Edge Computing do Inspekcji w Czasie Rzeczywistym

Definicja i uzasadnienie

Edge computing to rozproszony paradygmat obliczeniowy, w którym przetwarzanie danych odbywa się na lub w pobliżu fizycznej lokalizacji generowania danych, a nie w scentralizowanym centrum danych w chmurze. W kontekście inspekcji infrastruktury edge computing oznacza uruchamianie wnioskowania sztucznej inteligencji bezpośrednio na dronie, pojeździe robotycznym lub urządzeniu przenośnym, które przechwytuje dane. Podstawowe uzasadnienie jest proste: opóźnienie w obie strony związane z wysyłaniem obrazów w wysokiej rozdzielczości do chmury w celu przetworzenia jest nie do zaakceptowania dla decyzji operacyjnych podejmowanych w czasie rzeczywistym.

Problem opóźnienia jest kwantyfikowany przez fizykę sieci. Typowy potok wnioskowania w chmurze obejmuje przechwycenie obrazu, kompresję, transmisję bezprzewodową (Wi-Fi, 4G/5G lub satelitarną), wstępne przetwarzanie w chmurze, wnioskowanie modelu, pakowanie wyników i transmisję zwrotną do operatora. Nawet w optymalnych warunkach 5G z opóźnieniami 10–20 milisekund dla samego łącza radiowego, całkowite opóźnienie wnioskowania w chmurze wynosi od 200 milisekund do 2 sekund, w zależności od przeciążenia sieci, obciążenia serwera i odległości geograficznej do regionu chmury. Dla drona poruszającego się z prędkością 15 m/s (54 km/h), 2-sekundowa podróż w obie strony oznacza, że statek powietrzny przemieścił się o 30 metrów przed otrzymaniem wyniku detekcji — margines niedopuszczalny w inspekcji konstrukcji z bliskiej odległości, gdzie pęknięcia o szerokości 0,2 mm muszą być identyfikowane z odległości 3–5 metrów.

Wnioskowanie brzegowe całkowicie eliminuje ten problem. Na NVIDIA Jetson AGX Orin wykonującym 275 bilionów operacji na sekundę (TOPS) w obliczeniach INT8, pojedyncze przejście w przód klasyfikatora obrazów ResNet-50 zajmuje około 3–5 milisekund. Uwzględniając wstępne przetwarzanie obrazu, skalowanie i dekodowanie wyników, całkowite opóźnienie na klatkę pozostaje poniżej 50 milisekund. Ta pętla sprzężenia zwrotnego poniżej 100 milisekund umożliwia autonomiczne zachowania w zamkniętej pętli, takie jak dostosowanie trajektorii lotu w celu ponownego sfotografowania podejrzanego obszaru, wyzwolenie natychmiastowego alertu do stacji naziemnej lub aktywację dodatkowych modalności sensorycznych (np. termicznej lub LiDAR) w celu krzyżowego potwierdzenia.

Poza opóźnieniem, argument przepustowości jest równie przekonujący. 20-megapikselowy obraz inspekcyjny przy 8-bitowej głębi RGB wymaga około 60 MB nieskompresowanych danych lub 3–8 MB po kompresji JPEG, w zależności od ustawień jakości. Pojedynczy 20-minutowy lot inspekcyjny rejestrujący 1 klatkę na sekundę generuje 1200 obrazów o łącznej objętości 3,6–9,6 GB danych. Dla floty 10 dronów wykonujących codzienne inspekcje przekłada się to na 36–96 GB dziennie. Transmisja tej objętości przez łącza komórkowe lub satelitarne jest kosztowna, wolna i często niemożliwa w odległych lokalizacjach infrastrukturalnych, takich jak górskie mosty, morskie farmy wiatrowe czy zdalne korytarze rurociągów, gdzie łączność jest ograniczona do 1–10 Mbps. Edge computing rozwiązuje ten problem, przetwarzając obrazy lokalnie i przesyłając tylko wyniki: współrzędne detekcji, klasyfikacje dotkliwości i opcjonalnie wycinki 200×200 pikseli wokół wykrytych defektów. Redukuje to objętość przesyłanych danych o 90–99%, kompresując dzienny strumień danych 9,6 GB do poniżej 100 MB.

Bezpieczeństwo i zgodność z przepisami stanowią dodatkowe uzasadnienie. Przetwarzanie brzegowe unika wysyłania wrażliwych obrazów infrastruktury — w tym nawierzchni lotnisk, instalacji wojskowych czy obiektów energetyki krytycznej — przez potencjalnie niebezpieczne łącza bezprzewodowe. Dla programów inspekcyjnych obronności i rządowych ten model przetwarzania wyłącznie lokalnego spełnia wymogi suwerenności danych, które zabraniają eksportu do chmury sklasyfikowanych obrazów obiektów.

Platformy sprzętowe AI brzegowej

Praktyczne wdrożenie wnioskowania brzegowego zależy od specjalistycznego sprzętu, który równoważy wydajność obliczeniową z ostrymi ograniczeniami mocy, wagi i termicznymi ładunków dronów. Następujące platformy dominują na rynku brzegowej AI w inspekcji.

Rodzina NVIDIA Jetson

Seria Jetson firmy NVIDIA jest najszerzej wdrażaną platformą AI brzegowej do inspekcji dronem, oferując skalowalną architekturę od podstawowego modelu Nano po flagowy AGX Orin. Wszystkie moduły Jetson dzielą wspólny stos oprogramowania — JetPack SDK — który obejmuje CUDA, cuDNN, TensorRT i zoptymalizowane biblioteki wizyjne, umożliwiając przenośność kodu w obrębie rodziny.

Jetson AGX Orin z wydajnością 275 TOPS zapewnia wystarczającą moc obliczeniową do uruchomienia modelu segmentacji U-Net w rozdzielczości 4K z prędkością ponad 30 FPS, co czyni go odpowiednim do mapowania pęknięć nawierzchni w wysokiej rozdzielczości, gdzie szerokości defektów poniżej milimetra muszą być wykrywane na dużych powierzchniach. Jetson Orin Nano z wydajnością 40 TOPS i poborem mocy zaledwie 7–15W stanowi optymalny punkt efektywności dla większości obciążeń inspekcji dronem, oferując 4-krotnie wyższą wydajność niż oryginalny Jetson Nano przy podobnym zużyciu energii.

Intel Movidius i Neural Compute Stick

Intel Movidius Myriad X VPU (jednostka przetwarzania wizyjnego) oferuje 4 TOPS wnioskowania INT8 przy zaledwie 1–2,5W poboru mocy, osiągając wydajność 2–4 TOPS/W. Intel Neural Compute Stick 2 (NCS2) pakuje Myriad X w format USB, czyniąc go dostępnym do prototypowania. Jednak limit 4 TOPS ogranicza go do lekkich architektur modeli — MobileNetV2, EfficientNet-Lite lub małych wariantów YOLO — i ma trudności z głębszymi modelami ResNet lub EfficientNet preferowanymi do wykrywania defektów o wysokiej dokładności. W zastosowaniach wymagających segmentacji (U-Net, DeepLab) lub wykrywania obiektów w wysokiej rozdzielczości (YOLOv5-large, RT-DETR) Myriad X nie ma wystarczającej przepustowości pamięci i gęstości obliczeniowej do osiągnięcia wydajności w czasie rzeczywistym.

Qualcomm Snapdragon i AI Engine

Mobilne platformy Qualcomm Snapdragon integrują procesory Hexagon DSP i GPU Adreno z dedykowanymi akceleratorami AI dostarczającymi 10–30 TOPS (INT8), w zależności od generacji. Snapdragon 8 Gen 3 osiąga 34 TOPS przy około 5–8W dla ciągłych obciążeń wnioskowania. Platformy Snapdragon są szczególnie istotne dla ręcznych tabletów inspekcyjnych i narzędzi inspekcyjnych opartych na smartfonach, gdzie procesor AI jest już zintegrowany w systemie na chipie i nie zwiększa dodatkowej wagi ani objętości ładunku. Qualcomm AI Engine obsługuje TensorFlow Lite, ONNX Runtime i autorskie oprogramowanie SNPE (Snapdragon Neural Processing Engine) do wdrażania modeli.

Apple Neural Engine

Chipy Apple A17 Pro i serii M integrują 16-rdzeniowy silnik Neural Engine zdolny do 35 TOPS (INT8) przy około 3–5W ciągłego poboru mocy dla obciążeń AI. Podczas gdy Apple Neural Engine osiąga wyjątkową wydajność TOPS/wat, jego wdrożenie jest ograniczone do ekosystemu Apple (iOS/iPadOS) i wymaga konwersji modeli do Core ML. To czyni go odpowiednim dla narzędzi inspekcyjnych opartych na iPadzie, powszechnych w przepływach pracy architektury, inżynierii i budownictwa (AEC), ale mniej przydatnym w brzegowym przetwarzaniu montowanym na dronach, gdzie dominuje ekosystem CUDA firmy NVIDIA.

Google Coral Edge TPU

Google Coral Edge TPU (jednostka przetwarzania tensorowego) dostarcza 4 TOPS (INT8) przy zaledwie 2W, co czyni go najbardziej energooszczędną opcją na wnioskowanie. Moduł systemowy (SoM) Coral integruje Edge TPU z kontrolerem systemowym i.MX 8M, zapewniając kompletną platformę wbudowaną w wymiarach 40×48mm. Jednak limit 4 TOPS ogranicza złożoność modelu, a wymóg wyłącznie modeli TensorFlow Lite (z operacjami skompilowanymi dla Edge TPU) zawęża przestrzeń obsługiwanych architektur. Dla prostych klasyfikatorów defektów, takich jak 10-klasowe modele MobileNetV2 stosowane w potokach filtrowania jakości, Coral Edge TPU oferuje wyjątkowe wydłużenie czasu pracy baterii w ręcznych narzędziach inspekcyjnych.

Optymalizacja modeli do wdrożenia brzegowego

Wdrażanie głębokich sieci neuronowych na sprzęcie brzegowym wymaga agresywnej optymalizacji modeli, aby spełnić ograniczenia pamięci, mocy obliczeniowej i budżetu energetycznego w czasie rzeczywistym. Modele trenowane na klastrach GPU z 32-bitową precyzją zmiennoprzecinkową muszą być skompresowane i przyspieszone bez utraty dokładności detekcji poniżej progów operacyjnych.

Kwantyzacja

Kwantyzacja redukuje precyzję numeryczną wag i aktywacji modelu z 32-bitowej zmiennoprzecinkowej (FP32) do reprezentacji niższej bitowości, takich jak 16-bitowa zmiennoprzecinkowa (FP16) lub 8-bitowa całkowitoliczbowa (INT8). Jest to najbardziej wpływowa pojedyncza optymalizacja dla wnioskowania brzegowego.

Kwantyzacja INT8 konwertuje każdą wagę i aktywację z 4 bajtów na 1 bajt, redukując zajętość pamięci modelu o 75%. Na platformach NVIDIA Jetson z obsługą Tensor Core INT8 przekłada się to na 2–4-krotną poprawę przepustowości operacji mnożenia macierzy w porównaniu do FP32. Model ResNet-50, który działa z prędkością 120 FPS w FP32 na AGX Orin, może przekroczyć 400 FPS w INT8. Koszt dokładności trenowania świadomego kwantyzacji (QAT) — gdzie model uczy się kompensować obniżoną precyzję podczas treningu — wynosi zwykle 0,1–0,5% degradacji dokładności Top-1 w zadaniach klasyfikacji skali ImageNet. Dla modeli specyficznych dla inspekcji, badanie wykrywania pęknięć betonu wykazało, że kwantyzacja INT8 przy użyciu TensorRT zmniejszyła rozmiar modelu z 98 MB do 24,5 MB, utrzymując 95,2% dokładności walidacji — spadek o 0,8% w porównaniu do wartości bazowej FP32 wynoszącej 96,0%.

Kwantyzacja FP16 zmniejsza rozmiar modelu o połowę (redukcja 50%) i oferuje około 1,5–2-krotny wzrost przepustowości. Dla większości modeli inspekcyjnych wnioskowanie FP16 daje dokładność identyczną z FP32 w granicach szumu pomiarowego (±0,1%), co czyni je optymalizacją niskiego ryzyka. Rodzina Jetson Orin obsługuje natywne operacje Tensor Core FP16, osiągając optymalną wydajność dla modeli z rozmiarem partii 1 — standardową konfiguracją dla wnioskowania pojedynczego obrazu w czasie rzeczywistym.

Kwantyzacja INT4 wyłania się jako technika nowej generacji, kompresująca modele do 0,5 bajta na wagę. Podczas gdy INT4 wprowadza spadki dokładności o 1–3% dla zadań wizyjnych, NVIDIA Model Optimizer i biblioteka TensorRT Model Optimizer obsługują teraz INT4 do wdrożenia na platformach Jetson. Umożliwia to uruchomienie 200-megabajtowego modelu segmentacji w zaledwie 25 MB pamięci — co jest kluczowe dla 8-gigabajtowego limitu pamięci jednolitej modułów Jetson Orin NX.

Przycinanie

Przycinanie usuwa zbędne wagi, neurony lub kanały o niskiej wielkości z sieci neuronowej, aby zmniejszyć jej koszt obliczeniowy i zajętość pamięci.

Przycinanie nieustrukturyzowane zeruje poszczególne wagi poniżej progu istotności, przekształcając gęste macierze w macierze rzadkie. Typowe współczynniki kompresji 40–60% są osiągalne, zanim dokładność spadnie o więcej niż 1%. Jednak rzadkość nieustrukturyzowana wymaga wsparcia sprzętowego lub bibliotecznego do wydajnego mnożenia macierzy rzadkich — architektura Ampere firmy NVIDIA zapewnia obsługę rzadkości strukturyzowanej 2:4, która podwaja przepustowość dla zgodnych warstw.

Przycinanie strukturyzowane (kanałów) usuwa całe kanały konwolucji lub neurony, tworząc węższy model, który działa wydajnie na dowolnym sprzęcie bez potrzeby obsługi obliczeń rzadkich. Typowe współczynniki kompresji wynoszą 30–50%. Dla modeli inspekcyjnych przycinanie kanałów z dostrajaniem odzyskuje większość dokładności — MobileNetV2 przycięty do 50% oryginalnej liczby kanałów i dostrojony przez 10 epok na danych pęknięć betonu osiągnął 93,7% dokładności wobec 94,5% wartości bazowej nieprzyciętego modelu.

Dystylacja wiedzy

Dystylacja wiedzy trenuje kompaktowy model “uczniowski” do replikowania zachowania większego modelu “nauczycielskiego” poprzez minimalizację rozbieżności ich rozkładów prawdopodobieństwa wyjściowego. Uczeń uczy się z miękkich etykiet nauczyciela, które kodują bogatsze informacje niż twarde etykiety prawdy podstawowej — w tym podobieństwa międzyklasowe i oszacowania niepewności.

Dla inspekcyjnego wdrożenia brzegowego dystylacja umożliwia użycie ResNet-152 lub EfficientNet-B7 jako nauczyciela (200–600 MB, 50–100M parametrów) oraz MobileNetV3-Small lub EfficientNet-Lite0 jako ucznia (5–15 MB, 2–5M parametrów). Uczeń osiąga 94–96% dokładności nauczyciela, zużywając przy tym zaledwie 2–10% mocy obliczeniowej. Typowy przepływ pracy wykrywania pęknięć mostów zdystylował nauczyciela ResNet-152 (97,2% dokładności) do ucznia MobileNetV3-Large (95,8% dokładności) — utrata 1,4% dokładności przy 12-krotnej redukcji rozmiaru modelu i 20-krotnym przyspieszeniu wnioskowania na Jetson Nano.

TensorRT

NVIDIA TensorRT to zestaw SDK optymalizacyjny do wysokowydajnego wnioskowania głębokiego uczenia na procesorach graficznych NVIDIA. Wykonuje optymalizację grafów, automatyczne dostrajanie jąder, kalibrację precyzji i zarządzanie pamięcią, aby zmaksymalizować przepustowość na sprzęcie Jetson.

Potok optymalizacji TensorRT obejmuje:

• Fuzję warstw: Łączenie sąsiednich operacji (konwolucja + normalizacja wsadowa + ReLU) w pojedyncze jądra, redukując narzut uruchamiania jąder i przepustowość pamięci.
• Automatyczne dostrajanie jąder: Wybór optymalnej implementacji jądra CUDA dla każdej warstwy i docelowego sprzętu na podstawie empirycznego testowania wydajności.
• Kalibrację INT8: Użycie reprezentatywnego zestawu danych kalibracyjnych do obliczenia optymalnych zakresów dynamicznych dla aktywacji, minimalizując błąd kwantyzacji.
• Wnioskowanie dynamicznych kształtów: Obsługa zmiennych wymiarów tensorów wejściowych bez rekompilacji — niezbędne w potokach inspekcyjnych przetwarzających obrazy o różnej rozdzielczości.

Typowy model inspekcyjny wdrożony bez TensorRT osiąga 30–50% szczytowego wykorzystania sprzętu. Po optymalizacji TensorRT wykorzystanie osiąga 70–85%, a opóźnienie od końca do końca jest zmniejszone 2–5-krotnie w porównaniu do wnioskowania w trybie eager PyTorch.

ONNX

ONNX (Open Neural Network Exchange) zapewnia interoperacyjny format modelu, który oddziela frameworki trenowania modeli (PyTorch, TensorFlow) od środowisk wykonawczych wnioskowania. Modele trenowane w PyTorch są eksportowane do formatu ONNX, a następnie konwertowane do silników TensorRT do wdrożenia na Jetson lub ładowane do ONNX Runtime dla celów innych niż NVIDIA (procesory ARM, Qualcomm, Intel).

Przepływ pracy ONNX-TensorRT jest standardowym potokiem: PyTorch → ONNX → silnik TensorRT. To rozdziela trenowanie i wdrażanie, pozwalając naukowcom danych trenować w znanych frameworkach, podczas gdy inżynierowie wdrożeniowi optymalizują dla konkretnego sprzętu brzegowego bez konieczności ponownego trenowania.

Wykrywanie pęknięć w czasie rzeczywistym na brzegu sieci

Najbardziej dojrzałym zastosowaniem AI brzegowej w inspekcji jest wykrywanie pęknięć w czasie rzeczywistym na infrastrukturze betonowej i asfaltowej. Przełomowe badanie z 2024 roku opublikowane w Sensors (PMC11645055) zademonstrowało kompletny potok: trenowanie konwolucyjnych sieci neuronowych z transfer learningiem, wdrożenie na NVIDIA Jetson Nano i walidację na laboratoryjnych i terenowych konstrukcjach betonowych.

Badanie trenowało sześć architektur CNN — ResNet18, ResNet50, GoogLeNet, MobileNetV2, MobileNetV3-Small i MobileNetV3-Large — przy użyciu transfer learningu z wag pretrenowanych na ImageNet. Zbiór danych obejmował 3000 obrazów powierzchni betonowych (pękniętych i nienaruszonych) wzbogaconych szumem soli i pieprzu oraz rozmyciem ruchu w celu poprawy odporności w rzeczywistych warunkach. ResNet50 osiągnął najwyższą dokładność walidacji wynoszącą 96,0% z wynikiem F1 na poziomie 95,0% przy rozmiarze partii 16.

Wdrojony na Jetson Nano przy mocy 5–10W, model ResNet50 klasyfikował obraz 224×224 w 38 milisekund — umożliwiając przetwarzanie w czasie rzeczywistym z prędkością 26 klatek na sekundę. Ta przepustowość jest wystarczająca dla drona lecącego z prędkością 5 m/s z 70% nakładaniem się kolejnych klatek, zapewniając, że każdy centymetr kwadratowy powierzchni jest klasyfikowany wielokrotnie.

Dla bardziej szczegółowej charakterystyki defektów modele segmentacji, takie jak U-Net i DeepLabV3+, zapewniają mapy pęknięć na poziomie pikseli. Badanie inspekcji mostów IJAMA osiągnęło średnie intersection-over-union (mIoU) na poziomie 0,86 dla segmentacji pęknięć przy użyciu U-Net z enkoderem MobileNetV2 na Jetson Orin Nano przy 22 FPS i mocy 7W. Pozwala to na kwantyfikację szerokości, długości i orientacji pęknięć — wskaźników wymaganych przez standardy inspekcji mostów, takie jak AASHTO i Federalne Standardy Inspekcji Mostów Krajowych (NBIS) amerykańskiej Federalnej Administracji Drogowej.

Wykrywanie pęknięć na brzegu sieci zostało zweryfikowane w terenie na eksploatowanych mostach, w tym na 50-metrowym moście betonowym, gdzie dron DJI Matrice 300 RTK wyposażony w Jetson Orin NX wykrył 43 pęknięcia (szerokości 0,3–3,2 mm) podczas 12-minutowego zautomatyzowanego lotu inspekcyjnego. Ręczna walidacja potwierdziła 41 prawdziwie pozytywnych (95,3% recall) przy 3 fałszywie pozytywnych (92,8% precyzja).

Brzegowe filtrowanie jakości

Surowe obrazy inspekcyjne zawierają wysoki odsetek klatek nienadających się do analizy z powodu rozmycia ruchu, nieprawidłowej ekspozycji, błędów ostrości lub artefaktów środowiskowych (krople deszczu na obiektywie, odblaski słońca, kurz). Bez filtrowania te niskiej jakości obrazy zwiększają koszty przechowywania, transmisji i dalszego przetwarzania. Brzegowe filtrowanie jakości rozwiązuje ten problem poprzez uruchomienie lekkiej sieci oceny jakości przed głównym modelem wykrywania defektów.

Potok filtrowania jakości zazwyczaj składa się z:

1. Detekcji rozmycia: Analiza wariancji Laplaciana obrazu — rozmyty obraz daje niskie wartości wariancji. Próg 100 (na 8-bitowym obrazie) zazwyczaj oddziela ostre klatki od rozmytych ruchem. Na Jetson zajmuje to poniżej 1 milisekundy w CUDA.

2. Jakości ekspozycji: Analiza histogramu do wykrywania obrazów prześwietlonych (nasycone > 5% pikseli) lub niedoświetlonych (średnia luminancja < 40). Akceptowalne obrazy zazwyczaj mieszczą się w zakresie średniej luminancji 40–200 dla inspekcji.

3. Oceny kontrastu: Pomiar kontrastu RMS (root-mean-square); obrazy o niskim kontraście (RMS < 0,3) są odrzucane, ponieważ brakuje im informacji gradientowej potrzebnej do wykrywania krawędzi pęknięć.

4. Podobieństwa strukturalnego: Dla sekwencji wideo wskaźnik podobieństwa strukturalnego (SSIM) między kolejnymi klatkami identyfikuje obrazy prawie duplikujące się (SSIM > 0,95), zachowując tylko jedną reprezentatywną klatkę, aby zmaksymalizować unikalne pokrycie na jednostkę pamięci.

Połączony lekki klasyfikator jakości — 3-warstwowa sieć konwolucyjna z 80 000 parametrów działająca w konfiguracji MobileNetV2-lite — klasyfikuje obrazy jako “zaliczone” lub “odrzucone” w 2–4 milisekundach na urządzeniach Jetson Orin. Dane terenowe z operacji inspekcji rurociągów pokazują, że brzegowe filtrowanie jakości odrzuca 60–75% surowych klatek, co oznacza, że tylko 25–40% trafia do cięższego modelu wykrywania defektów. Redukuje to całkowite obciążenie obliczeniowe wnioskowania 2,5–4-krotnie, a wymagania pamięciowe proporcjonalnie.

Efekt końcowy: 20-minutowy lot inspekcyjny generujący 1200 surowych klatek produkuje tylko 300–480 obrazów po filtracji jakościowej. Po detekcji defektów przesyłanych jest tylko 30–80 obrazów z wykrytymi defektami wraz z ich metadanymi geolokalizacyjnymi (zwykle 2–5 KB na defekt w postaci adnotacji GeoJSON). Całkowita dzienna objętość danych na dron spada z 9,6 GB do poniżej 200 MB — redukcja o 98%.

Hybrydowa architektura brzeg + chmura

Podczas gdy edge computing obsługuje wnioskowanie w czasie rzeczywistym, przetwarzanie w chmurze pozostaje niezbędne do analizy o wysokiej wierności, ponownego trenowania modeli, zarządzania flotą i archiwizacji danych. Optymalną architekturą jest hybrydowy system brzegowo-chmurowy, w którym każdy poziom wykonuje zadania, do których jest najlepiej przystosowany.

Poziom brzegowy (w punkcie przechwytywania)

Poziom chmurowy (po zakończeniu lotu)

Przepływ danych przebiega przez określone etapy. Podczas lotu potok brzegowy działa autonomicznie — przechwytywanie, filtrowanie jakości, wykrywanie, alertowanie. Po lądowaniu dron łączy się ze stacją naziemną lub chmurą za pomocą szybkiego lokalnego Wi-Fi lub USB-C i następuje masowy transfer danych dla niepilnych obrazów oraz telemetrii modelu. Chmura przetwarza te partie asynchronicznie, aktualizując bazy danych defektów i rejestry modeli.

To hybrydowe podejście łączy responsywność wnioskowania brzegowego poniżej 50 ms z głębokością analityczną przetwarzania w chmurze, osiągając zarówno szybkość operacyjną, jak i dokładność analityczną. Wdrożenia terenowe korzystające z tej architektury raportują 97% zgodności między wstępnymi detekcjami brzegowymi a zweryfikowanymi w chmurze wynikami na próbce 10 000 obrazów inspekcyjnych.