截止2021年9月20日已回收有效答卷180份。調(diào)研結(jié)果發(fā)現(xiàn)了20+生態(tài)挑戰(zhàn)，問卷開放選項采集到49條補充意見和8條補充建議。

1. 調(diào)研對象職業(yè)主要是工業(yè)界從業(yè)者（53.45%），其次是在校學(xué)生（31.03%）和學(xué)術(shù)界研究者（25.86%）。

2. 調(diào)研對象的技術(shù)方向主要是邊緣AI及其應(yīng)用（55.75%）、AI及其應(yīng)用（49.43%）、邊緣計算及其應(yīng)用（42.53%）。也有約四分之一的方向為云計算及其應(yīng)用（25.86%），以及少量的其它方向（13.22%）。

基于調(diào)研結(jié)果已發(fā)布業(yè)界首份邊緣AI落地生態(tài)挑戰(zhàn)調(diào)研報告，可通過下方二維碼掃描獲取。我們也繪制了三種不同角色所反饋的生態(tài)挑戰(zhàn)詞云。

報告的重點內(nèi)容簡要介紹如下：

1. 對于算法開發(fā)者排名第一的挑戰(zhàn)是實際業(yè)務(wù)數(shù)據(jù)集及配套算法難以獲取，排名第二的挑戰(zhàn)是重復(fù)部署整套端邊云系統(tǒng)過于沉重。從中我們可以對于算法開發(fā)總結(jié)出研發(fā)資源支持少的生態(tài)挑戰(zhàn)。

2. 對于服務(wù)開發(fā)者排名第一的挑戰(zhàn)是通用方案整體性能不一定滿足特定業(yè)務(wù)需求，排名第二的挑戰(zhàn)是自研業(yè)務(wù)算法和系統(tǒng)方案周期長成本高。從中我們可以針對服務(wù)開發(fā)總結(jié)出方案選型成本高的生態(tài)挑戰(zhàn)。

3. 對于技術(shù)布道者排名第一的挑戰(zhàn)是缺乏商業(yè)成功案例，排名第二的挑戰(zhàn)是缺乏與現(xiàn)有方案系統(tǒng)對比，包括成本、部署要求。從各挑戰(zhàn)中可以針對技術(shù)布道者總結(jié)出價值呈現(xiàn)晦澀理解難的生態(tài)挑戰(zhàn)。

基于本次調(diào)研，下面從剛剛提到的幾個挑戰(zhàn)出發(fā)，進一步了解這個領(lǐng)域各位開發(fā)者的心聲和行業(yè)痛點，探索可能的解決方案。

核心痛點 I：業(yè)務(wù)數(shù)據(jù)集及其配套算法難以獲取

在調(diào)研過程，算法開發(fā)者跟社區(qū)反饋得最多的還是業(yè)務(wù)數(shù)據(jù)集機器配套算法難以獲取

1.正在打造邊緣AI算法利器，有什么實際業(yè)務(wù)可以練兵嗎，在哪找？

2.我認識一家邊緣計算公司在做工業(yè)質(zhì)檢，質(zhì)檢靠譜數(shù)據(jù)有嗎？可以先試一試。

3.公開數(shù)據(jù)集太多，大海撈針翻到頭都禿了。

4.數(shù)據(jù)集要么質(zhì)量不太高，或者要么跟具體業(yè)務(wù)不太匹配……

5.真實、好用的數(shù)據(jù)集說起來輕巧，但新業(yè)務(wù)數(shù)據(jù)集找起來太累了吧。

6.也不知道找哪家公司合適；自己去買設(shè)備采集？

從中可總結(jié)出核心痛點：業(yè)務(wù)數(shù)據(jù)集及其配套算法難以獲取，同時封閉測試環(huán)境難以跟上各類新業(yè)務(wù)孵化。同時看到第一個需求：分布式協(xié)同AI標準數(shù)據(jù)集和配套算法管理與下載，快速上手真實業(yè)務(wù)。

核心痛點 II：通用方案不滿足特定需求在調(diào)研過程，服務(wù)開發(fā)者跟社區(qū)反饋得最多的則是通用方案不一定滿足特定業(yè)務(wù)需求。

1.業(yè)務(wù)問題多得很……一宿一宿睡不著，天天挨客戶罵，現(xiàn)場各種安撫疲于奔命。頂會論文？真的沒有時間看。

2.現(xiàn)有測試數(shù)據(jù)和指標要求與實際業(yè)務(wù)差距過大。聽說算法進展很快，但調(diào)研大半年，嘗試很多算法，要真正能做進客戶心窩里還是很困難的。

3.新業(yè)務(wù)不斷產(chǎn)生，現(xiàn)有測試需要對應(yīng)改進。但現(xiàn)有測試都是那幾個玩具數(shù)據(jù)集和指標，基準固化后還不能改。亟需針對特定場景個性化配置。

4.場景很多，問題更多。針對不同場景甚至相同場景的不同算法范式要針對不同架構(gòu)、接口和參數(shù)使用不同測試工具。這導(dǎo)致在不同邊側(cè)場景，進行各種測試實驗非常繁瑣。要規(guī)?；黄炔捎煤唵渭夹g(shù)。

5.自研人力物力成本高，比如設(shè)備貴、人才高薪。挑戰(zhàn)復(fù)雜難題？中小企業(yè)試試就逝世，不如交給大企業(yè)或者高校（躺）。

從中可總結(jié)出核心痛點：全場景多范式測試成本高、個性化場景的測試用例準備繁瑣。同時看到第二個需求：個性化、全場景測試乃至自動化測試，對癥下藥并降低研發(fā)成本。

1. 針對業(yè)務(wù)數(shù)據(jù)集難以獲取，數(shù)據(jù)采集與處理成本高的痛點，ianvs提供豐富AI生態(tài)，做到開箱即用。ianvs開源數(shù)據(jù)集與5+配套算法，覆蓋預(yù)處理、預(yù)訓(xùn)練、訓(xùn)練、推理、后處理全流程，零改造開箱即用。

2. 針對封閉測試環(huán)境難跟上各類新業(yè)務(wù)孵化的痛點，ianvs提供可擴展開放工具鏈。測試環(huán)境管理實現(xiàn)自定義動態(tài)配置測試數(shù)據(jù)集、指標，告別封閉守舊的測試環(huán)境。

3. 針對全場景多范式測試成本高的痛點，ianvs提供全場景靈活切換。ianvs測試用例管理統(tǒng)一不同場景及其AI算法架構(gòu)與接口，能用一套工具同時兼容多種AI范式。

4. 針對個性化場景的測試用例準備繁瑣的痛點，ianvs提供低代碼生成測試用例。ianvs測試用例管理基于網(wǎng)格搜索等輔助生成測試用例，比如一個配置文件即可實現(xiàn)多個超參測試，降低超參搜索時的繁瑣重復(fù)編程。

Ianvs同步發(fā)布一個新的工業(yè)質(zhì)檢數(shù)據(jù)集PCB-AoI。PCB-AoI 數(shù)據(jù)集是開源分布式協(xié)同 AI 基準測試項目 KubeEdge-Ianvs 的一部分。Ianvs 很榮幸成為第一個發(fā)布此數(shù)據(jù)集的站點，Ianvs 項目相關(guān)社區(qū)成員將PCB-AoI 公共數(shù)據(jù)集同時也放在 Kaggle和云服務(wù)上方便各位下載。PCB-AoI工業(yè)質(zhì)檢公開數(shù)據(jù)集下載鏈接請參見：

https://ianvs.readthedocs.io/en/latest/proposals/scenarios/industrial-defect-detection/pcb-aoi.html

PCB-AoI數(shù)據(jù)集由KubeEdge SIG AI 來自中國電信和瑞斯康達的成員發(fā)布。在這個數(shù)據(jù)集中，收集了 230 多個板，圖像數(shù)量增加到 1200 多個。具體來說，數(shù)據(jù)集包括兩部分，即訓(xùn)練集和測試集。訓(xùn)練集包括 173 個板，而測試集包括 60 個板。也就是說，就 PCB 板而言，train-test 比率約為 3:1。進行了數(shù)據(jù)增強，將圖像方面的訓(xùn)練測試比率提高到 1211:60（約 20:1）。train_data 和 test_data 的兩個目錄都包含索引文件，用于關(guān)聯(lián)原始圖像和注釋標簽。

這里同步展示一個Ianvs在工業(yè)場景的案例。本案例是基于PCB-AoI數(shù)據(jù)集的工業(yè)質(zhì)檢。該案例基于工業(yè)視覺AoI設(shè)備輸出視頻圖片，檢測PCB板是否存在貼裝異常。

案例提供了單任務(wù)學(xué)習(xí)和邊云協(xié)同增量學(xué)習(xí)兩種范式。在本案例的單任務(wù)學(xué)習(xí)范式中，數(shù)據(jù)全部上云，在訓(xùn)練階段獲得所有數(shù)據(jù)。在本案例的邊云協(xié)同增量學(xué)習(xí)范式中，數(shù)據(jù)部分上云，訓(xùn)練數(shù)據(jù)分兩輪提供。Ianvs除算法指標外，還可監(jiān)控系統(tǒng)指標，如樣本上云比例指標。測試的基礎(chǔ)模型選用特征金字塔網(wǎng)絡(luò)FPN（Feature Pyramid Networks）。

基準測試結(jié)果顯示，待測FPN算法F1性能在0.84-0.95波動。邊云協(xié)同增量學(xué)習(xí)可節(jié)省近50%的上云數(shù)據(jù)量，同時獲得10%以上的精度提升。如下圖所示，增量前1處漏檢：僅檢出7處，增量后全部檢出：檢出全部8處缺陷。

Ianvs將提供開箱即用的數(shù)據(jù)集與配套算法，借助支持多場景范式切換和易擴展的工具鏈，以及測試用例的低代碼自動生成能力，來降低開發(fā)者在分布式協(xié)同AI應(yīng)用開發(fā)測試時的門檻，技術(shù)驗證時間半年降低到1個月，提升5倍研發(fā)效率。

Ianvs發(fā)布之際在此也特別感謝社區(qū)10+初創(chuàng)單位。社區(qū)也持續(xù)募集在Ianvs項目上的合作伙伴，共同孵化開源項目、研究報告及行業(yè)標準等。

KubeEdge-Ianvs 初創(chuàng)單位

對于未來工作上，Ianvs項目希望進一步解決各位社區(qū)用戶的問題。

首先，算法開發(fā)者們投票第二位的挑戰(zhàn)是重復(fù)部署端邊云系統(tǒng)費時費力的問題

1.只是想聚焦系統(tǒng)上的分布式調(diào)度而已，需要自己把遷移學(xué)習(xí)、增量學(xué)習(xí)、聯(lián)邦學(xué)習(xí)算法啥的協(xié)同機器學(xué)習(xí)算法學(xué)一遍很痛苦

2.想聚焦系統(tǒng)上的AI算法而已，真需要寫那么多系統(tǒng)代碼，把整一套邊云協(xié)同系統(tǒng)自己搭起來非常不友善

3. 費力氣搭系統(tǒng)，也不足以落地應(yīng)用到工業(yè)界……工業(yè)界有些系統(tǒng)機制，包括模型管理和維護等，能為模型上線護航

4.好了，組里花大錢搭起來，系統(tǒng)和算法終于能用了，但眼看著一年過去，馬上畢業(yè)來不及科研……AI系統(tǒng)的構(gòu)建對于高校團隊來說費時過長成本過高，簡直大坑

5.很多公司已經(jīng)有了，重復(fù)造輪子感覺憋屈。想在巨人肩膀上實現(xiàn)系統(tǒng)突破，搞大事情

因此第一項未來工作可以是實現(xiàn)工業(yè)級分布式協(xié)同系統(tǒng)仿真，提升方案研發(fā)效率。

另外一個未來工作，可以是關(guān)于技術(shù)布道者和最終用戶的價值呈現(xiàn)問題:

1.缺乏與先前方案的對比。受眾不明白什么是邊緣，跟以前有什么區(qū)別

2.客戶有數(shù)據(jù)，伙伴有研發(fā)，但因數(shù)據(jù)使用協(xié)議，數(shù)據(jù)無法出邊緣，經(jīng)常需要駐場調(diào)整

3.沒有界面，缺乏demo，方案不直觀，客戶看不懂，沒有吸引力

因此第二項未來工作可以是算法/范式測試排行與最佳方案展示，做好價值呈現(xiàn)。

Ianvs項目規(guī)劃路標如下圖。歡迎關(guān)注Ianvs項目，持續(xù)獲得第一手獨家公開數(shù)據(jù)集與完善基準測試配套。社區(qū)也持續(xù)募集在Ianvs項目上的合作伙伴，共同孵化開源項目、研究報告及行業(yè)標準等。

開源項目GitHub地址：

https://github.com/kubeedge/ianvs

作者介紹

鄭子木，華為云邊緣云創(chuàng)新實驗室主任工程師。2019年博士畢業(yè)于香港理工大學(xué)，研究方向為邊緣AI、多任務(wù)遷移學(xué)習(xí)及AIoT。發(fā)表國際相關(guān)領(lǐng)域頂級會議及期刊 (TPDS、IJCAI、 ICDCS、CIKM、TOSN、e-Energy、TIST等) 論文近20篇，多次獲得國際會議年度唯一最佳論文獎項，獲得華為公司技術(shù)貢獻獎項20+?，F(xiàn)正帶領(lǐng)團隊參與KubeEdge SIG AI的開源工作。

更多項目詳細介紹，可B站查看：

https://www.bilibili.com/video/BV1Ed4y1T7vt

聯(lián)系我們

微信添加相關(guān)負責人，備注KubeEdge-Ianvs

進一步了解KubeEdge-Ianvs