〈工業技術與資訊〉分散式能源崛起 -
透過「虛擬電廠」整合再生能源、儲能設備、備援電力等分散式能源,已成為能源管理新顯學(09/26/2021 鉅亨網新聞)
逐年攀升的尖峰負載,讓臺灣的能源使用規劃,成為各方焦點。跳脫興建更多電廠的思維,透過「虛擬電廠」,整合再生能源、儲能設備、備援電力等分散式能源,已成為能源管理新顯學。隨著再生能源占比逐步升高,為了解決供電間歇性的問題,能長時間儲存電力的「液流電池」也備受關注。
數 10 年來,臺灣傳統電力供應以大型電廠為主,想要解決尖峰用電問題,除了蓋電廠外,是否還有更省成本、更有效率的解方?
攤開臺灣的用電分布,若以 1 年 8,760 小時來看,臺灣每年用電最多的 200 個小時,對於電力系統產生的額外需求大約為 2GW,相當於年度用電尖峰的 5%,且大多集中在夏季。工研院綠能與環境研究所組長梁佩芳認為,若要持續蓋電廠,得先思考 2 個問題:一是電廠投資大、建廠時間久,還會面臨環保抗爭行動;二是只為了每年 200 小時的尖峰需求興建新電廠,似乎也不太符合投資效益。
其實除了大型電廠之外,民間也暗藏不少中小型的電力資源,像是散落在企業、工廠、住家裡的太陽能、風力、儲能設備、備援發電機、UPS 系統和電動車等。隨著供電挑戰愈來愈大,未來必須要更加靈活善用這些電力資源。「虛擬電廠」概念應運而生,「就是將分散式的中小型資源聚合起來,變成可靠的電力供應來源,就像一個可受控制的電廠。」
用戶代理人扮演關鍵角色
當傳統以大型機組為主的集中式電力系統,走向分散式電力系統後,原先單純做為電力的消費者,同時也轉為電力供給的產銷者。正因為聚集了各種不同類型的用戶參與,虛擬電廠有著更大的調度彈性,能在短時間內提供尖峰負載電力,也能為電力公司提供輔助服務。
相比過去台電控制大電廠,只要一個指令;當眾多小資源集結時,該如何有效管理就成了關鍵。這造就一個角色興起,也就是所謂的「聚合者」或「用戶代理人」(Aggregator),「他必須聚合用戶資源,就像一個統一窗口,去台電或電力市場報價,未來代理人會是新的商機。」
「虛擬電廠有很多不同機制,有些可以做出一桌菜,有些就是很專業的一道菜,不同公司的營運策略都不一樣。」梁佩芳表示,目前虛擬電廠在國際已有不少成功案例,以全球知名的德國公司 Next Kraftwerke 來說,旗下聚合超過 1 萬個用戶,裝置容量達 8GW 以上,並依據用戶特性,設計不同方案,有些投入電力交易市場,有些則投入輔助服務市場;特斯拉(Tesla)也在加州聚集旗下家用儲能設備 Powerwall 的用戶,向電力公司提供電網服務,當加州電力不夠時,便控制電池放電。
滿足五大條件 虛擬電廠商機可期
梁佩芳認為,虛擬電廠必須具備 5 項條件才能發揮其優勢。第一是 ICT 的基礎建設,為了讓代理人清楚掌握每個參與者的狀況,需要導入智慧電表等 ICT 應用,才能即時掌握數據。
第二是預測。代理人需了解電力系統狀況,進行負載預測,事先讓參與者知道未來幾天的用電趨勢,讓用戶有心理準備,提高用戶的參與意願,不至於突然收到斷線通知,措手不及。
第三是打造客製化方案。因應不同參與者的特性,客製化電力的供應狀態,而非所有人一體適用的規則,甚至是調整用戶的生產行為。比如台電大多在下午 1 點到 3 點的尖峰時間,要求降低用電,或許就能和工廠討論改變生產排程。
第四是對市場的了解。代理人需對市場敏銳,針對用戶屬性,細分成不同群體,參與市場上的不同計畫。台電現已要求,未來代理人參與電力市場,必須取得「合格排程者」(Qualified Scheduling Entity;QSE)的資格,代表代理人對市場有基本了解。
第五是決策技術。如何安排出最妥適的方法,讓參與者的成本降低,在電力市場獲得比較高的回報;同時也要有預先準備,當執行期間發生意外的話,如何啟動緊急機制,這些都需要依賴精密的排程決策。
雖然目前臺灣的虛擬電廠概念在仍在起步階段,代理人角色也仍舊偏少,但可以預期,台電的電力交易平台正式上線後,「臺灣的市場就會打開,未來參與電力市場服務會比以前更加自由、開放,只要聚合資源就能去交易,許多業者都在準備,商機可期。」
四大優勢 液流電池成儲能新星
在分散式能源系統中,再生能源和儲能設備不僅是其中的重要一環,兩者也有高度相關。隨著再生能源的占比逐漸增加,面對「看天吃飯」的間歇特性,更需要長時間的儲能設備,才能 24 小時供應綠電,而安全性更高、儲能時間又長的「液流電池」開始受到關注。
工研院綠能所組長張文昇指出,液流電池顧名思義「就是電池裡有液體流動」。液流電池包含 2 個大型的電解液桶槽,內含可儲存電力的活性物質,將電解液以管線輸送到中央元件,稱其為「電堆」。當需要充放電時,便透過泵浦將液體輸送至電堆,產生電子轉移,以此進行放電或儲電。根據電池種類不同,液流電池可使用多種不同金屬元素組成,目前最成熟的便是採用釩離子的液流電池系統。
比起傳統鋰電池,液流電池具備更多優勢。第一是安全,挑選電池首重安全考量,用水溶液安全性高,無爆炸跟自燃風險。第二是設計更有彈性,由於能量是儲存在液體裡,桶槽愈大,能提供的能量就愈多,根據不同應用情境,只要增加桶槽與電解液,儲存的能量與時間就能更多、更久。
第三是使用壽命長,深度充放電循環可超過 2 萬次,至少用 20 年沒問題,平均儲能成本攤提下來,在長時間儲存上比鋰電池更划算。第四活性物質在液體裡容易回收,即使電池長期使用後,裡頭的有價金屬也不耗損。
「液流電池屬於長跑型的選手,潛力上就是適合做連續長時間的放電和儲存,」張文昇說。這也是為什麼液流電池特別適合作為長時間儲能用途,面對間歇性的再生能源,可將綠電安全、穩定的儲存起來,扮演重要的調節角色。
由於能量是儲存在液體裡,桶槽愈大,能提供的能量就愈多,根據不同應用情境,只要增加桶槽與電解液,儲存的能量與時間就能更多、更久。
打造電堆 2 倍功率 創國際領先水準
早在 2008 年,工研院便意識到儲能會是未來電力系統的要角,率先進行小型的前瞻計畫,評估各種不同的儲能方法。直到 2017 年正式投入,在沙崙綠能科技示範場域打造液流電池系統。
張文昇指出,液流電池有幾個研發關鍵。第一也是最重要的,便是位於中央位置的電堆,「電池所有的功率跟充放電效率,都在那裡決定。」第二是電解液性質,由於活性物質儲存在液體裡,就像泡咖啡,水加太少,底部就會有很多顆粒沉澱,若能在相同體積中,溶解更多活性物質,就能儲存更多能量。第三是系統整合介面,如何讓液體流動的最好、耗電最低,牽涉到系統設計問題。
工研院在電堆上花最多心思,除了在結構設計面讓能源效率最大化,材料也經過最適化調整,比起市面上相同體積的電堆,工研院可輸出 2 倍以上的功率,居於國際領先水準。
應用範圍廣 積極導入產業
目前工研院已在沙崙打造一套 200 度電的儲能系統,近似於 2 萬顆手機電池的容量。未來沙崙場域希望可以達到電力自給自足達 50% 的程度,儲能系統能調節尖峰負載,也能支援夜間用電,甚至在停電時做為緊急備援電力。
工研院也將此套系統投入產業使用。工研院綠能所總監楊昌中指出,2019 年,工研院和中油攜手打造首座多元電力供應及儲能系統的智慧加油站「臺南前鋒路示範站」。因應未來的電車趨勢,中油率先啟動轉型,著手布建百分百使用再生能源的全綠能站體,提供加油站本身與電動機車充換電需求,其中的儲能系統便是採用安全性更高的釩液流電池。
今年 1 月,政府也通過「一定契約容量以上之電力用戶應設置再生能源發電設備管理辦法」,俗稱「用電大戶」條款,規範契約容量 5,000kW 以上的用戶,必須在 5 年內設置契約容量 10% 的再生能源,而液流電池也很適合推展至工業區和住商大樓。
除了國內的產業化進度外,目前也有國際電池材料公司,委託工研院進行測試工作,顯示技術已被國際認可。工研院也積極將技術技轉給臺灣電池和儲能業者,「透過扶植臺灣有潛力的廠商,讓此技術做到電堆百分之百 MIT,」楊昌中說。在分散式能源和再生能源的發展下,工研院持續以扎實技術力,協助臺灣迎接能源新時代。
完整內容請見:
https://news.cnyes.com/news/id/4729870
♡
同時也有1部Youtube影片,追蹤數超過11萬的網紅張邁可,也在其Youtube影片中提到,一個專業的業務人員可以在很短的時間內,就能分辨出客戶的類型,判斷他們的想法,並聚焦在客戶所重視產品資訊上面。所以我今天要來跟你談談關於在B2B的銷售中,你會遇到的四種類型的客戶。 B2B是Business to Business的縮寫,意思是企業對企業之間的商業行為。相較於B2C的業務,指的是企業...
消費者決策種類 在 矽谷牛的耕田筆記 Facebook 的最讚貼文
ref: https://www.infoworld.com/article/3632142/how-docker-broke-in-half.html
這篇文章是作者訪談多位前任/現任的 Docker 員工,Docker 社群貢獻者, Docker 消費者以及市場分析師的相關心得文,目的是想要探討 Docker 商業模式的成功與失敗,到底目前 Docker 商業模式的進展是否有跡可循,以及我們可以從這些歷史決策中學到什麼?
Docker 不是輕量級虛擬化技術的開創者,但是卻是個將 Container 這個技術給推向所有開發者的重要推手,Docker 簡化整體的操作使得每個開發者都可以輕鬆的享受到 Container 的好處,但是從結果論來說, Docker 還是於 2019 年 11 月給 Mirantis 給收購了
到底 Docker 的商業模式哪一步走錯了,接下來就跟者作者一起去訪談與思考。
[Docker 的誕生之路]
Solomon Hykes(文章很多該人看法) 於 2008 年創辦一間專注提供 Platform as a Serivce 的公司, DotCloud,該公司希望讓開發者可以更簡易的去建置與部署開發的應用程式,該公司的底層技術後來也由 Docker 繼續沿用,當然創辦 Docker 的依然是 Solomon Hykes。
Docker 開源專案誕生之後吸引了全球目光,除了來自各地的使用與開發者外,大型公司如 Microsfot,AWS,IBM 等都也加入,但是就跟其他基於開源專案的軟體公司一樣, Docker 也面臨的商業模式的問題,這種類型的軟體公司到底要如何穩定獲利?
從 2021 往回看,一個很簡短的說法可以說是 Docker 的企業化管理工具 Docker Swarm 還沒有站穩腳步之時就遇到 Kubernetes 這個龐然怪獸,然後 Kubernetes 橫掃時間把所有 Docker Swarm 的市場全面清空,
當然真實版本一定更加複雜得多,絕對不是一句 Kubernetes 就可以概括的
[開源專案的商業化之路總是困難]
Docker 於 2014 年開始認真探討其商業策略,如何將其作為 Container 領頭羊的角色轉變成為一個可以帶來收入的策略,VC 創投的資金讓其有能力收購 Koality 與 Tutum,同年 Docker 也正式宣布第一個商業版本的支援計劃。
這一連串的計算誕生出了許多產品,譬如 Docker Hub 及 Docker Enterprise.
不過可惜的是上述的產品並沒有辦法從企業用戶手中帶來穩定的獲利,大部分的客戶相對於直接購買 Docker 解決方案,更傾向跟已經合作的系統整合商一起合作。
Solomon Hykes 今天夏天跟 infoworld 的一次訪談中提到,Docker 從來沒有推出一套真正的好的商業產品,原因是因為 Docker 並沒有很專注地去處理這塊需求。
Docker 嘗試每個領域都碰一小塊,但是卻發現想要同時維護一個開發者社群又要同時打造一個良好的商業產品是極度困難的, Dockre 花費大量的時間與金錢想要魚與熊掌兼得,但是最後才體會到這件事情幾乎不太可行,Hykes 也認為 Docker 應該要花更多時間去聆聽用戶的需求,而不是自己埋頭苦幹的去打造一個沒有滿足使用者需求的企業產品。
來自 Google 的開發推廣大使 Kelsev Hightower 於今年的訪談中提到,Docker 成功地解決問題,但是卻遇到了瓶頸,舉例來說,Docker 提供工具讓開發者可以 產生 Image, 提供地方儲存 Image,運行 Image 除了這些之外, Docker 還有可以發展的空間嗎?
Hykes 不贊同這個說法,譬如 RedHat 與 Pivotal 都很成功的將 Docker 整合到彼此的 PaaS 產品(OpenShift, Cloud Foundry),也成功從中獲利,所以 Docker 實際上有很多方式可以去獲利的,只是沒有成功而已。
從結果論來看, Docker 早期的商業夥伴,一家專注於 Travel 的科技公司, Amadeus 於 2015 年正式跟 Docker 分手改而投向 RedHat 的懷抱。
畢竟 RedHat 有提供更多關於 Container 相關的技術支援,畢竟對於一個想要踏入 Container 世界的企業,如何將應用程式容器化是第一步,而接下來則是更為重要的 Container Orchestration 解決方案,很明顯的 Docker 這個戰場上是完全被 Kubernetes 打趴的。
[Kubernetes 的決策]
Docker 拒絕擁抱 Kubernetes 被認為是一個致命的錯誤策略,Jérôme Petazzoni, Docker 第一位也是目前在位最久的員工提到, Docker 內部曾經針對 Kubernetes 的生態去探討過,當時內部的共識是 Kubernetes 架構過於複雜,而 Docker Swarm 的架構相對簡單,比較之下 Docker Swarm 應該更容易獲得商業上的成功。
從其他的訪談可以得知, Docker 曾經是有機會可以跟 Google 內的 Kubernetes 團隊一起合作發展 Kubernetes,並且有機會去掌握整個 Container 生態系的發展。如果這些合作可以順利發展,那 Docker GitHub 底下的第一個專案可能就會是 Kubernetes,而 Docker Swarm 可能根本就不會產生了。
Hykes 承認的說,那個時空背景(2014,2015)下, Docker 公司很難找到一個很好的 Container Orchestration 解決方案來滿足各種各戶的需求,而那時候的 Kubernetes 也很難斬釘截鐵的說就是那個解決方案, 畢竟那時候 Kubernetes 還非常早期,同時期還有很多開源專案,很難料想到
Kubernetes 最後會主宰整個 Container Orchestration 世界。
文章後半段還有非常多的討論,非常推薦大家去看全文,雖然沒有辦法改變歷史,但是從歷史中可以學到非常有趣的東西,特別是當被客戶問到 Docker/Kubernetes 的一些生態問題時,有這些歷史資料的可以讓你講起來更有迷之自信
消費者決策種類 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
迎接終端AI新時代:讓運算更靠近資料所在
作者 : Andrew Brown,Strategy Analytics
2021-03-03
資料/數據(data)成長的速度越來越快。據估計,人類目前每秒產出1.7Mb的資料。智慧與個人裝置如智慧型手機、平板電腦與穿戴式裝置不但快速成長,現在我們也真正目睹物聯網(IoT)的成長,未來連網的裝置數量將遠遠超越地球的人口。
這包括種類繁多的不同裝置,像是智慧感測器與致動器,它們可以監控從震動、語音到視覺等所有的東西,以及幾乎大家可以想像到的所有東西。這些裝置無所不在,從工廠所在位置到監控攝影機、智慧手錶、智慧家庭以及自主性越來越高的車輛。隨著我們企圖測量生活週遭數位世界中更多的事物,它們的數量將持續爆炸性成長。
資料爆量成長,讓許多企業把資料從內部部署運作移到雲端。儘管集中到雲端運算的性質,在成本與資源效率、彈性與便利性有它的優點,但也有一些缺點。由於運算與儲存在遠端進行,來自終端、也就是那些在網路最邊緣裝置的資料,需要從起始點經過網際網路或其他網路,來到集中式的資料中心(例如雲端),然後在這裡處理與儲存,最後再傳回給用戶。
對於一些傳統的應用,這種方式雖然還可以接受,但越來越多的使用場景就是無法承受終端與雲端之間,資訊被接力傳遞產生的延遲。我們必須即時做出決策,網路延遲要越小越好。基於這些原因,開始有人轉向終端運算;越來越多人轉而使用智慧終端,而去中心化的程度也越來越高。此外,在這些即時應用中產生的龐大資料量,意味著處理與智慧必須在本地以分散的方式進行。
與資料成長連袂而來的,是人工智慧與機器學習(ML)也朝終端移動,並且越來越朝終端本身移動。大量來自真實世界的資訊,需要用ML的方式來進行詮釋與採取行動。透過AI與ML,是以最小的延遲分析影像、動作、影片或數量龐大的資料,唯一可行且合乎成本效益的方式。運用AI與ML的演算法與應用將在邊緣運作,在未來還將會直接在終端裝置上進行。
資料正在帶動從集中化到分散化的轉變
隨著資訊科技市場逐漸發展與成熟,網路的設計以及在其運作的所有裝置,也都跟著進化。全盛時期從服務數千個小型客戶端的主機,一直到客戶端伺服器模型中使用的越來越本地化的個人電腦運算效能,基礎架構持續重組與最佳化,以便更貼近網路上的裝置以及符合運作應用的需求。這些需求包含檔案存取與資料儲存,以及資料處理的需求。
智慧型手機與其他行動裝置的爆炸性成長,加上物聯網的快速成長,促使我們需要為如何讓資產進行最佳的部署與安排進行評估。而影響這個評估的因素,包括網路的可用性、安全性、裝置的運算力,以及把資料從終端傳送到儲存設備的相關費用,近來也已轉向使用分散式的運算模型。
從邊緣到終端:AI與ML改變終端典範
在成本、資源效率、彈性與便利性等方面,雲端有它的優點,裝置數量的急遽增加(如圖2),將導致資料產出量大幅增加。這些資料大部份都相當複雜且非結構化的,這也是為何企業只會分析1%~12% 的資料的原因之一。把大量非結構化的資料送到雲端的費用相當高、容易形成瓶頸,而且從能源、頻寬與運算力角度來看,相當沒有效率。
在終端執行進階處理與分析的能力,可協助為關鍵應用降低延遲、減少對雲端的依賴,並且更好地管理物聯網產出的巨量資料。
終端AI:感測、推論與行動
在終端部署更多智慧的主要原因之一,是為了創造更大的敏捷性。終端裝置處於網路的最邊緣與資料產生的地方,可以更快與更準確地做出回應,同時免除不必要的資料傳輸、延遲與資料移動中的安全風險,可以節省費用。
處理能力與神經網路的重大進展,正協助帶動終端裝置的新能力,另一股驅動力則是對即時資訊、效率(傳送較少的資訊到雲端)、自動化與在多數情況下,對近乎即時回應的需求。這是一個三道步驟的程序:傳送資料、資料推論(例如依據機器學習辨識影像、聲音或動作),以及採取行動(如物件是披薩,冰箱的壓縮機發出正常範圍外的聲音,因此發出警告)。
感測
處理器、微控制器與感測器產生的資料量相當龐大。例如,自駕車每小時要搜集25GB的資料。智慧家庭裝置、智慧牙刷、健身追蹤器或智慧手錶持續進化,並且與以往相比,會搜集更多的資料。
它們搜集到的資料極具價值,但每次都從各個終端節點把資料推回給雲端,數量又會過多。因此必須在終端進行處理。倘若部份的作業負載能在終端本身進行,就可以大幅提升效率。
推論
終端搜集到的資料是非結構性的。當機器學習從資料擷取到關聯性時,就是在進行推論。這表示使用AI與ML工具來幫忙訓練裝置辨識物件。拜神經網路的進展之賜,機器學習工具越來越能訓練物件以高度的精準度辨識影像、聲音與動作,這對體積越來越小的裝置,極為關鍵。
例如,圖4顯示使用像ONNX、PyTorch、Caffe2、Arm NN或 Tensorflow Lite 等神經網路工具,訓練高效能的意法半導體(ST)微控制器(MCU),以轉換成最佳化的程式碼,讓MCU進行物件辨識(這個的情況辨識對象是影像、聲音或動作)。更高效能的MCU越來越常利用這些ML工具來辨識動作、音訊或影像,而且準確度相當高,而我們接下來馬上就要對此進行檢視。這些動作越來越頻繁地從邊緣,轉移到在終端運作的MCU本身。
行動
資料一旦完成感測與推論後,結果就是行動。這有可能是回饋簡單的回應(裝置是開啟或關閉),或針對應用情況進行最佳化(戴耳機的人正在移動中,因此會針對穩定度而非音質進行最佳化),或是回饋迴路(根據裝置訓練取得的機器學習,輸送帶若發出聲音,顯示它可能歪掉了)。物聯網裝置將會變得更複雜且更具智慧,因為這些能力提升後,運算力也會因此增加。在我們使用新的機器學習工具後,一些之前在雲端或終端完成的關鍵功能,將可以移到終端本身的內部進行。
終端 AI:千里之行始於足下
從智慧型手機到車輛,今日所有電子裝置的核心都是許多的處理器、微控制器與感測器。它們執行各種任務,從最簡單到最複雜,並需要各式各樣的能力。例如,應用處理器是高階處理器,它們是為行動運算、智慧型手機與伺服器設計;即時處理器是為例如硬碟控制、汽車動力傳動系統,與無線通訊的基頻控制使用的非常高效能的處理器,至於微控制器處理器的矽晶圓面積則小了許多,能源效率也高出很多,同時擁有特定的功能。
這意味著利用ML工具訓練如MCU等較不複雜元件來執行的動作,之前必須透過威力更強大的元件才能完成,但現在邊緣與雲端則是理想的場所。這將讓較小型的裝置以更低的延遲執行更多種類的功能,例如智慧手錶、健康追蹤器或健康照護監控等穿戴式裝置。
隨著更多功能在較小型的終端進行,這將可以省下資源,包括資料傳輸費用與能源費用,同時也會產生極大的環境衝擊,特別是考量到全球目前已有超過200億台連網裝置,以及超過2,500億顆MCU(根據Strategy Analytics統計數據)。
TinyML、MCU與人工智慧
根據Google的TesnsorFlow 技術主管、同時也是深度學習與TinyML領域的指標人物 Pete Warden 表示:「令人相當興奮的是,我還不知道我們將如何使用這些全新的裝置,特別是它們後面代表的科技是如此的吸引人,我無法想像那些即將出現的全新應用。」
微型機器學習(TinyML)的崛起,已經催化嵌入式系統與機器學習結合,而兩者傳統上大多是獨立運作的。TinyML 捨棄在雲端上運作複雜的機器學習模型,過程包含在終端裝置內與微控制器上運作經過最佳化的模式識別模型,耗電量只有數毫瓦。
物聯網環境中有數十億個微型裝置,可以為各個產業提供更多的洞察與效率,包括消費、醫療、汽車與工業。TinyML 獲得 Arm、Google、Qualcomm、Arduino等業者的支持,可望改變我們處理物聯網資料的方式。
受惠於TinyML,微控制器搭配AI已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如自然語言處理)、影像處理(例如物件辨識與識別),以及動作(例如震動、溫度波動等)。啟用這些功能後,準確度與安全性更高,但電池的續航力卻不會打折扣,同時也考量到各種更微妙的應用。
儘管之前提到的雲端神經網路框架工具,是取用這個公用程式最常用的方法,但把AI函式庫整合進MCU,然後把本地的AI訓練與分析能力插入程式碼中也是可行的。這讓開發人員依據從感測器、麥克風與其他終端嵌入式裝置取得的訊號導出資料模式,然後從中建立模型,例如預測性維護能力。
如Arm Cortex-M55處理器與Ethos U55微神經處理器(microNPU),利用CMSIS-DSP與CMSIS-NN等常見API來簡化程式碼的轉移性,讓MCU與共同處理器緊密耦合以加速AI功能。透過推論工具在低成本的MCU上實現AI功能並符合嵌入式設計需求極為重要,原因是具有AI功能的MCU有機會在各種物聯網應用中轉變裝置的設計。
AI在較小型、低耗電與記憶體受限的裝置中可以協助的關鍵功能,我們可以把其精華歸納至我們簡稱為「3V」的三大領域:語音(Voice,如自然語言處理)、視覺(Vision,如影像處理)以及震動(Vibration,如處理來自多種感測器的資料,包括從加速計到溫度感測器,或是來自馬達的電氣訊號)。
終端智慧對「3V」至關重要
多數的物聯網應用聚焦在一些特定的領域:基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何?),以及安全性功能、自動化、預測性維護以及遠端遙控(詳見圖 6)。
Strategy Analytics的研究顯示,許多已經完成部署或將要部署的物聯網B2B應用,仍然只需要相對簡單的指令,如基本的開/關,以及對設備與環境狀態的監控。在消費性物聯網領域中,智慧音箱的語音控制AI已經出現爆炸性成長,成為智慧家庭指令的中樞,包括智慧插座、智慧照明、智慧攝影機、智慧門鈴,以及智慧恆溫器等。消費性裝置如藍牙耳機現在已經具備情境感知功能,可以依據地點與環境,在音質優先與穩定度優先之間自動切換。
如同我們檢視的結果,終端AI可以在「3V」核心領域提供價值,而它觸及的許多物聯網領域,遍及B2B與B2C的應用:
震動:包含來自多種感測器資料的處理,從加速計感測器到溫度感測器,或來自馬達的電氣訊號。
視覺:影像與影片辨識;分析與識別靜止影像或影片內物件的能力。
語音:包括自然語言處理(NLP)、瞭解人類口中說出與寫出的語言的能力,以及使用人類語言與人類交談的能力-自然語言產生(NLG)。
垂直市場中有多種可以實作AI技術的使用場景:
震動
可以用來把智慧帶進MCU中的終端AI的進展,有各式各樣的不同應用領域,對於成本與物聯網裝置與應用的效用,都會帶來衝擊。這包括我們在圖6中點出的數個關鍵物聯網應用領域,包括:
溫度監控;
壓力監控;
溼度監控;
物理動作,包括滑倒與跌倒偵測;
物質檢測(漏水、瓦斯漏氣等) ;
磁通量(如鄰近感測器與流量監控) ;
感測器融合(見圖7);
電場變化。
一如我們將在使用場景單元中檢視的,這些能力有許多可以應用在各種被普遍部署的物聯網應用中。
語音
語音是進化的產物,也是人類溝通非常有效率的方式。因此我們常常想要用語音來對機器下指令,也不令人意外;聲音檢測是持續成長的類別。語音啟動在智慧家庭應用中很常見,例如智慧音箱,而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞,如電視、遊戲主機與其他新的電器。
在工業環境中,供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正方興未艾。iTSpeex的ATHENA4是第一批專為這些產品設計的語音啟動作業系統。這些產品往往因為安全原因,有離線語音處理的需求,因此終端 AI 語音發展在這裡也創造出有趣的機會。用戶可以指示機器執行特定的運作,並從機器手冊與工廠文件,立即取用資訊。
語音整合在車輛中也相當關鍵。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統,進行大量投資。語音有潛力成為最安全的輸入模式,因為它可以讓駕駛的眼睛持續盯著道路,而雙手仍持續握著方向盤。
對於使用觸控螢幕或硬體控制器通常需要多道步驟的複雜任務,語音辨識系統特別能勝任。這些任務包括輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集,以及選擇廣播電台頻道。其他的服務包含如拋錨服務(或bCall)與禮賓服務。
視覺
正如我們之前已經檢視過,終端 AI 提供視覺領域全新的機會,特別是與物件檢測及辨識相關。這可能包括觀察生產線的製造瑕疵,以及找出自動販賣機需要補貨的庫存。其他實例包括農業應用,例如依據大小與品質為農產品分級。
曳引機裝上機器視覺攝影機後,我們幾乎可以即時檢測出雜草。雜草冒出後,AI可以分類雜草並估算它對農產收穫的潛在威脅。這讓農民可以鎖定特定的雜草,並打造客製的除草解決方案。機器視覺然後可以檢測除草劑的效用,並找出農地中仍具抗藥性的殘餘雜草。
使用場景
預測性維護工具已經從擷取與比較震動的量測資料,進化到提出即時的資產監控。藉由連接物聯網感測器裝置與維護軟體,我們也可能做到遠端監控。
震動分析
這種類型的預測性維護在旋轉型機器密集的製造工廠裡,相當常見。震動分析可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。例如,把震動計量器接上靠近選煤廠離心泵浦內部承軸處,就可以讓工程師建立起正常震動範圍的基線。超出這個範圍的震動,可能顯示滾珠軸承出現鬆動,需要更換。
磁感測器融合
磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器,測量液面的高低。所有的這些應用都使用一個固定面上的磁感測器,它與附近平面的磁鐵一起作動,與這個磁鐵相對應的感測器也會移動。
聲學分析(聲音)
與震動分析相似,聲測方位分析也是供潤滑技師使用,主要是專注在主動採取潤滑措施。這意味我們可以避免移動設備時產生的過度磨損,否則會為了修理造成代價高昂的停機。實際的例子可能包括測量輸送皮帶的承軸狀況。出現過度磨損時,承軸會因為潤滑不足或錯位出現故障,可能造成整個生產流程的中斷。
聲學分析(超音波)
聲音聲學分析雖然可以用來進行主動與預測性維護,超音波聲學分析卻只能用於預測性維護。它可以在超音波範圍內找出與機器摩擦及壓力相關的聲音,並使用在會發出較細微聲音的電氣設備與機器設備。我們可以說這一類型的分析與震動或油量分析相比,更可以預測即將出現的故障。目前它部署起來比其他種類的預防性維護花費較高,但終端 AI 的進展可以促成這種細微層級的聲學檢測,大幅降低部署的費用。
熱顯影
熱顯影利用紅外線影像來監控互動機器零件的溫度,讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置,可以長期檢測微細的變化。與其他對事故敏感的監視器一樣,它們會觸發排程系統,自動採取適當的行動來預防零件故障。
消費者與智慧家庭
將語音運用在消費者與智慧家庭,是最常看到的場景之一。這包括智慧型手機與平板電腦上、未包含電話整合功能的裝置,例如螢幕尺寸有限的穿戴式裝置。這類型的裝置包含智慧手錶與健康穿戴式裝置,可以為各種功能提供免動手的語音啟動。像 Amazon 的 Echo 或 Google 的 Home 等智慧音箱市場的成長,說明消費者對於可接收與提供語音互動等現有裝置的強勁需求,與日俱增。
消費者基於各種理由使用智慧音箱,最常見的使用場景為:
聽音樂;
控制如照明等智慧家庭裝置;
取得新聞與天氣預報的更新;
建立購物與待辦事項清單。
除了像智慧音箱與智慧電視等消費裝置,智慧家庭裝置語音的使用,也顯現相當的潛力。諸如連網門鈴(如 ring.com)等裝置與連網的煙霧偵測器(例如 Nest Protect 煙霧與一氧化碳警報)目前都已上市可供消費者選購,它們結合了語音與視覺的感測器融合功能以及運動檢測。有了連網的煙霧偵測器,裝置在偵測到煙霧或一氧化碳時,可以發出語音警告。
終端 AI 為強化這些能力提供了全新機會,而且常常結合震動(動作)、視覺與語音控制。例如,增加姿態辨識來控制例如電視等家電,或是把語音控制嵌入白色家電,即是以最低成本強化功能性最直接的方式。
健康照護
用來發現醫護資訊的 AI 驅動終端裝置的應用,將為病況的治療與診斷,提供更多的價值。這種資訊可能是資料,也可能是影像、影片以及說出的話,我們可以透過 AI 進行型態與診斷分析。這些資料將引發全新、更有效的治療方法,為整個產業節省成本。受惠於終端 AI 的進展,像 Google Duplex 等語音系統的複雜性將會降低。例如門診預約等勞力密集的工作,也可以轉換成 AI 活動。利用自然語言語音來延伸 AI 的使用,也可以把 AI 用在第一線的病人診斷,然後再由醫師接手提供諮詢。
其他健康照護實例包括像 Wewalk5 等物件,這是一個供半盲與全盲人員使用的智慧拐杖。它使用感測器來檢測胸口水平以上的物件,並搭配 Google Maps 與 Amazon Alexa 等 app,方便使用者提出問題。
結論
由於連網的終端裝置數量越來越多,這個世界也越來越複雜。連接到網際網路的裝置已經超過 300 億個,而微控制器的數量也超過 2,500 億,每年還會增加約 300 億個。越來越多的程序開始進行自動化,不過,把大量資料傳送到雲端涉及的延遲以及邊緣運算的額外費用,意味著許多全新、令人興奮且引人矚目的物聯網使用場景,可能無法開花結果。
解決這些挑戰的答案,並不是為雲端資料中心持續增添運算力。降低出現在邊緣的延遲雖然會有幫助,但不會解決日益分散的世界的所有挑戰。我們需要把智能應用到基礎架構中。
儘管為終端裝置增添先進的運算能力在十年前仍不可行,TinyML 技術近來的提升,已經讓位處相當邊緣的裝置 (也就是終端本身)增添智能的機會大大改觀。在終端增加運算與人工智慧能力,可以讓我們在源頭搜集到更多更具關聯性與相關的資訊。隨著裝置與資料的數量持續攀升,在源頭掌握情境化與具關聯性的資料,具有極大的價值,並將開啟全新的使用場景與營收機會。
終端裝置的機器學習,可以促成全新的終端 AI 世界。新的應用場景正在崛起,甚至跳過傳送大量資料的需求,因而紓解資料傳輸的瓶頸與延遲,並在各種作業環境中創造全新機會。終端 AI 將為我們開啟一個充滿全新機會與應用場景的世界,其中還有很多我們現在想像不到的機會。
附圖:圖1:從集中式到分散式運算的轉變。
(資料來源:《The End of Cloud Computing》,by Peter Levine,Andreessen Horowitz)
圖2:全球上網裝置安裝量。
(資料來源:Strategy Analytics)
圖3:深度學習流程。
圖4:MCU的視覺、震動與語音。
(資料來源:意法半導體)
圖5:AI 工具集執行模型轉換,以便在MCU上執行經最佳化的神經網路推論。
(資料來源:意法半導體)
圖6:物聯網企業對企業應用的使用-目前與未來。
(資料來源:Strategy Analytics)
圖7:促成情境感知的感測器融合。
(資料來源:恩智浦半導體)
資料來源:https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/?fbclid=IwAR0JTRpNsJUl-DmSNpfIcymGQpkQaUgXixEaczwDpELxGCaCeJpkTyoqUtI
消費者決策種類 在 張邁可 Youtube 的精選貼文
一個專業的業務人員可以在很短的時間內,就能分辨出客戶的類型,判斷他們的想法,並聚焦在客戶所重視產品資訊上面。所以我今天要來跟你談談關於在B2B的銷售中,你會遇到的四種類型的客戶。
B2B是Business to Business的縮寫,意思是企業對企業之間的商業行為。相較於B2C的業務,指的是企業對一般消費者,B2B業務的特性是客戶規模大、銷售週期長,採購決策因素也比較複雜。所以今天我們要談的,就是在B2B的這個領域的客戶類型。
1. 管理型客戶,他們通常是公司的經營者、執行長、或是負責管理的高階主管。他們要的是最好的產品,他想要知道為什麼這套POS系統是市場上最好的?他想要知道競爭對手在用那一套系統?他也想要知道你的這套系統相較於競爭對手的系統,是否更有競爭力?
2. 使用者客戶,他們就是你銷售產品的實際使用者,可能是店長或是門市的人員。他們雖然沒有高階主管的抬頭,但絕對可以影響採購的決定,因為他們就是實際上在操作使用你的POS系統的人。他們只在乎一件事情,這個產品是否真的有比較好用?跟舊的系統比起來好在哪裡?
3. 技術型客戶,他們通常是公司的技術長或是負責系統相關的技術人員,他們在乎的是技術層面的問題。他們想要知道你的產品,你的POS系統,是否可以整合進去目前公司在用的作業系統裡。系統未來是否可以升級,或是增加一些客製化的功能來滿足門市的需求。
4. 經濟型客戶。經濟型客戶顧名思義,他們最重視的就是價格,跟產品的價值。他們通常會是公司的財務長或是會計主管。簡單來說,最能吸引他們的就是便宜大碗,又高CP值的產品類型了。他們會找好幾個廠商來比價,重點就是要確保自己不但沒有買貴,還要買的很划算。
你通常遇到的客戶類型是哪一種呢?是管理型、使用者、技術型、還是經濟型客戶呢?
非常感謝你今天的收看,別忘了分享給你的朋友呦!
現在就訂閱吧! ▶ https://reurl.cc/WX3NL
Facebook:www.facebook.com/ChangMikeTV
Instagram:www.instagram.com/changmiketv
培訓與演講邀請:m@appz.com.tw
![post-title](https://i.ytimg.com/vi/BmvAfqqK55A/hqdefault.jpg)