + Felhő Hibrid Architektúra

Míg az edge computing kezeli a valós idejű következtetést, a felhőfeldolgozás továbbra is elengedhetetlen a nagy hűségű elemzéshez, a modellek újratanításához, a flottakezeléshez és az adatarchiváláshoz. Az optimális architektúra egy hibrid edge-felhő rendszer, ahol minden szint azokat a feladatokat látja el, amelyekre a legjobban alkalmas.

Edge Szint (A Rögzítés Helyén)

Felhő Szint (A Repülés Befejezése Után)

Az adatfolyam meghatározott szakaszokon halad keresztül. A repülés során az edge folyamat automatikusan működik – rögzítés, minőségi szűrés, észlelés, riasztás. A leszállás után a drón nagy sávszélességű helyi Wi-Fi vagy USB-C segítségével csatlakozik a földi állomáshoz vagy a felhőhöz, és tömeges adatátvitel történik a nem sürgős képek és a modell telemetria számára. A felhő aszinkron módon dolgozza fel ezeket a kötegeket, frissítve a hibadatbázisokat és a modellregisztereket.

Ez a hibrid megközelítés ötvözi az edge következtetés 50 ezredmásodperc alatti reagálási képességét a felhőfeldolgozás elemzési mélységével, elérve mind az operatív sebességet, mind az elemzési pontosságot. A 10 000 ellenőrzési képen alapuló terepi telepítések 97%-os egyezést mutatnak a kezdeti edge észlelések és a felhő által validált eredmények között.