IT助力OT完美協作　去中心化資料網格奏功

隨著行動運算與物聯網（IoT）快速地擴展，如今全球已有超過百億台的物聯網設備在邊緣網路相互連接，這些在邊緣產生的大量資料，若是要一一回傳到雲端資料中心才能取得回應，不只緩不濟急，網路延遲與高頻寬帶來的成本也是亟需應對的課題。邊緣AI的發展將有助於解決這些挑戰，將人工智慧帶到邊緣端，藉由人工智慧與邊緣裝置的結合，來實現更為即時的資料處理與回應，並且成為企業數位轉型中，邁向自主營運不可或缺的關鍵。

儘管邊緣AI能夠帶來諸多的優勢，例如能對資料進行即時處理、減少延遲、能降低對外部伺服器發送機敏資料的需求、更有效地利用網路頻寬，甚至因為不需要與雲端持續地通訊，反而更能延長邊緣設備的壽命，並帶來節能的成效。但就實務上來看，多元件的整合與無縫協作卻是邊緣AI目前面臨的極大挑戰，特別是如何管理異質的硬體與軟體環境。

對此，Dell也推出邊際運作軟體平台Dell NativeEdge，可協助企業集中部署和管理跨地理位置的邊緣基礎架構和應用程式。透過自動化與零接觸的佈建，企業得以大幅簡化邊緣作業，還可以跨混合環境實現應用程式的協調（Orchestration），企業不僅可以使用Blueprint去部署與管理邊緣應用程式，不只是NativeEdge Endpoints（戴爾專用邊緣設備，包含Dell Edge閘道器、直立式OptiPlex以及PowerEdge伺服器），還可以透過vSphere虛擬化和Kubernetes叢集到其他戴爾和非戴爾基礎架構的多雲。

此外，Dell也引進了虛擬信任平台模組（vTPM）和支援UEFI安全啟動功能（UEFI Secure Boot capabilities）。其中，vTPM是TPM的虛擬化版本，TPM是以硬體為基礎的安全功能，可提供加密功能和安全儲存。vTPM可讓在NativeEdge端點上執行的VM使用TPM功能，例如加密VM磁碟、驗證VM完整性以及證明VM身分。而UEFI安全啟動功能可確保只有授權且受信任的軟體才能在NativeEdge端點上啟動，從而防止未經授權或惡意軟體損害邊緣裝置。

補足OT管理與維運 

台灣戴爾科技集團技術副總經理梁匯華指出，過往IT與OT彼此之間的分野非常明確，但是如果要讓邊緣AI能夠落地實現，IT與OT其實是密不可分的，重點即在於，OT如何運用IT的能量去優化過去做不到的事情，舉例而言，戴爾專用邊緣設備為什麼要支援多種OT的通訊協定，目的就是為了要能管控這些邊緣裝置，例如產線機台或冷鏈冰箱，以確保OT的環境能夠永遠運行。過去，OT出現故障，需要人員到現場修繕，現在則可以利用IT的架構去補足，例如可以準備好兩台裝置，當其中一台故障時，另一台就能馬上接手繼續調控。雖然OT也能做到，但因為都是專有的設備與架構，相對就要付出較高昂的成本代價，現在透過軟體定義的方式，很輕鬆就能實現。

「許多企業都忽略了OT的管理與維運，但這點非常重要。IT能夠協助OT的地方就是讓OT永遠處於最佳化，這是兩者之間最完美的協作。」他以特斯拉（Tesla）為例進行說明，特斯拉電動車與他牌電動車最大的不同在於，特斯拉具備了很高程度的軟體定義，許多新功能只要透過空中下載（OTA）更新就完成了，但是傳統車廠設計的電動車現今還有許多OT的包袱無法抛開，很多架構設定都是專有的設定，這也是差異所在。

詳述邊緣架構分類 

根據Market Research Future預估，全球邊緣AI硬體市場將從2023年的26.86億美元成長到2023年的159.88億美元，年複合成長率達21.92%。

Dell在官方部落格中提到了AI時代下的邊緣運算架構，從中也能一窺邊緣AI硬體發展的不同面向，舉例而言，感測器或物聯網裝置主要負責從各處來源收集和產生資料，充當資料處理的第一站；具有較強運算能力、儲存和網路功能的邊緣伺服器或邊緣節點，則能負責運行邊緣應用程式並在本地處理資料；另外，邊緣閘道器則是充當中介的角色，能聚合和過濾來自多個設備的資料，執行初始預處理，並確保與其他元件的安全通訊。

雖然邊緣運算強調的是靠近資料的位置進行處理，但通常也會連接到集中式的雲端或資料中心來執行某些任務，在這裡，Dell也依據所處的位置區分為遠邊緣（Far Edge）與近邊緣（Near Edge）。而邊緣AI則是在邊緣部署人工智慧演算法和模型，進行本地推論和決策。

梁匯華指出，邊緣AI設備依據邊緣所有的位置，其所需的運算能力會有所差異，理論上位置越遠端，環境就越艱難，運算力需求也越小，因此，大多數的使用情境均是以執行推論為主。如果企業想要進行生成式AI相關的模型訓練或微調，通常就會回到資料中心或是雲端完成。簡單來說，初階或終端的使用者想要運生成式AI，那麼AI PC本身具備的40 TOPS（Trillion Operations Per Second）運算效能即可滿足，若是打算進行更進階的AI開發或是較大模型推論，AI開發者可選擇AI工作站，如果需要GPU來進行相關的運算，那麼就得選擇伺服器來實現。

資料由各部門管控回歸專業 

「然而，企業在導入任何解決方案之前，首要還是得先有明確的AI業務戰略目標」，他提到，AI全生命週期有五部曲，第一步即是確認到底AI在企業中擔任何種角色，以及打算在哪些層面應用。其次是準備訓練AI的資料，訓練資料的數量和品質，會決定了AI演算法規模的上限。接下來的第三、第四以及第五個步驟才會是模型的預訓練、微調以及推論。「從第三到第五個步驟會是一個循環，即便企業已經在邊緣進行推論，所有的回饋還是會再回來進行增強學習（Reinforcement Learning），增強學習後的資料又會進行微調或是重新訓練模型。」

梁匯華指出，過去有不少企業把所有資料都集中到一個平台中，當有不同的處理流程需要使用到資料的時候，就從資料中台來取得。但缺點是企業很難確保各部門的資料會百分之百到中台，因為有些業務資料的機敏性較高，或是即便全部的資料都到中台，也可能存在很多Garbage Data，因此現在也有一種作法是採取Data Mesh（資料網格）架構，讓企業內部每一個部門都擁有自己的Data Fabric，資料由各個部門自己管控，好處是可以回歸專業，因為最懂該部門資料的人就位於部門之中，如此一來，每個部門都可以做好核心優勢的產品，發揮資料價值。