前言
欢迎回到AI智慧製造，上一篇我们讲到了目前製造业的一些困境，并且说明了相关的解决方案。而本篇文章将会各位详细阐述在云端上的实际操作与展示架构图，并且针对应用到的云端产品进行说明与简介。希望透过这次的架构展示，使读者能够更深入了解云端所带来的优势，并且透过云端技术也能替传统製造业注入新的活水。

首先先为读者送上一张架构图：

在上一篇文章中，提过在这个案例中的作法主要是透过在研磨厂中配置摄像头，并且针对钢材的多个面进行实时照片拍摄，进而将这些照片透过专线或者网路，传输至云端平台上的对象存储。

接着会进行人工自定义标籤，定义出有瑕疵、无瑕疵等等的判别后的照片，再将这些照片通过云端的机器学习(ML)的工具进行模型训练，待模型训练完成后部署至云端主机上，后续的所有待判断照片，都可以透过网路传输至云端主机上进行判别，并且回传结果至操作人员的客户端萤幕上。

笔者就此架构进行优劣分析如下：

优势

1. 将多数硬体资源透过云端部署，节省前期部署时间与维护成本。
2. 机器学习可以通过预建立的AI模型进行训练，并且可根据自己的需求进行客製化调整。
3. 工厂端仅需引入摄像头等自动化摄像设备并接上传输线即可。

劣势

1. 需配置相当稳定的传输线路，以避免服务中断。
2. 延迟较高，等待时间可能较久。

那麽，还有其他方案可以替代吗？有的，请详见下图：

如上图，此架构一样需要配置摄像头，且摄像照片一样须传送并存储在云端平台上的对象存储桶中，并且通过云端平台上的机器学习工具进行模型的训练流程。模型训练完毕后，直接部署在工厂端的边缘设备上，在这个判断过程中，也可以收集相关的判断结果反馈，并优化模型。

而以上的架构优劣如下：

优势

1. 网路配置需求较低
2. 运算与结果回传速度提升

劣势

1. 更新判断模型费时较久
2. 需要添购边缘伺服器硬体，成本提高
3. 硬体维护人员成本

以上两种云端架构，皆透过云端平台的工具进行AI模型的建立与训练，不同的是这个判别模型是部署在「云端平台之上」或者「工厂端的边缘设备上」。

后续带来的效果也会不同，若建设在云端平台之上，将会省去大量的人力与硬体成本，但在网路传输上会有些微延迟，判断的速度可能会降低；若透过云端平台的工具将模型训练完成后，再部署至边缘设备上，将会提升网路传输速度，但同时也须负担额外的硬体成本。

没有最好的解决方案，只有最适合的解决方案，以上两者方案提供给先进们参考，就当作笔者的抛砖引玉，期待未来在AI智慧製造上能够借用云端的力量，借力使力，达成AI数位化时代的愿景。

 

---