佈署 IoT Edge 和霧運算技術以開發智慧建築服務

2021年2月19日 星期五

《3S MARKET》這篇報導把物聯網的架構與實作，描寫的非常詳細，雖然在建築的細節上描述不多，但報導中也提及這是個實際驗證，可適用在很多的場域。不知道，有多少人真正看得懂？當然，連這篇都看不懂的人，就別說他真正了解物聯網、Edge 與 Cloud。

事實上這篇報導的描述不難了解，真正物聯網與邊緣運算的挑戰，是在實作。實作真正面臨的，是這些數據處理、融合、分析上的完整度，還有 —— 找到實作的場景！

摘要

基於 SoC 架構的嵌入式系統的進步，使許多商業設備的開發變得足夠強大，足以運行操作系統和複雜的算法。這些設備整合了一組具有連通性、運算能力和成本降低的不同感測器。在這種情況下，物聯網（IoT）的潛力不斷增加，並帶來了其他發展可能性：「事物」現在可以增加數據源附近的運算量；因此，可以在本地系統上，佈署不同的物聯網服務。

這種範例稱為「邊緣運算」，它整合了物聯網技術和雲端運算系統。邊緣運算可以減少感測器與中央數據中心之間，所需的通信頻寬。此方法需要管理感測器、執行器、嵌入式設備，和可能不連續連接到網路的其他資源（例如智慧手機）。這種趨勢對於智慧建築設計非常有吸引力，在智慧建築設計中，必須整合不同的子系統（能源、氣候控制、安全性、舒適性、使用者服務、維護和營運成本）以開發智慧設施。在這項工作中，分析和提出了一種基於邊緣運算範例的智慧服務設計方法。

這種新穎的方法，克服了現有設計中與服務的互操作性，和可伸縮性有關的一些缺點。描述了基於嵌入式設備的實驗架構。能源管理、安全系統、氣候控制和資訊服務，是實施新智慧設施的子系統。

1. 簡介

建築自動化系統使用開放式通信標準和介面，可以整合多種不同的建築控制規則，例如供暖、通風、空調、照明和百葉窗、安全功能和設備。但是，現有建築物通常不具有這些系統。

通常，每種安裝類型都提供特定的服務：供暖通風和空調（HVAC）控制氣候服務，攝影機和感測器提供安全服務等。僅當設計能源管理系統時，不同的子系統相關，但僅透過以下方式，連接建築物的能源管理系統。能源管理服務，集中在專用軟體中。

對於使用者和維護技術人員來說，提供不同服務的不同製造商，發現很難整合新的服務和功能。自動化建築將用於控制和數據採集的軟體，與工業協議和介面整合在一起。此外，將新服務整合到這種解決方案中並不容易，這取決於已安裝軟體的開發。

這些工業發展還為能源管理，提供了雲端連接解決方案和智慧服務。這些服務，也在集中式電腦系統中開發。數據被傳輸到這些系統或雲端進行分析。本文提出使用佈署在物聯網（IoT）技術中的邊緣和霧運算範例，主要有兩個目的：

A. 在自動化和非自動化建築物中，促進新的智慧和可互操作服務的整合（整合）。

B. 允許在建築物的所有子系統之間，分配智慧服務（互操作性）。

透過該建議，可以促進建築物子系統之間的關係。它還促進創建新的智慧服務（例如，新的分佈式智慧控制算法；使用電源管理捕獲的數據，來檢測人類活動；捕獲設備連接的模式辨識，運算可再生電力預測，在安全服務中使用電力數據等）。在這項工作中，我們設計了一個中間軟體的體系結構，該體系結構具有兩個主要層，這些層基於嵌入式設備、IoT 通信協議和硬體支援，來開發人工智慧算法（圖1）。

為了實現這一目標，我們在建築物的設施中添加了兩個概念等級：邊緣節點和霧節點。每個等級都有不同種類的設備和功能。我們佈署並實現了基於層的中間軟體的體系結構，以對模式進行實驗。

本文的組織結構如下：第 2 節回顧了智慧建築技術，建築物中的 IoT 佈署以及邊緣運算範例。第 3 節提出了一種在建築物（自動與否）中佈署邊緣和霧運算範例的方法。第 4 節介紹了進行的實驗。最後，第 5 節介紹了結論和未來的工作。

2. 相關工作

本節介紹與這項工作相關的主要研究領域。首先，我們在分析雲端運算層之後，回顧了基於邊緣運算範例的資源和服務供應。最後，我們研究了實現智慧建築的技術，並在最後的小節中，總結了先前研究的貢獻。

2.1. 邊緣運算資源和服務供應

最近，網路在兩端被標記為「邊緣」和「核心」，以查明處理發生的位置。邊緣端靠近數據源和使用者，核心端由雲端伺服器組成。透過這種方式，邊緣運算範例將運算推送到 IoT 網路的邊緣，以減少數據處理延遲，和發送到雲端的數據數量。基於雲端的後端，可以處理對時間不太敏感，或源設備本身不需要結果的處理請求（例如，物聯網網路狀態下的大數據分析）。

在邊緣運算資源供應方面，正在進行的 Horizo​​n 2020 RECAP 項目，提出了一種整合的雲端 - 邊緣 - 霧端架構，目的在解決應用放置、基礎架構管理和容量供應。雲端/邊緣基礎架構監控功能豐富了應用，基礎架構和工作負載模型，這些模型又被回饋到優化系統中，該系統可以協調應用並持續配置基礎架構。

徐等人進行的研究。 提出了一種用於邊緣運算的實用感知資源分配方法，稱為 Zenith。借助 Zenith，服務提供商可以與邊緣基礎設施提供商，建立資源共享合同，從而允許延遲感知資源調配算法，以滿足其延遲需求的方式，來調度邊緣任務。

邊緣節點資源管理（簡稱 ENORM），是管理邊緣/霧節點資源的框架，可透過監控應用需求，來自動擴展邊緣節點。可以透過靜態優先等級分配，來確定特定應用的優先等級。供應和自動縮放機制，是基於線性搜索的相對簡單的實現。

當源本身是可行動的時，邊緣雲範例也是可行的。 Chen 等人研究了行動設備向邊緣節點（特別是在無線電接入網路邊緣）的智慧運算分流。在這項工作中，作者提供了任務卸載算法，將分佈式運算卸載決策表述，為多使用者運算卸載功能。在同一項工作中，Wang 等人研究了聯合協調卸載任務，到多個邊緣節點的問題，並提出在邊緣等級引入及准入控制，以及兩階段調度方法，與傳統的最近邊緣選擇方法相比，改進了卸載性能。

2.2. 雲端運算服務配置

就社會和行業採用資訊技術而言，雲端運算範例是最具創新性的策略之一。提供的優勢提高了效率，並降低了成本，同時提供了可透過 Internet，普遍存取訪問的按需 IT 資源和服務。

當前，雲端運算服務種類繁多，甚至如何提供，這是一個受到廣泛研究的主題，正在提出許多的方案。甚至有評論總結了雲端運算範例的相關研究。

本小節介紹了有關以下問題的先前工作，這些問題與本手稿的主題有關：（i）安全性； （ii）服務品質（QoS）； （iii）提供邊緣服務。

（i）安全是雲端運算中一個具有挑戰性的問題。雲端服務位於應用環境之外，並且超出了防火牆的保護範圍，因此，需要附加的安全層。另外，邊緣和霧運算應用的行動性和異構性，使得難以定義單個過程。因此，需要一種分佈式安全策略。

此外，必須有一個標準化的環境，才能正確解決此問題，並指定霧運算和邊緣設備，如何相互協作。網路邊緣上的多個霧節點之間的敏感數據通信，需要資源受限的事物的輕量級解決方案。另一個與安全性相關的問題是數據位置。在雲端中運行數據分析是很常見的。因此，關於數據安全或隱私的公有雲與私有雲的爭論就出現了。

（ii）分配給雲端應用的資源，通常是根據合同規定的服務水準協議（SLA）所設置的。但是，實際上，由於偶爾執行大量事務，而導致分配的基礎結構飽和，可能會出現瓶頸。為了解決此問題，可以在資源可用時，動態擴展雲端基礎架構。當前，最具創新性的趨勢，目的在建構自動 SLA 合同合規系統。在 Faniyi 和 Bahsoon，以及 Singh 和 Chana 進行的研究中，可以找到與品質服務管理相關建議的詳盡綜述。考慮到這一點，提出了幾種策略來預測，應用的資源需求和 QoS 的要求。最近的工作試圖將安全性和 QoS 問題結合起來，以提供全面的性能指標。

（iii）最後，濫用雲端服務，是該領域的另一個問題。物聯網環境是霧和邊緣設備不斷加入或離開，動態的執行前後關聯。因此必須在網路邊緣提供彈性的服務。為此，在網路的可用設備之間，共享應用工作負載，可以為高階運算應用提供靈活性。提出了可靠的服務供應方法，來為系統提供更高的彈性，並提供靈活和優化的雲端服務。

在本主題中，將雲端框架和中間軟體技術，設置為與雲端層，以及具有不同介面操作系統，和體系結構的設備之間，進行通信的平台。

2.3. 物聯網在建築服務工程中

物聯網開發為在建築物上，開發數位服務提供了新資源。建築物中常見的物聯網應用，包括節能的過程環節、維護改進、雜務自動化和增強安全性。由於全球變暖，建築物的節能是一個重要的課題。

物聯網技術引入智慧建築，不僅可以減少本地溫室氣體排放，還可以將減少溫室效應擴大到更大的領域。目前，物聯網還被用於建築領域，以協助設施管理。物聯網使營運系統能夠提供更準確和更有用的資訊，從而改善營運，並為房客租戶提供最佳體驗。有基於物聯網的建議，這些建議顯示建築系統，如何與雲端進行通信，並分析所獲取的數據，以開發新的業務見解，從而能夠推動真正的增值和更高的績效。

實驗研究顯示，物聯網平台不僅可以改善，工業能源管理系統中實體的互連性，而且可以降低工業設施的能源成本。 FacilitiesNet 表示，建築物聯網（BIoT）正在推動我們獲取資訊，彼此互動和做出決策的方式發生重大轉變。BIoT 不僅與連接性或設備數量有關，而且還與交付實際和相關結果有關。當前，有很多基於物聯網的智慧家庭應用的例子。

然而，智慧設備或「物」，僅僅是連接到網路的設備或嵌入式系統。增值來自設計協調系統，和提供智慧服務，以提供實際收益的能力。這些特徵基本上，取決於對不同類型連接事物的異質性，及其互操作性的管理，並取決於數據處理提供的情報潛力。

Tolga 和 Esra 進行的研究得出的結論是，就智慧家庭系統中的軟體和硬體而言，物聯網技術尚未變得穩定。原因之一，有可能是物聯網技術仍處於發展階段。McEIhannon 所撰寫有關物聯網應用的邊緣雲和邊緣運算的未來，其評論得出了類似的結論。這篇評論提到概念和發展，目前還處於早期階段，從學術和行業的角度來看，許多挑戰都需要解決。

物聯網帶來了新的機會，但許多企業仍在尋求了解和分析，其將如何影響，並與現有的 IT 結構和管理策略整合。為此，必須創建專門的使用模式和技術，來彌合這一差距。

2.4. 發現

以下結論闡明了這項研究建議的新穎之處：

雲端運算作為「實用」的一般概念，非常適合智慧家庭應用的常規需求。但是，在某些情況下，將所有運算都移到雲端中，是不切實際的。

邊緣計算作為一種計算範例而出現，可以在物聯網設備生成的數據附近執行計算。這種範例可能有助於滿足最新應用的安全性和 QoS 的要求。

當前，控制子系統的高級建築設施，通常使用 Internet、IoT 協議和 Web 服務。專有系統是使用標準的 Internet 通信協議設計的，用於管制和監控。先前的工作顯示，基於無線感測器網路、Web 介面和工業控制模式，用於氣候控制、電源管理或安全性的控制系統，使用不同的監視和控制技術。監控應用分析，得自監控和數據採集系統中的這些子系統。對於不同的子系統，有不同的解決方案。考慮到上述情況，本工作中提出的模式，引入了以下新穎元素：

A. 介紹了一種分層架構（整合了邊緣和霧端等級），以及提供子系統之間互操作性，以及在建築物控制中開發智慧服務的方法，該方法使用了邊緣和霧端範例，這些範例將 IoT 協議整合在一起，並在本地 Intranet 中操作 AI 技術，讓雲端服務的通信層，完善了該層的架構。

B. 介紹了一種基於使用者為中心的方法，用於在互操作性需求下設計、驗證和改進新服務。

C. 該提案允許使用可以在已建的建築物中，實施的非專有硬體和軟體系統。

3. 計算模式設計

建築物中的設施子系統分為有照明、氣候、能源、安全、警報、電梯等。在自動化建築中，這些子系統由專門的控制技術控制和監控。在非自動化建築物中，不存在這些服務，並且子系統透過電子和電氣方式進行控制。在這兩種情況下，所有子系統都為建築營運，提供必要的服務。

從邏輯上講，每個子系統都在其場景中起作用，並且不能與其他子系統互操作。嵌入式電子控制器和連接的不同感測器，可以使每個子系統自動化。這些服務都是基於直接反應性控制規則。除了嵌入式控制系統和感測器之外，通信技術（基於 Internet 協議）和新的行動設備還為開發管制、監控和數據訪問服務，提供了新的可能性。

在智慧型動設備上開發，並連接到 Web 伺服器的人機介面和專用應用，是近年來已實現的服務的範例。每個子系統中的專家（氣候、安全性、電源等），都具有可以轉換為專家規則的知識。這些規則被轉換為用於管理、維護、控制、優化和其他活動的控制算法。這些規則是可以，在可程式設備上編程和實現的。但是，它們是靜態的，不會在出現新情況時發生變化，並且不能互操作，也無法適應每個安裝的特性。

例如，氣候或安全專家決定，如何使用標準啟動條件，來配置每個子系統。每個控制規則僅在一個子系統（此範例中為氣候或安全性）中工作，因此，這些子系統之間沒有互操作性。考慮到這種情況，提出的模式有助於並允許，基於不同子系統的互操作性，來整合新的數位服務，並將人工智慧（AI）技術的新服務，引入當前設施。

例如，諸如電梯控制的設施，可以用於安全服務或建築能源管理服務。氣候控制設施，可以與安全子系統整合在一起。整合到模式中的天氣預報軟體系統，可以由能源管理服務，或建築物空調服務使用。

目的是讓每個子系統中的專家，參與設計整合服務，並將所有子系統轉換為可互操作的系統。該模式會開發自動規則，並允許在考慮安裝行為本身的情況下進行決策。該模式基於一個過程，該過程包括四個開發階段（圖2）和分為不同級別的硬體 - 軟體體系結構（圖3）。該體系結構的主要等級，是邊緣等級和霧等級。這兩個層次介紹了在建築物中，應用物聯網技術的新穎性。下面介紹了模式的各個階段（分析、設計、實施和啟動）。

．分析：在此階段確定了不同的專家使用者（氣候、安全、電力、水、能源、管理人員，以及資訊和通信技術（ICT）技術人員）。諮詢專家使用者，以指定需要控制的主要過程。資訊通信技術專家作為整合環節，參與了這一過程。第一種方法產生了設計控制規則，和潛在服務所需的事物（對象）。在此階段，使用以使用者為中心的方法，並捕獲子系統的需求。

．設計：我們提出了一個三層架構（邊緣、霧端和雲端），如圖 3 所示。

．實施和數據分析：在此階段中已安裝和整合了子系統。服務基於每個子系統中的規則，分析事物（對象）生成的數據，以設計基於機器學習的服務。

．啟動：最初，在每個子系統的監督下制訂專家規則。然後，使用回饋過程安裝規則。最後，透過人工智慧技術，可以推斷出自動的和經過調整的規則。

3.1. 分析與設計

專家使用者對此過程，進行不同的審查。以使用者為中心的技術，用於設計整合流程。目的是獲得所需的所有事物（對象），它們之間的關係，以及潛在的服務。一旦指定了事物（對象）和服務，就必須關聯通信協議和控制技術。選擇了物聯網協議和嵌入式控制器；提出了人機介面；指定了邊緣層和霧層及其功能；分析專家規則和智慧服務。最後，提出了維護和操作方法。所有這些任務在專家技術人員，和資訊技術專家之間共享。

結果是事物的定義，它們之間的關係，以及與邊緣和霧層的交互作用。該過程中代表了建築物的所有子系統，數據感測器、執行器、控制器、規則和過程經過設計，可以整合所有子系統。數據集、對象和設備，由物聯網概念表示。事物由具有狀態和配置數據的實體，和前後關聯組成。事物數據位於霧和邊緣節點中，儲存的不同配置中的關聯性。

事物以數據向量表示：[ID、類型、節點、前後關聯情境]。

– ID是辨識碼。

– 類型可以是感測器、執行器、變量、過程、設備、介面、數據儲存，或可以在 IoT 生態系統中寫入、處理、通信、儲存或讀取數據的任何對象。

– 節點指定建築物子系統、功能描述、層類型（邊緣、霧端、通信或雲端）、IoT 協議和時程存取訪問。

– 前後關聯表示在 IoT 生態系統中，用於發布或讀取數據的時間、日期、位置，與其他事物的關係、狀態和訪問頻率。

表 1 是由事物（[ID、類型、節點]）。所有事物都可以訪問配置文件（CF），以了解如何使用可用數據，以及如何使用適當的訪問權限配置新數據。前後關聯數據位於內建記憶體，或是靜態儲存。使用定義的事物，設計不同的控制規則。這些控制規則是分佈在連接到網路的不同嵌入式系統中，控制過程的一部分。事物表示佈署在安裝的不同子系統中，所有的可用資源。在此等級上，設計師對所有事物進行分析、指定和關聯。基本控制算法是使用此資訊實現的。配置關聯性允許層和設備之間，所有事物的互操作性。

在此階段的另一級設計，必須提出物聯網管理中，使用的節點要求和規範。設計的流程和服務，將在邊緣或模糊節點中實施。必須指定每個節點，以確定其內部功能、通信及其服務。在獲取數據的地方，開發了智慧和處理能力。邊緣和霧層的節點，位於數據感測器、執行器和控制器附近。本文提出的方法，使用具有兩個功能的兩層（邊緣和霧端）。每一層都可以佈署互連節點的網路，以促進互操作性。

邊緣和霧層的功能是：

邊緣層功能：在連接感測器/執行器的嵌入式設備上，開發的控制軟體。某些 AI 算法可以安裝在邊緣節點上。中央處理器（CPU）和計算資源有限。安裝了通信介面，以允許在本地網路中進行整合。

霧層功能：局域網級別的通信、AI 範例、儲存、配置關聯性和監控活動。霧節點透過處理、通信和儲存，來處理 IoT 的Gateway、伺服器設備，或其他設備中的數據。在此等級實施本地、全球的整合服務。利用這些節點的硬體、軟體和通信功能，開發了基於機器學習範例的算法。霧層設備還可以在很少單位的設施或服務中，執行邊緣節點功能。

透過這兩個等級，可以優化建築設施，以獲得不同子系統之間的整合和互操作性。

表 1 顯示了每件事與關聯性配置，和節點規範的關係。節點標識其所屬的子系統（控制、能源、氣候等），層（霧端、邊緣、通信和雲端）及其執行的功能。

3.2. 架構設計

在分析和設計階段，獲得對象（事物）及其關係。規範和要求用於實現每個層。實施取決於提供所需功能的設計，和現有技術（硬體、通信和軟體）。在此階段，開發了一種適合現有設施的體系結構。物聯網協議提供互操作性，而 AI 範例則提供了適應性和優化性。邊緣運算節點用於控制設備，霧運算節點安裝在本地網路節點上。這些等級為配置、安裝和運行新流程，提供了強大的資源。

物聯網協議，傳達所有子系統數據。每個子系統由對象/事物（虛擬等級）組成，安裝為可連接的感測器/執行器/控制器設備（硬體等級）。

物聯網通信中，針對建築場景建立的要求是：標準協議、低功耗、易於存取訪問和維護、支援整合新模組，非專有硬體或軟體，以及低成本設備。

MQTT 協議，是目的在用於提供整合和互操作性資源，異構通信場景的主要物聯網協議之一。該協議被提議作為感測器、執行器、控制器、通信設備，和子系統之間的通信範例。

MQTT 協議的一些主要功能，在不同的著作中有所顯示，這使其特別適合於這項研究。他們之中有一些是：

．它是針對資源受限的場景開發的發布 - 訂閱消息協議。

．它具有低頻寬要求。

．這是一個非常節能的協議。

．編程資源非常簡單，使其特別適合於嵌入式設備。

．具有三個 QoS 等級，它提供了可靠和安全的通信。

MQTT 開發了無所不在的網路，該網路支持 n-m 節點通信模式。任何節點都可以查詢其他節點，並對其進行查詢。在這些情況下，任何節點都可以充當基地台的角色，能夠將其資訊傳輸到遠端處理位置。無處不在的感測器網路（USN）中的節點，可以處理本地數據。如果使用 Gateway，則它們具有全局可訪問性；他們可以提供擴展服務。

節點（邊緣或霧），可以具有本地和全局存取訪問權限。這些設施具有不同的可能性和益處。本地數據處理，對於基本過程控制是必需的，而全局處理則可用於模式檢測和資訊生成。從這個意義上講，擬議的平台使用了組合功能：連接到 IoT 雲端服務，本地網路區域上不同的 USN。在這種情況下，運算層（邊緣或模糊等級）將用作控制流程和雲端服務之間的介面。該層可以在與雲端進行通信之前，進行處理數據。

實現邊緣和霧端運算節點需要執行三個操作：

．連接和通信服務：所有設備必須在同一網路中，並且可以互操作。所有感測器和執行器都可用於開發服務。此活動的一個示例，是在 Internet 上遠端讀取建築物的電源參數、環境條件和開放的天氣預報數據。此活動中應實現其他功能，例如連接的安全性、可靠性和互操作性。

．嵌入式設備（邊緣運算層）中的控制算法和數據處理：在此活動中，這些設備中實現的基本控制規則和數據分析服務，可以開發新功能。此階段可以應用於數據過濾、運算氣候數據或分析功耗、直接反應控製，或使用模式辨識技術檢測事件。

．Gateway 節點（霧運算層）上的高階服務：此等級使用和管理 AI 範例，和 IoT 通信協議。霧運算節點對數據執行智慧分析，對其進行儲存，過濾並將其傳遞到不同等級，以糾正較低級別的新控制措施，或者生成雲端中服務感興趣的資訊。此階段的應用示例，包括分析新模式、預測用水量，或功耗、智慧檢測和其他預測服務。

3.3. 測試與回饋

在測試階段使用標準方法，邊緣和霧層提供不同的功能。提出了針對不同子系統的機器學習模式，並且可以將其安裝在邊緣或霧節點上。必須執行以下操作，來測試機器學習應用：

A. 定義和捕獲數據集：必須辨識、捕獲和儲存主要變量。在不同的建築子系統中，過程數據集是由連接到邊緣層的感測器捕獲的數據。使用通信協議監控和儲存數據集。一個案例是電表，該電表在配電盤中連接到嵌入式設備（邊緣節點），該嵌入式設備傳送電力數據，以在霧節點設備中儲存和處理。

B. 訓練數據集和形式辨識模式。先前數據集的一個子集，用於訓練不同的模式。評估針對從未用於訓練的數據測試模式，此過程的結果已由專家使用者驗證。目的是獲得一組代表性的結果，以了解模式在現實世界中的表現。

C. 實際場景中的驗證：必須在邊緣和霧節點上，實施新的服務和控制算法。這些模式具有用於分析數據，實施特定模式，並使用結果開發最佳參數的算法。在此階段，可以修改或進行改善模式。

D. 用統計術語和模式演變，得出測試結果：基於 AI 算法的模式而將產生近似值，而不是精確的結果。分析應用結果以確定置信度，並允許模式演化。該活動支持開發新的 AI 服務，或對已實現的算法進行修改。有監督的自動更改，是維護和改進系統的過程。此階段的過程，包括所有模式層。

建議對使用邊緣和霧，任何的安裝進行這些活動。如前所述，該模式既可以安裝在既有舊的建築物中，也可以安裝在新建築物中。對於新建築設計，基於建議模式的安裝更易於整合。此外，可以提供的服務的潛力，也使其對於既有建築物具有吸引力。

4.在建築子系統中，實施智慧服務

該模式在預先存在的住宅建築物上，進行了測試。設計和實施電源管理、管制和監控服務。物聯網協議（MQTT 和 HTTP）和 ML 範例，用於建議的層體系結構。基於 KNN 的機器學習方法，和樹決策算法用於管理功耗（家用電器），和可再生能源發電（風能和太陽能）。使用房屋中的霧節點，在雲端平台上實現監控和統計數據。該節點連接到控制可再生，和家用電器子系統的不同邊緣節點。

在圖 6 中，邊緣節點，整合在先前安裝的可再生子系統中。透過邊緣層上的這種新設備、電源管理、安全控制和操作流程得以整合，並且可以與其他子系統互操作。可以設計新的智慧服務。邊緣節點將數據傳輸到霧節點 Gateway，該 Gateway 管理功耗和發電，並控製家用電器。該節點中的輸入，是可再生能源發電的數據。輸出控件是 ON-OFF 開關，用於優化發電、安全性和操作。

4.1. 分析與設計

分析了住宅建築，以設計電源管理，安全和控制服務。 在第一種方法中，所需的主要事物（對象），它們之間的關係和不同的服務，如表 2 所示。

4.2. 執行

分析房屋中的建築子系統，以整合這個執行模式層：邊緣控制、霧服務，與雲端的通信和雲端服務。 選擇了本實驗工作中使用的感測器、執行器和控制過程（事物）。 表 3 列出了使用的嵌入式設備。

家庭服務中的控制過程，需要反應時間和互操作性。人機介面、數據存取訪問和分析服務，是本地和雲端運算上的服務。上面提到的兩個需求，都使用不同的協議處理：控制/通信上的 MQTT，和雲端服務上的 HTTP（RESTful API）是用於整合，並使所有子系統互操作的 IoT 協議。在提出的該層模式中，還使用 MQTT 協議、控制、數據處理，以及使用 RESTful 協議，到雲端的數據通信，來開發機器對機器（M2M）應用。

MQTT 使用開放的消息協議，該協議可以將遙測樣式的數據（即在遠端位置收集的測量結果），以消息的形式，從設備和感測器，沿著不可靠或受約束的網路傳輸，到伺服器（BROKER）。消息是簡單、緊湊的二進制數據包，有效載荷（壓縮的標頭，比超連結傳輸協議（HTTP）少得多的詳細資訊），並且非常適合推送簡單的消息傳遞方案，例如溫度更新或移動通知。例如，消息也可以很好地用於，將受約束的或更小的設備，和感測器連接到 Web 服務。

MQTT 通信協議，使所有對象可以互操作。透過此協議實現的發布者和訂閱者模式，可以互連所有設備和事物。該通信層由安裝在霧節點上的代理設備管理。不同的發布者和訂閱者，在不同的節點上實現。安裝了一個 Gateway 設備（霧節點）和兩個嵌入式控制器（邊緣節點），來控製家用電器和電源管理。事物和流程佈署在所有節點上。

邊緣節點控制子系統，霧節點根據決策樹，以及專家定義的規則，實現 AI 範例。霧設備將數據傳輸到雲端平台，以開發儀表板螢幕，來監看子系統的狀態。

可以開發新的雲端平台服務：事件檢測、機器學習處理、統計分析等。專家使用者設計基本的控制算法。在學習和訓練過程之後，將根據專家系統的結果，對這些算法進行調整和修改。在這項工作中，目標是在不損失生產力的情況下優化資源（控制和能源）。在邊緣或霧節點中，執行不同的控製過程；分類過程和決策樹在霧節點中實現。算法以 Python 語言實現。此語言的開源庫用於不同的應用。

4.3. 佈署與測試

對於現有建築物，邊緣節點交錯插入已安裝的控制器、配電板，以及感測器和執行器中。如果在分析階段指定了新的東西（電錶、氣候和控制器），則會安裝一些新的感測器/執行器。這項工作中佈署的邊緣節點具有以下優點：

．請勿干擾先前的安裝操作。

．他們使用新的專家規則和自動規則，引入新控件。

．他們測試和重新配置，在分析、學習和測試驗證中，設計更新的專家規則。


圖 7. 佈署在配電盤中的節點。 使用 IoT 協議通信，在不同節點中開發數據捕獲、控制算法、數據分析、儲存和通信服務

在電力管理過程中，專家使用者根據電力消耗、發電量、消耗負荷曲線、氣候數據和氣候預測數據，對具有選定流程的時間表，進行可程式處理。邊緣節點捕獲數據，並將其發送到霧節點。

霧節點處理室內和室外環境的日記數據，以及天氣狀況。霧節點還可以捕獲其他感測器數據。對房屋中的這些數據消耗和生成方式，進行檢測和分類。消費和發電結果，作為數據添加，以便與儲存的數據一起進行分析。可以使用機器學習方法開發，作為家用電器或人類活動檢測的智慧服務（圖8）。

4.3.1. 機器學習：數據捕獲過程（邊緣節點）和家用電器分類（霧節點）

連接在主配電盤中的電表，用於捕獲數據，並使用標準的 K 近似值，最近鄰（KNN）分類算法，來開發形式辨識模式。 KNN 是機器學習系統中最常見的方法之一。電表捕獲電流；如果連接了新的家用電器，則電流數據會更改。不同的家用電器具有不同的變化等級。

用於辨識家用電器的不同模式的主要變量，是連接時的電流水準差異。數據捕獲過程流程圖（圖9），顯示了在邊緣節點中實現的算法，以捕獲預處理並傳遞電力數據。

在此過程中，監督階段使用訓練數據集。接下來，真實場景中的驗證，將測試分類模式。家用分類設備將用於不同的服務：人類活動的辨識、負載控制、可再生能源管理、空調、安全性等。在訓練階段，已捕獲了不同的家用電器開機，以獲得一組形式。每個家庭都有一個矩心向量，將用於分類過程中的檢測。如上面所示的算法所示，分類器處理將產生連接時的電流數據作為輸入。KNN 分類過程流程圖（圖10）描述了 KNN 方法，它在霧節點中實現。

4.3.2. 可再生電源管理。控制電力自耗的決策樹

每個建築物都有不同的需求曲線，以及在接入電網方面的特定情況。為此，整合和可互操作的設施，可以實施適用於每種情況的不同解決方案，從而提供對太陽風資源的最佳管理，優化電源效率，簡化管理流程，並實現最高的成本節省。當可再生能源超過消耗的能源時，在使用 AC 耦合到電網的設施中，會出現問題。

在實驗工作中，太陽能在一天的中央時段的能量，大於所消耗的能量（圖11）。但是，在分析了消耗曲線之後，可以在這段時間內連接負載，以避免注入電網。可以透過設計一種算法，來滿足這一要求，該算法可以預測，何時發生此事件，以自動連接不同的負載。利用所有感測器和執行器的整合，和互操作通信，已經開發了在不同節點中，所實現的算法（圖12）。

13. 在電源管理子系統上開發的決策樹。 它由專業使用者設計，並整合在邊緣節點上。該決策樹的目的，在優化可再生能源的使用。

4.3.3. 基於 Edge 和 Fog 節點的 Control Home

圖 14 顯示了安裝在住宅房間中的邊緣節點。 該節點可以控制四個設備（設備），並捕獲感測器數據（功耗、發電量、溫度、濕度等）。該設備可以使用 MQTT 協議進行通信。該協議允許設備之間，進行其他類型的通信：智慧手機、新邊緣節點等。圖 7 和圖 14 顯示了可以在其他建築物中，佈署的標準實現。在所有系統中，都有配電板，這些配電盤佈署了霧節點和邊緣節點，如圖所示。

4.3.4. 使用物聯網協議的雲端服務

雲端服務可以監控，透過霧節點或人機介面（HMI）訪問的數據。 IoT 協議（MQTT）從任何已連接 Internet 的設備推送數據。事件檢測、儲存統計分析等其他服務，完善了該資源的功能。提供類似服務的不同平台，顯示了商用物聯網技術的狀態：Amazon IoT、Microsoft Azure、Ubidots 和 Thingspeak，是提供 IoT 平台的公司一些案例。提供了資源以及客戶端，和 IoT 平台之間的應用程式介面（API）通信，以便可以使用它們。

用於設計儀表板監控和管制的 HMI 資源，是這些平台上的主要實用功能之一。霧節點使用雲端 API 傳達數據和資訊，可以實施其他控制服務。在這些雲端平台上，預先建構了用於監控數據的儀表板設計。使用 API​​ 實用功能，霧節點中的過程處理，會將數據發送到每個儀表板。API 文件指定了在設備、IoT 平台和 Mobile-Alerts Cloud 之間，交換數據的結構，以及用於加速項目的代碼案例和形成資料庫。

圖 15 顯示了在 Ubidots 雲平台上，設計的儀表板。Ubidots是本實驗工作中使用的物聯網平台。該模式可以在實現這些協議的層，和平台中使用不同的標準協議。圖 16 顯示了在雲端平台中，IF 變量 THEN 動作的事件配置。大多數物聯網平台，都提供此功能。

5. 結論

為了設計物聯網系統，越來越多地提出邊緣霧模式。但是，每個範例都提供特定應用領域的解決方案。不同子系統之間的整合和互操作性，可以改善這種情況，並提供更好的服務。這項工作的主要目的，是透過提出一種基於邊緣層和霧層，兩層體系結構的運算模式，來解決這個問題。透過這兩層，可以基於使用邊緣或霧節點中，嵌入式的設備捕獲數據所產生的新型有用資訊，來設計和開發新服務。這些節點使用雲端平台和 IoT 協議（例如 MQTT）。

MQTT 是作為不同層（霧 – 邊緣 – 雲）之間提出的通信協議，並進行實驗的。雲端平台用於開發儀表板的面板資訊和 Internet 上的新服務，例如控制、儲存和通信事件。該平台可用於透過 API，交付不同的服務。

該模式可以在現有建築物和新建築物中，開發這些服務。在這種情況下，要求每個子系統中的專家和專業人員，參與新服務的設計。

為了測試該模式的功能，並顯示如何在實際設施中，實現該模式，在住宅中進行了一項實驗性工作。在此霧和邊緣節點前後關聯中，描述了實現的幾個範例。開發了模式辨識和決策樹方法，以展示人工智慧在設計 IoT 解決方案中的潛力。已安裝服務的結果顯示，邊緣和霧節點佈署，產生了預期中整合和互操作性的好處。

提出的工作演示了，如何將邊緣和霧範例，整合到可以增強其優勢的新架構中，從而擴展了應用領域。該體系結構的主要科學貢獻，是整合、技術的互操作性，及其為開發 AI 服務提供的設施的範例。所有這些改進，都在已開發的實驗的不同示例中顯示。具體的優化和改進，將在以後的工作中進行。此外，使用機器學習平台，和 AI 範例的新控制規則，將確保可以創建和改進新的智慧服務。

附圖：圖1.自動建構子系統和資訊技術環境。
圖2.基於使用者為中心關係的模式。
圖3.通信架構。 每個等級都有不同的功能。 提出了兩個通信等級：IoT（使用消息隊列遙測傳輸（MQTT））和 Web（使用代表性狀態傳輸（REST）協議）。這些協議的層，涵蓋了已建立的整合和互操作性要求。
圖4. 在建築物的現有設施上實施的邊緣霧架構示例：邊緣節點是較低的層次，必須與安裝的設備進行新連接。互連所有子系統的霧節點，是透過整合連接到邊緣節點的新設備來實現的。邊緣和霧節點，可以佈署在所有建築物子系統中。
圖5. 住宅建築中的第一個實驗工作。
圖6. 整合在先前安裝的可再生子系統中，邊緣節點的示例。 該節點可以使用新算法控制 ON-OFF 開關，以管理發電過程，以及通信和監控電源數據。
表1.事物示例描述。寫入 ID、類型和節點數據，以配置 XML 文件。配置關聯性儲存在霧節點中。
表 2. 實驗工作中的分析和設計要求。
表 3. 實驗室內使用的嵌入式設備。
圖 7 顯示了分佈在配電板上的節點（邊緣和霧狀）。在此節點中，設計並安裝了功率計、ON-OFF 開關控件和 AI 服務。
圖 8. 佈署的智慧電源功能。在霧節點中實施的分類過程，可用於檢測電連接和人類活動。可以使用 IoT 通信實現其他服務
圖9. 邊緣節點中捕獲，並預處理的用電量數據；MQTT 協議用於通信數據。另外，其他節點可以使用捕獲的數據，來提供其他智慧服務，佈署了整合和互操作性。
圖10. 分類過程。處理捕獲的電數據以檢測家用電器連接。可以使用 IoT 協議整合，來設計其他智慧服務。
圖11. 該圖顯示了實驗工作中的消耗和生產數據。 在自儲存的電力自備設施中，沒有儲存並且沒有注入電網，所產生的能量必須即時使用，並且不得超過所消耗的能量。 能源經理必須預測此事件，並提前連接電荷。
圖 12. 用電自耗設施中的可再生電源管理。
圖 13 是在電源管理子系統中，開發的算法的示例。 可以在邊緣節點上安裝此過程。該節點獲取氣候數據預測，並預測系統是否可以在不儲存的情況下，使用可再生能源。
圖14. 佈署的邊緣節點。該節點可以使用新算法，控制 ON-OFF 開關，並可以在每個房間或建築物中，通信和監控感測器數據。
圖 15. 在雲平台上配置的儀表板。顯示了風力發電數據和預測風力。
圖 16. 在雲端平台上配置事件的儀表板：IF 事件 THEN 動作。 該服務顯示了，如何使用雲端訪問來控制設施。與霧節點的 Internet 通信，可以控制建築物中的不同子系統，並使用電子郵件，SMS 或其他 Internet 服務來通報事件。

資料來源：https://3smarket-info.blogspot.com/2021/02/iot-edge.html?m=1&fbclid=IwAR0uijX5WdNrfzmGjVsakFGaEsWivPgyH1zumxVr7fwvvgqtdFFTI6jJXS8

DeeCamp2020結束了，特別驚喜地看到同學們今年的作品，跟以往線下合作在水準上基本沒有區別。今天的活動評選出了兩個總冠軍獎項，但學生們做的每一個作品都非常優秀、用心。也希望參與的200多名學生有真正的收穫。

本文來自創新工場微信公眾號
………………………………

創新工場DeeCamp2020完美落幕，兩團隊並列總冠軍獎金翻倍，共克真實世界難題

過去的2個月裡，200餘名來自全球高校的學生，聆聽了李開復、張亞勤、吳恩達、張宏江、俞敏洪、周志華等12位AI學術界、產業界大師授課，透徹理解了科技與創投核心規律；分組挑戰開放命題AI創新大賽，用AI和創意向現在和未來人類世界面臨的真實難題問題發起挑戰。

2020年8月5日，DeeCamp2020人工智慧訓練營總冠軍答辯暨結營典禮，在創新工場北京總部隆重舉行。

經過節奏緊湊的立項、研發、測試，DeeCamp 2020開放命題AI創新大賽共37支團隊提交了振奮人心的AI Demo，其中6項入圍總冠軍答辯。他們現場展示了自己精彩的成果，角逐開放命題AI創新大賽的總冠軍和各賽道冠軍。

最終，兩支團隊並列奪得總冠軍，分屬自動駕駛賽道和創新賽道。總冠軍獎金翻倍，兩支隊伍各獲得10萬元獎勵，其餘五個項目獲得各賽道冠軍。

DeeCamp人工智慧訓練營是一項面向全球大學生的公益項目，專注培養應用型AI人才。自2017年暑期啟動以來已舉辦四屆，培養了上千名大學生。DeeCamp 2020 由創新工場聯合華為共同推出，在今年全球變局與挑戰的背景下，旨在召集科技領軍新人才，肩負時代新使命，用AI解決真實世界的難題。受蔓延全球的新冠疫情影響，DeeCamp2020大師課和開放命題AI創新大賽全部轉為線上進行。

創新工場董事長兼CEO李開復博士，創新工場人工智慧工程院執行院長王詠剛，創新工場運營合夥人黃蕙雯，華為雲首席戰略官餘虎，聯合國開發計畫署駐華代表白雅婷（Beate Trankmann），路孚特（中國）科技有限公司董事長兼總經理党曉青等嘉賓出席典禮現場，予以專案點評，並為優勝隊伍頒獎。

華為雲首席戰略官餘虎表示：“華為一貫非常注重AI人才的培養，我們在2018年就發布了沃土人才培養計劃；通過華為雲線上的ModelArts AI訓練平台，以及端側的Hilens kit等算力平台，在高校，跟學校一起，聯合開展教材設計，課程設計；並且舉行無人車大賽，聯合創新創業及科研合作。目前已經和超過50所雙一流高校，形成了良好的合作，培養了上萬名學生。這次華為雲ModelArts平台很好支撐了創新工場DeeCamp大賽，幫助全國各地參賽學生隊伍的實戰項目挑戰AI難題。大家的作品和創意都非常好。期望後面大家能基於本次大賽作為良好開端，更好的掌握AI技能，發揮想像力，基於AI工程化落地的視角，用AI解決真實的產業和生活難題，給社會和生活帶來更多的改變。”

聯合國開發計劃署駐華代表白雅婷表示：“人工智能以及其他新興技術的發展會改變我們的生活，甚至可以為氣候變暖、新冠肺炎等全球性問題提供解決方案，然而它們也會擴大數字鴻溝並造成新的不平等現象。希望各位學員在日後的研究中可以運用所學，促進變革，通過自己的努力為人類創造更可持續的未來。”

路孚特（中國）科技有限公司董事長兼總經理黨曉青表示：“從2019年開始，路孚特成為DeeCamp合作夥伴，為學員分享金融行業深厚的業務知識和豐富的專業數據，並提供學習並實踐相關課題的資源。作為路孚特戰略研發運營中心之一，北京研發運營中心希望能夠吸引國內優秀的AI專業人才，增強AI專業人才儲備和研發技術能力。”

▌6支 AI Demo競逐總決賽，兩支並列總冠軍，10萬獎金翻倍

DeeCamp2020入圍總冠軍答辯的6支項目團隊，分別來自創新賽道、自動駕駛賽道、教育賽道、醫療與公共衛生賽道、商業賽道。8月5日上午，通過雲端連線的方式，6支團隊各自展示了激動人心的Demo作品。

經過評委打分、討論，自動駕駛賽道的Faster&Better團隊和創新賽道的方仔照相館團隊，最終共同奪得總冠軍。總冠軍獎金翻倍，兩個團隊分別獲得10萬元獎勵。另有五個項目獲得了各賽道冠軍。

為什麼最終選出兩個冠軍？評委之一、創新工場董事長兼CEO李開復博士解釋說，這兩個項目評委打分相同，難分伯仲。“Faster&Better”團隊的技術讓人震撼，這說明在今天，黑科技創業的空間仍然存在。而“方仔照相館”團隊則以商業取勝，讓我們驚訝於積木居然可以與AI結合。他們的“方頭仔”產品讓人充滿購買欲望，幾乎是一項可以直接拿到融資的項目。“我們認為這兩個組，任何一個單獨奪冠，都不能完整表達DeeCamp代表的精神，所以最終決定評選出兩個總冠軍。”

▍總冠軍：方仔照相館 BrickMeStudio
所屬賽道：人工智慧的創新思考與前沿設計
挑戰賽題：自動積木建模

AI+積木？聽起來如此跨界的兩件事，會有什麼奇妙的組合？

來自北京航空航太大學、清華大學、香港中文大學、奧地利科學技術研究所的同學們組成的“方仔照相館”團隊，用AI玩轉積木，為創意插上了翅膀。

他們打造了一個AI積木創作平臺“方仔照相館”，簡單上傳一張頭像照片，就可以生成個性化定制的方頭仔玩偶頭像。未來，只需一鍵下單，百變趣味的方頭仔就可以郵送到家。

怎麼實現呢？他們先根據輸入的圖像，抽取特徵向量，比如髮型、劉海、鬍子、眼睛、下巴、膚色、上衣款式、衣服圖案、鞋子顏色、手的擺放、褲子紋理等，匹配相應的積木零件，然後生成積木模型和拼裝步驟。

“方仔照相館”團隊希望將自己對積木的熱情，傳遞給更多人。積木不只是孩子們的玩具，更是創造力的源泉，“AI時代，更要注重創造力培養”。

▍總冠軍：Faster&Better
所屬賽道：自動駕駛的技術突破與前沿設計
挑戰賽題：算符算力約束下的無人駕駛車輛檢測

自動駕駛是人工智慧中最具挑戰、最具有應用前景的方向之一。對於需要大規模落地量產的車輛檢測場景，神經網路模型只能在較為廉價的晶片上運行，這為檢測模型的效率帶來了巨大挑戰和約束。

Faster&Better團隊在滿足嚴格算符算力的約束下，設計了一種極為高效的anchor-free車輛檢測模型。該模型採用了backbone、後處理策略，將物體看作點，使用輕量的head來預測物體位置、類別和bounding box，在保障性能的同時大幅提升了速度。
Faster&Better團隊對項目的商業價值也進行了思考。該車輛檢測模型能夠很容易地部署在低成本的晶片上，實現產品的落地，帶來商業回報。模型反覆運算速度快，可以使用更低的功耗訓練和維護。模型精度高，能夠為無人系統的安全性和穩定性保駕護航。

未來，該車輛檢測模型也有廣闊的應用空間。一是可以部署到行車記錄儀等傳統硬體上，使其智慧化，具備行車預警功能；二是可以部署到安防監控中，使用模型自動過濾篩選，將視頻中有車輛的場景加以保存，節省存儲空間，也節省人員重播視頻的時間。

▍教育賽道冠軍：Teched U
所屬賽道：用AI驅動的教育新工具和新方法
挑戰賽題：網路公開課聚類、檢索、評價和推薦工具

線上教育是未來趨勢，但錄播課的用戶體驗不佳。大量的錄播課僅將一段長視頻從線下直接搬運到線上，難以避免冗餘重複，造成學生積極性差、完課率低等問題。

來自卡內基梅隆大學和沃頓商學院的同學組成了Teched U團隊，希望用AI技術賦能線上教育。他們通過自研原創神經網路 TopicNet，實現長視頻切割、大綱提取、知識搜索三項功能。

通過視頻切割，尋找知識結構中斷點，可以將一小時的教育視頻切割成5-10分鐘的短視頻，讓使用者利用碎片化時間學習；通過大綱提取，借助整理好的知識大綱進行跳轉，讓使用者快速瞭解知識內容的結構；通過知識搜索，可以精確尋找到相關視頻和精確到秒的視頻跳轉位置。

目前，線上教育巨頭主要通過人工標注做視頻切分，但對於缺乏人才和技術的中小型線上公司，這項低成本的視頻切割自動標注技術，可以説明他們豐富視頻內容，實現精准推薦，從而提升用戶體驗和轉化率。

▍醫療賽道冠軍：心靈捕手
所屬賽道：用AI應對醫療和公共衛生領域的新挑戰
挑戰賽題：通過深度學習識別生物電信號

在DeeCamp，AI+醫療也可以大顯身手！

由“心靈捕手”小組帶來的“聽醫聲AI 診斷專家”項目，是本屆DeeCamp項目中唯一一個軟硬結合的項目。硬體製作、小程式設計開發等工作，全部是在DeeCamp期間用兩個月的時間完成。

“聽醫聲”AI診斷專家通過電子聽診器採集心音、呼吸音、脈搏，並將電子化的信號傳遞給微信小程式及後臺雲端分析系統，進行定量分析判斷使用者的健康狀況，實現健康監護、疾病預警、輔助診斷。若檢測到身體異樣，可自動推薦附近的醫院。未來，“聽醫聲”既可以輔助醫生做疾病早期篩查、健康監測，也可以用在留守老人監護、殘疾人健康關愛等領域。

值得一提的是，“聽醫聲”的脈搏波資料集，通過與醫院、診所、體檢中心等工作單位合作，共採集了6000余例由中醫專家標定的脈象資料，把專家經驗轉化為臨床診斷量化標準，實現了中醫問診的客觀化、資訊化。

▍創新賽道冠軍：AI科幻世界
所屬賽道：人工智慧的創新思考與前沿設計
挑戰賽題：科幻小說自動/輔助生成

你能想像一個AI構建的科幻世界嗎？在DeeCamp2020，AI正在創造一個全新的寫作時代。

來自中科院、美國喬治梅森大學等高校的五位同學組成的“AI科幻世界”團隊，基於Open AI 的GPT-2模型，在百億級中文大規模語料上重新訓練，打造了一位神奇的“AI科幻小說作家”。

這位元“科幻作家”，可以根據設定好的故事主線、人物角色等，互動式生成科幻小說內容，不僅可以遣詞造句，還可以創作構思，讓普通人也可以化身“科幻文學大咖”。

“AI科幻世界”團隊在開發的過程中，借鑒作家創作小說的過程，受到認知心理學和文學理論啟發，提出情節大綱主導的、人機協同寫作的範式：用戶輸入第一句，機器輸出多個人稱一致、語句連貫、邏輯合理的下一句話候選，由用戶做篩選和修改，不斷重複形成情節閉環。

在人機協同的半自動模式下，AI科幻世界寫作故事大綱的速度每分鐘可達50-100字。而在無人干預的全自動模式下，可以在1秒鐘之內寫出一個曲折動人的兩千字故事，揭開了創作的神秘面紗。

未來，科幻小說自動/輔助生成可以應用在商業傳播場景中，提升內容的廣度和個性化，兼顧精准分發下的使用者需求和內容品質，滿足企業對海量資訊的搜集、分析、篩選、整理和發佈需求。

▍商業賽道冠軍：“Non-pretrain”
所屬賽道：AI 賦能的商業決策與商業流程優化
挑戰賽題：人工智慧在量化交易和投資中的決策輔助

量化交易是指以先進的數學模型替代人為的主觀判斷，利用電腦技術從龐大的歷史資料中海選能帶來超額收益的多種“大概率”事件以制定策略。
來自南京大學、復旦大學的“Non-pretrain”團隊，針對外匯量化交易的歷史資料，提出了一種資料依賴的相似性度量方法。對每一個分類，分別使用所提出的層次注意力LSTM模型對未來匯率進行預測。最後對多個類的預測結果進行集成，並結合挖掘出來的典型pattern制定交易策略。

此外，聯合國開發計畫署一直非常關注高新科技與人工智慧在可持續發展領域的應用，為了鼓勵各位學員積極探索用AI解決可持續發展問題，專門設立了“AI4SDG”獎項，頒發給西天取經團隊、AI倒爺團隊、Teched U團隊、Brainnova意念互聯團隊、心靈捕手團隊。

此外，DeeCamp還組織了學員互評，評選最受學員歡迎的作品，最終西天取經、You OnlyLook Us、AI科幻世界三個團隊獲此殊榮。

▍自動駕駛賽道冠軍：“西天取經”AwesomeDet
所屬賽道：自動駕駛的技術突破與前沿設計
挑戰賽題：算符算力約束下的無人駕駛車輛檢測

西天取經團隊由來自北理工、北航、新加坡國立、北大、麥吉爾大學的五位極客組成。他們希望在自動駕駛的漫漫長路上，經歷磨難，不斷成長探索。

團隊採用了業界先進的技術，從Backbone、Neck、Loss三個層面出發，設計了一系列滿足算符算符約束的目標檢測模型，並做出適配改進，進行算法針對性優化。

推理速度是衡量自動駕駛技術的關鍵指標，目前行業內對推理速度的最低要求是10fps, 而該團隊的產品推理速度最快達到了74.5fps。

同時，他們提出了基於數據分析提出特定的增強方法，改善了夜間難樣本的訓練。經過真實場景下的測試，無論側視、後視、前視、夜景，都表現出了良好的遷移效果，測速、性能表現較好，達到了簡單場景下的車輛檢測要求，滿足了商業落地的要求。

該項目另外一大亮點是在手機上集成了檢測產品，做到了產品級別的實時呈現。未來，產品將可以搭載到智能行車記錄儀車輛預警、車載手機預警APP、交通事故實時監測、實時治安情況監測等多個領域。

此外，聯合國開發計劃署（UNDP）一直非常關注高新科技與人工智能在可持續發展領域的應用，為了鼓勵各位學員積極探索用AI解決可持續發展問題，專門設立了“AI4SDG”獎項，頒發給西天取經團隊、AI倒爺團隊、Teched U團隊、Brainnova意念互聯團隊、心靈捕手團隊。

▌74所高校200余名學生參與，12位大師授課

DeeCamp2020採用開放報名+定向邀請的方式，通過激烈競爭，200余位學員最終入選。

他們來自清華大學、北京大學、中國科學院大學、南京大學、北京航空航太大學、復旦大學、中國人民大學等44所國內高校，以及卡內基梅隆大學、麻省理工學院、牛津大學、康奈爾大學等30所海外高校，分佈在86個國內城市及北美和歐洲的17個海外城市。

學員中，碩士生占比56%，本科生占比26%，博士生占比17%。另外還有1%的學員是優秀的高中生，他們的技術科研能力已經達到了大學本科生的水準。

DeeCamp2020獨創“大師課+開放命題AI創新大賽”模式，讓學員既可以近距離與科研及產業領域大師溝通交流，也可以與志同道合的小夥伴結隊，親身體驗 AI 技術如何轉化為產業應用、積累實踐案例經驗。

在大師課上，李開復、張亞勤、吳恩達、張宏江、俞敏洪、周志華等12位來自AI領域學術界、產業界的重量級嘉賓，為同學們分享了AI前沿理論、產業創新、行業發展、創業趨勢等領域的最新洞察，讓大家充分領略了學術大師的思維方式，感受知識的魅力。

不同於常見的 AI 領域競賽，DeeCamp2020 開放命題AI創新大賽不以完成某一具體指標為目的，而是讓同學們組隊完成一個完整的創新項目，鼓勵其用創意向現在和未來人類面臨的科技問題發起挑戰。

因此，在賽題的設置上，DeeCamp聚焦社會熱點，關注真實世界與人們生活，共設置五大賽道14個新穎賽題，允許學生自由組隊。五個賽道分別是：

•教育賽道：AI 驅動的教育新工具和新方法
•醫療賽道：用 AI 應對醫療和公共衛生領域的新挑戰
•創新賽道：人工智慧的創新思考與前沿設計
•商業賽道：AI 賦能的商業決策與商業流程優化
•自動駕駛賽道：自動駕駛的技術突破與前沿創新

據創新工場人工智慧工程院執行院長王詠剛介紹，這次的賽道賽題設計具有“更熱門”、“更真實”、“更接地氣”三大特點：

“更熱門”：2020年是特殊的一年，我們面對著最多的變化，最多的挑戰，也是最多的機會，因此賽題設置貼合當前社會最關注的熱點問題，如健康賽道關注仍在全球延燒的新冠疫情。

“更真實”：為了讓同學們最大限度地接觸真實世界，所有賽題提供的資料都來自各個合作企業的真實場景資料。例如在Momenta提供的自動駕駛賽道中，Momenta為同學們提供了一批獨家未公開的128線雷射雷達檢測資料集和十萬量級視覺資料集，希望同學們在科研人員帶領下一同解決行業中的各類技術問題。

“更接地氣”：賽題設置與同學們的學習生活息息相關。在教育賽道中，人工智慧對程式設計教育的應用占了很大的部分，因為參賽的同學大多來自數學、電腦專業，有自學程式設計的經歷，這能促使參加該賽題的同學發揮主觀能動性，更好的利用自身經驗提高項目完成品質。

最終，共有9支隊伍選擇了商業賽道，10支隊伍選擇了自動駕駛賽道，5支隊伍選擇了教育賽道，6支隊伍選擇了醫療賽道，7支隊伍選擇了創新賽道，向這些難題發起挑戰。

▌你想用AI改變什麼？——DeeCamp學員的AI願望

人工智慧是一項偉大的技術，我們有幸生活在這個時代，也應該努力讓人工智慧造福人類社會。

“你想用AI改變什麼？”在主辦方發起的一項徵集活動中，200多名同學用紙和筆，寫下了自己的AI願望：

o“我想用AI改變人們的出行方式”
o“我希望用AI改變人們的教育環境，為所有人帶來更加智慧化的教育方式”
o“我希望用AI解決量化投資及商業決策問題”
o“我想用AI改變遊戲設計”
o“我想用AI改變文學作品的表現方式，讓大家能更加淋漓盡致地表現所思所想”
o“我想用AI改變醫療診斷技術”
o“我想用AI改變我們觀察世界的方式”
………

創新工場人工智慧工程院執行院長王詠剛表示，DeeCamp是一個為學生服務、充分發揮學生自主精神的人工智慧訓練營，鼓勵所有來到DeeCamp的同學進行一段自我驅動的AI學習實踐之旅。

在專案期間，DeeCamp的同學們充分發揮了“自我組織、自我管理、自我表現”的精神：自發組織了13場分享會，涉及創業經驗、讀書感想、技術研討、項目交流。在官方組織的“飯？泛？FUN？”談會中，學員們積極與各位大師雲上約飯，探討AI產業發展、創業方向、職業選擇等話題。

DeeCamp人工智慧訓練營自誕生起，就以消弭中國AI應用人才鴻溝、培養和完善中國AI應用人才生態為初衷，堅持公益屬性，將知識課程與項目實踐相結合，引導學生體驗 AI 技術如何轉化為產業應用，積累實踐案例經驗。

自2017年暑期首次開辦以來，DeeCamp總計收到來全球 1000 餘所高校超過 20000 份報名申請，已有 1000 余名學員順利結業。

DeeCamp的最大期待，就是結業的學員們都能在方興未艾的 AI 產業浪潮中，真正解決來自真實世界的難題，將論文中的 AI 演算法打造成一個個成功的 AI 產品與解決方案，用AI創造更美好的人類未來！

未來，DeeCamp 將繼續砥礪前行，不遺餘力地在人工智慧人才培養上面挖掘新方法和新思路，為 AI 領域輸送最新鮮的血液、提供最堅實的力量。

#不同的數位議題共享相同的邏輯

#有了力量更要向量我們一起找方向

#集合群眾的智慧

我昨天召開「立法院數位治理委員會」成立大會，邀請 #數位政委唐鳳(aka無邊界政委) 到場分享數位協作式治理的做法。

立法院秘書長林志嘉及林楚茵、賴品妤、吳思瑤、蘇巧慧、伍麗華、陳秀寶、劉世芳、林宜瑾及王婉諭委員也到場支持，在場更有微軟、臉書、LINE等數位相關企業、民間團體及學者一同出席。

感謝創會委員推舉我成為會長，更感謝林楚茵、賴品妤、吳思瑤、蘇巧慧、陳柏惟等委員擔任副會長。

我從擔任立委以來，已在立院多次 #關心數位治理議題。包括，#影音串流平台愛奇藝、 #性私密影像防治、#防疫確診足跡 與 #個資安全 等，顯示台灣數位治理法治機制之不足。

我發起成立「數位治理委員會」，就是希望 #多方協力，包括跨黨派立委、數位產業、民間團體及學者一起找出數位治理的方向。也希望促成行政院成立院級或跨部會主責單位，來規劃、組織及統籌數位治理相關政策。

因為，#數位產業是台灣新世代經濟發展的火車頭! #數位產業與數位人權的平衡會讓台灣成為更國際化的國家。

無邊界唐鳳政委在場分享口罩響應外交成果，在半天內已超過十萬人響應。可見台灣人 #人道援助的愛心。唐鳳也提出，以此次防疫為例，政府擺脫過去威權式以上對下傳遞知識的指揮方式，藉由 #協作式的共同治理」，建立討論空間，讓會「吵」的小孩，一起「炒」糖吃。

此外，透過「幽默闢謠」將迷音化的圖文訊息傳遞出去，在無形中也讓大家有參與感。最後，唐鳳也期待，數位治理在國會的力量已經成形，應有向量，才知道往哪邊前進。

昨天現場也邀請專家發言：政大新聞系　＃方念萱教授　指出，＃數位性別暴力的樣態快速增加中，因此相當樂見數位治理的討論並希望未來能可看見更具體的成效。北大犯罪學研究所　＃沈伯洋教授　針對民主及防衛機制表示，數位本身也可能成為武器，如果更早知道 ，便可以更早　＃防範敵國的威脅。

數位資訊應法制化，例如歐洲設有專責機關負責資訊之應用，確保如何授權與使用。北科大智慧財產權研究所　＃江雅綺老師　表示，過去一年關心共享經濟、假訊息等問題，今天很開心可以把議題都串起來，期待在委員的帶領下有很好的成果。

【感謝以下民間團體一起出席】
COSCUP開源人年會
NII產業發展協進會
台灣人權促進會
台灣協作暨共享經濟協會
台灣展翅協會
兒童福利聯盟
社團法人台灣少年權益與福利促進聯盟
婦女救援基金會
婦女新知基金會
開拓文教基金會
開放文化基金會 　
數位女力聯盟
勵馨基金會

＃實質監督
＃提出解方