To ensure you have the best experience and security possible, update your browser. Update now
Edge AI คือการนำเอาปัญญาประดิษฐ์ (AI) มาประยุกต์ใช้กับอุปกรณ์ปลายทาง (Edge device) เช่น อุปกรณ์ IoT (Internet of Things) อุปกรณ์เคลื่อนที่ อุปกรณ์อุตสาหกรรม หรืออุปกรณ์เครือข่าย หรือแม้กระทั่งมือถือ ยุคใหม่ เพื่อทำการวิเคราะห์ข้อมูลและประมวลผลข้อมูลแบบเรียลไทม์ (Real-time) โดยไม่ต้องส่งข้อมูลไปประมวลผลบนคลาวด์ (Cloud)
Edge AI มีข้อดีหลายประการ เช่น
Edge AI และ Cloud AI มีข้อดีและข้อเสียที่แตกต่างกัน ดังนั้นจึงควรเลือกเทคโนโลยีที่เหมาะสมกับการใช้งาน เช่น หากต้องการประมวลผลข้อมูลแบบเรียลไทม์และให้ความสำคัญกับความปลอดภัยของข้อมูล Edge AI จะเป็นตัวเลือกที่ดีกว่า แต่ถ้าต้องการประมวลผลข้อมูลที่มีปริมาณมากและต้องการเข้าถึงข้อมูลได้จากทุกที่ Cloud AI จะเป็นตัวเลือกที่ดีกว่า
ยกตัวอย่างจากมือถือรุ่นใหม่อย่าง Samsung S24 ที่สามารถประมวลผลเสียงและแปลได้ทันทีทันใด หรือ Seemless Translation นั้น เป็นตัวอย่างหนึ่งของการนำ Edge AI มาใช้ในชีวิตประจำวัน เทคโนโลยีนี้ช่วยให้ผู้ใช้สามารถแปลภาษาได้แบบเรียลไทม์โดยไม่ต้องเชื่อมต่ออินเทอร์เน็ต ซึ่งมีประโยชน์อย่างมากสำหรับการเดินทางท่องเที่ยวหรือติดต่อสื่อสารกับผู้คนจากต่างวัฒนธรรม
แนวโน้มของ Edge AI ในอนาคตจะมุ่งเน้นไปที่การพัฒนาให้มีประสิทธิภาพมากขึ้น สามารถประมวลผลข้อมูลได้อย่างรวดเร็วและแม่นยำยิ่งขึ้น เพื่อให้สามารถรองรับการใช้งานที่หลากหลายและซับซ้อนมากขึ้น เช่น
นอกจากนี้ Edge AI ยังจะผสานรวมกับเทคโนโลยีอื่นๆ เช่น 5G, Blockchain และ Quantum Computing เพื่อเพิ่มประสิทธิภาพและขีดความสามารถในการใช้งานมากยิ่งขึ้น
ตัวอย่างการใช้งาน Edge AI ในอนาคตที่อาจเกิดขึ้น ได้แก่
จะเห็นได้ว่า Edge AI มีศักยภาพที่จะพลิกโฉมโลกของเราไปอย่างสิ้นเชิง โดยเทคโนโลยีนี้จะช่วยให้เราใช้ชีวิตได้อย่างสะดวกสบายและปลอดภัยมากขึ้น
ในแง่ของ Generative AI ซึ่งในปัจจุบันความก้าวหน้าของ ระบบรู้สร้าง นี้ได้เข้ามาใช้ประโยชน์ในชีวิตประจำวันเรามากขึ้นเรื่อยๆ ไม่ว่าจะในที่ทำงานเป็นทำงานร่วมกับ MS Office หรือ ค้นหาข้อมูลหรือ แนวทางต่างๆ ซึ่งในส่วนที่มาเชื่อมต่อกับ Edge AI ซึ่งสามารถสร้างสรรค์งานสิ่งต่างๆ ได้หลากหลายขึ้น
อนาคตของ Edge AI ในรูปแบบ Generative AI มีโอกาสพัฒนาต่อเนื่องได้หลายทิศทาง ดังนี้
การพัฒนาประสิทธิภาพของอุปกรณ์ อุปกรณ์ Edge AI ในปัจจุบันยังไม่มีประสิทธิภาพเพียงพอที่จะรองรับการใช้งาน Generative AI ที่ซับซ้อน เช่น การสร้างภาพ วิดีโอ เสียง หรือข้อความที่มีคุณภาพสูง อย่างไรก็ตาม การพัฒนาเทคโนโลยีด้านชิปเซ็ตและหน่วยความจำแบบใหม่จะช่วยให้อุปกรณ์ Edge AI มีพลังประมวลผลและพื้นที่จัดเก็บข้อมูลมากขึ้น ซึ่งจะส่งผลให้ Generative AI ทำงานได้มีประสิทธิภาพมากขึ้น
การพัฒนาอัลกอริทึม อัลกอริทึม Generative AI ในปัจจุบันยังทำงานได้ไม่สมบูรณ์แบบ เช่น อาจสร้างภาพหรือวิดีโอที่มีจุดบกพร่อง หรืออาจสร้างข้อความที่เข้าใจยากหรือไม่เป็นธรรมชาติ อย่างไรก็ตาม การพัฒนาอัลกอริทึมใหม่ ๆ จะช่วยให้ Generative AI ทำงานได้แม่นยำและสร้างสรรค์มากขึ้น
การผสานรวมกับเทคโนโลยีอื่น ๆ Generative AI ยังสามารถผสานรวมกับเทคโนโลยีอื่น ๆ เช่น 5G, Blockchain และ Quantum Computing เพื่อเพิ่มประสิทธิภาพและขีดความสามารถในการใช้งานมากยิ่งขึ้น เช่น การใช้ 5G เพื่อส่งข้อมูลภาพและวิดีโอแบบเรียลไทม์ไปยังอุปกรณ์ Edge AI หรือการใช้ Blockchain เพื่อปกป้องข้อมูลส่วนตัวและความปลอดภัยของข้อมูล
ตัวอย่างการใช้งาน Edge AI ในรูปแบบ Generative AI ในอนาคตที่อาจเกิดขึ้น ได้แก่
การสร้างภาพและวิดีโอแบบเรียลไทม์ อุปกรณ์ Edge AI สามารถใช้ Generative AI เพื่อสร้างภาพและวิดีโอแบบเรียลไทม์ เช่น การสร้างภาพเสมือนจริง (Virtual Reality) หรือการสร้างภาพเสริมความเป็นจริง (Augmented Reality) เพื่อช่วยให้ผู้ใช้งานสามารถมองเห็นโลกรอบตัวได้ในรูปแบบใหม่ ๆ
การแปลภาษาแบบเรียลไทม์ อุปกรณ์ Edge AI สามารถใช้ Generative AI เพื่อแปลภาษาแบบเรียลไทม์ เช่น การแปลภาษาแบบปากเปล่าหรือแบบข้อความ ซึ่งจะช่วยให้การสื่อสารระหว่างผู้คนจากต่างวัฒนธรรมเป็นไปได้อย่างราบรื่น
การสร้างเนื้อหาสร้างสรรค์ อุปกรณ์ Edge AI สามารถใช้ Generative AI เพื่อสร้างเนื้อหาสร้างสรรค์ เช่น การสร้างเพลง บทกวี หรือผลงานศิลปะ ซึ่งจะช่วยให้ผู้คนสามารถสร้างสรรค์ผลงานได้อย่างง่ายดายและรวดเร็ว
จะเห็นได้ว่า Edge AI ในรูปแบบ Generative AI มีศักยภาพที่จะพลิกโฉมโลกของเราไปอย่างสิ้นเชิง โดยเทคโนโลยีนี้จะช่วยให้เราใช้ชีวิตได้อย่างสะดวกสบายและสร้างสรรค์มากขึ้น ซึ่งการนำไปใช้เพื่อให้เกิดประโยชน์ นั้น เราควรมี AI Ethic เพื่อครอบคลุมการใช้งาน และ บทบาทที่จัดเจนมากยิ่งขึ้น หลายๆประเทศ ก็มีมาตรฐาน ของ AI โดยกำหนด ISO BS/IEC 42001:2023 ซึ่งหลายๆ บริษัทได้นำมาปรับใช้กันบ้างแล้ว อนาคตของ Edge AI ขึ้นอยู่กับ ท่านผู้อ่าน และ การนำไปใช้ให้เกิดประโยชน์ แก่ตัวเอง และ คนรอบข้าง
Edge AI เป็นเทคโนโลยีที่มีศักยภาพที่จะพลิกโฉมโลกของเราไปอย่างสิ้นเชิง โดยเทคโนโลยีนี้จะช่วยให้เราใช้ชีวิตได้อย่างสะดวกสบายและปลอดภัยมากขึ้น Edge AI มีแนวโน้มที่จะพัฒนาอย่างต่อเนื่อง โดยมุ่งเน้นไปที่การพัฒนาประสิทธิภาพให้มากขึ้น สามารถประมวลผลข้อมูลได้อย่างรวดเร็วและแม่นยำยิ่งขึ้น เพื่อให้สามารถรองรับการใช้งานที่หลากหลายและซับซ้อนมากขึ้น
การประยุกต์ใช้ Edge AI ในปัจจุบันมีให้เห็นในหลากหลายด้าน เช่น การดูแลสุขภาพ การผลิต การเกษตร คมนาคมขนส่ง และเมืองอัจฉริยะ ในอนาคต Edge AI จะเข้ามามีบทบาทสำคัญในหลาย ๆ ด้านของชีวิตเรามากยิ่งขึ้น เช่น
จะเห็นได้ว่า Edge AI มีศักยภาพที่จะสร้างการเปลี่ยนแปลงครั้งใหญ่ให้กับโลกของเรา โดยเทคโนโลยีนี้จะช่วยให้เรามีชีวิตที่ดีขึ้นและยั่งยืนมากขึ้น
ROE ปีต่อปีของแต่ละอุตสาหกรรมเมื่อ 26 มิถุนายน 2020 (ที่มา : McKinsey) |
ขั้นตอนการพัฒนา HealthTech (ที่มา : Meticuly) |
แต่ละขั้นกว่าจะ IPO ของ HealtTech (ที่มา : Meticuly) |
ตัวอย่างการวิจัยวัสดุที่ใช้ฝังในร่างกายมนุษย์ (ที่มา : Meticuly) |
การใช้ 3D Printing เพื่อสร้างแบบจำลองเฉพาะบุคคล (ที่มา : Meticuly) |
DeepTech ในแต่ละอุตสาหกรรม (ที่มา : Meticuly) |
อุปกรณ์ทางการแพทย์ (ที่มา : มหาวิทยาลัยมหิดล) |
การเคลื่อนย้ายอวัยวะ (ตย.หัวใจหมู) เพื่อปลูกถ่าย
|
Nano Medicine และ การปลูกถ่ายอวัยวะพิมพ์ด้วยเครื่อง 3d
|
Thai FDA ขั้นตอนการจดทะเบียน HealthTech
|
การพัฒนาอุปกรณ์ HealthTech |
การพัฒนาอุปกรณ์ HealthTech |
ขั้นตอนการกำกับดูแลเครื่องมือแพทย์ (ที่มา : มหาวิทยาลัยมหิดล) |
ตัวอย่างเครื่องมือ Tele Medecine แบบพกพา (ที่มา : มหาวิทยาลัยมหิดล) |
อุปกรณ์ HealthTech สำหรับแจ้งเตือนการขับรถ (ที่มา : มหาวิทยาลัยมหิดล) |
การพัฒนาอุปกรณ์ สั่งงานผ่านคลื่นสมองสำหรับคนพิการ (ที่มา : มหาวิทยาลัยมหิดล) |
รถเข็นควบคุมผ่าน ระบบ ROS (ที่มา : มหาวิทยาลัยมหิดล) |
ควบคุมโดรนผ่านคลื่นสมองโดยคนไทย (ที่มา : มหาวิทยาลัยมหิดล) |
ระบบจัดการสขภาพด้วย Software AI (ที่มา : Stars Micro electronics) |
ผังการทำงานของระบบ Monitor (ที่มา : Stars Micro electronics) |
เพื่อตอบสนองความต้องการของคนไข้อย่างครบวงจร (ที่มา : Pinterest) |
การประยุกต์ใช้ RFID ในระบบ โรงพยาบาล (ที่มา : Stars Micro electronics) |
พื้นที่ที่เหมาะสมกับการเกษตร : Smart Farm(Thailand) |
การใช้งาน IoT เพื่อภาคการเกษตร : Smart Farm(Thailand) |
การเปลี่ยนแปลงข้อมูลผู้ประกันภัยสำหรับ คนทำงาน 1980-2020 (ที่มา:Nation Center for Coverage Innovation @ Families USA) |
insurance <- read.csv("insurance.csv", stringsAsFactors = TRUE)
str(insurance)
## 'data.frame': 1338 obs. of 7 variables:
## $ age : int 19 18 28 33 32 31 46 37 37 60 ...
## $ sex : Factor w/ 2 levels "female","male": 1 2 2 2 2 1 1 1 2 1 ...
## $ bmi : num 27.9 33.8 33 22.7 28.9 25.7 33.4 27.7 29.8 25.8 ...
## $ children: int 0 1 3 0 0 0 1 3 2 0 ...
## $ smoker : Factor w/ 2 levels "no","yes": 2 1 1 1 1 1 1 1 1 1 ...
## $ region : Factor w/ 4 levels "northeast","northwest",..: 4 3 3 2 2 3 3 2 1 2 ...
## $ expenses: num 16885 1726 4449 21984 3867 ...
ซึ่งในตัวอย่าง ข้อมูลสำหรับลูกค้าประกันภัย ประกอบด้วย อายุ , เพศ , ค่า BMI , จำนวนลูก , สูบบุหรี่ , และ ค่าใช้จ่าย ซึ่ง ข้อมูล 1338 ตัวอย่าง จาก 7 ตัวแปรสำคัญ และ พิจารณา องค์ประกอบต่างๆ เพื่อตั้งเป้าหมายตัวแปรคือ ค่าใช้จ่าย (การเคลมประกัน)
เมื่อพิจารณาถึงฐานรายได้ทั้งหมดจากตัวแปรสำคัญ
# สรุปตัวเลขของ ค่าใช้จ่าย
summary(insurance$expenses)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1122 4740 9382 13270 16640 63770
# แสดงเป็นค่า Histogram การกระจายการใช้จ่ายด้านประกัน
hist(insurance$expenses)
##
## northeast northwest southeast southwest
## 324 325 364 325
การจะพิจารณาถึงความสัมพันธ์ของตัวแปลในกราฟด้านบนนั้น เราใช้ ฟังก์ชั่นของ R เพื่อแสดงถึงความสัมพันธ์ดังกล่าว
# แสดงถึงความสัมพันธ์ระหว่าตัวแปรแต่ละตัวด้วย matrix
cor(insurance[c("age", "bmi", "children", "expenses")])
## age bmi children expenses
## age 1.0000000 0.10934101 0.04246900 0.29900819
## bmi 0.1093410 1.00000000 0.01264471 0.19857626
## children 0.0424690 0.01264471 1.00000000 0.06799823
## expenses 0.2990082 0.19857626 0.06799823 1.00000000
# แสดงภาพความสัมพันธ์ขอตัวแปรทั้ง 4 อัน ในรูปแบบ Matrix
pairs(insurance[c("age", "bmi", "children", "expenses")])
# แสดงข้อมูลที่ได้จากกราฟ
install.packages("psych")
library(psych)
pairs.panels(insurance[c("age", "bmi", "children", "expenses")])
## ขั้นตอนที่ 3 : การเทรนโมเดลสำหรับข้อมูล
ins_model <- lm(expenses ~ age + children + bmi + sex + smoker + region,
data = insurance)
# หรือใช้คำสั่งนี้แทนโดย . แทนค่าตัวแปรทั้งหมด
# ins_model <- lm(expenses ~ .,data=insurance )
# แสดงให้เห็นค่าประมาณการของ beta coefficients
ins_model
##
## Call:
## lm(formula = expenses ~ age + children + bmi + sex + smoker +
## region, data = insurance)
##
## Coefficients:
## (Intercept) age children bmi
## -11941.6 256.8 475.7 339.3
## sexmale smokeryes regionnorthwest regionsoutheast
## -131.4 23847.5 -352.8 -1035.6
## regionsouthwest
## -959.3
เบื้องต้นสามารถคาดการณ์ค่าใช้จ่ายโดยใช้สูตรต่อไปนี้ : -$11,941.6 + $256.8(age) - $131.4(sex=male) + $339.3(bmi) + $475.7(children) + $23,847.5(smoker) - $352.8(region=NW) - $1,035.6(region=SE) - $959.3(region=SW)
ดังตัวอย่าง..เริ่มต้นด้วยพื้นฐานเงินเดือน - $ 11,941.6 ค่าใช้จ่ายเพิ่มขึ้น $ 257 สำหรับทุกอายุที่เพิ่มขึ้น $ 339 สำหรับทุกหน่วยที่เพิ่มขึ้นของค่าดัชนีมวลกาย(BMI) และเพิ่มรวมถึง $ 23,848 ถ้าผู้ประกันเป็นผู้สูบบุหรี่ อย่างไรก็ตามหากผู้ประกันตนอาศัยอยู่ในตะวันออกเฉียงใต้ ค่าใช้จ่ายของพวกเขาน่าจะลดลง $ 1,036 โดยตัวแปรอื่น ๆ ทั้งหมดคงที่
อย่างไรก็ตามเรายังไม่ได้ดูว่าตัวแปรใดมีนัยสำคัญ ทั้งนี้เราจะเข้าสูตรเพิ่มเติม
## ขั้นที่ 4 : เพิ่มประสิทธิภาพการประมวลผล
# แสดงให้เห็นรายละเอียดเกี่ยวกับข้อมูลbeta coefficients
summary(ins_model)
##
## Call:
## lm(formula = expenses ~ age + children + bmi + sex + smoker +
## region, data = insurance)
##
## Residuals:
## Min 1Q Median 3Q Max
## -11302.7 -2850.9 -979.6 1383.9 29981.7
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -11941.6 987.8 -12.089 < 2e-16 ***
## age 256.8 11.9 21.586 < 2e-16 ***
## children 475.7 137.8 3.452 0.000574 ***
## bmi 339.3 28.6 11.864 < 2e-16 ***
## sexmale -131.3 332.9 -0.395 0.693255
## smokeryes 23847.5 413.1 57.723 < 2e-16 ***
## regionnorthwest -352.8 476.3 -0.741 0.458976
## regionsoutheast -1035.6 478.7 -2.163 0.030685 *
## regionsouthwest -959.3 477.9 -2.007 0.044921 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6062 on 1329 degrees of freedom
## Multiple R-squared: 0.7509, Adjusted R-squared: 0.7494
## F-statistic: 500.9 on 8 and 1329 DF, p-value: < 2.2e-16
Age (p < 0.001)
BMI (p < 0.001)
Children (p < 0.001)
Smoker = yes (p < 0.001)
Region of residence = SE (p = 0.031)
Region of residence = SW (p = 0.045)
ins_model1.5 <- lm(expenses ~ age + children + bmi + smoker,
data = insurance)
# see the estimated beta coefficients
ins_model1.5
##
## Call:
## lm(formula = expenses ~ age + children + bmi + smoker, data = insurance)
##
## Coefficients:
## (Intercept) age children bmi smokeryes
## -12105.5 257.8 473.7 321.9 23810.3
summary(ins_model1.5)
##
## Call:
## lm(formula = expenses ~ age + children + bmi + smoker, data = insurance)
##
## Residuals:
## Min 1Q Median 3Q Max
## -11895 -2921 -985 1382 29499
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -12105.48 941.95 -12.851 < 2e-16 ***
## age 257.83 11.90 21.674 < 2e-16 ***
## children 473.69 137.79 3.438 0.000604 ***
## bmi 321.94 27.38 11.760 < 2e-16 ***
## smokeryes 23810.32 411.21 57.903 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6068 on 1333 degrees of freedom
## Multiple R-squared: 0.7497, Adjusted R-squared: 0.749
## F-statistic: 998.2 on 4 and 1333 DF, p-value: < 2.2e-16
## ขั้นตอนที่ 5 : เพิ่มปรับเปลี่ยนโมเดลให้ทันสมัยมากขึ้น ----
# เพิ่มตัวแปรจาก "age" โดยพิจารณาไม่ได้เป็นเชิงเส้น
insurance$age2 <- insurance$age^2
# เพิ่มตัวแปรสำหรับ BMI >= 30
insurance$bmi30 <- ifelse(insurance$bmi >= 30, 1, 0)
# สร้างแบบจำลอง
ins_model2 <- lm(expenses ~ age + age2 + children + bmi + sex +
bmi30*smoker + region, data = insurance)
summary(ins_model2)
##
## Call:
## lm(formula = expenses ~ age + age2 + children + bmi + sex + bmi30 *
## smoker + region, data = insurance)
##
## Residuals:
## Min 1Q Median 3Q Max
## -17297.1 -1656.0 -1262.7 -727.8 24161.6
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 139.0053 1363.1359 0.102 0.918792
## age -32.6181 59.8250 -0.545 0.585690
## age2 3.7307 0.7463 4.999 6.54e-07 ***
## children 678.6017 105.8855 6.409 2.03e-10 ***
## bmi 119.7715 34.2796 3.494 0.000492 ***
## sexmale -496.7690 244.3713 -2.033 0.042267 *
## bmi30 -997.9355 422.9607 -2.359 0.018449 *
## smokeryes 13404.5952 439.9591 30.468 < 2e-16 ***
## regionnorthwest -279.1661 349.2826 -0.799 0.424285
## regionsoutheast -828.0345 351.6484 -2.355 0.018682 *
## regionsouthwest -1222.1619 350.5314 -3.487 0.000505 ***
## bmi30:smokeryes 19810.1534 604.6769 32.762 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4445 on 1326 degrees of freedom
## Multiple R-squared: 0.8664, Adjusted R-squared: 0.8653
## F-statistic: 781.7 on 11 and 1326 DF, p-value: < 2.2e-16
# สร้างโมเดลอันสุดท้าย
ins_model2.5 <- lm(expenses ~ age + age2 + children +
bmi30*smoker, data = insurance)
summary(ins_model2.5)
##
## Call:
## lm(formula = expenses ~ age + age2 + children + bmi30 * smoker,
## data = insurance)
##
## Residuals:
## Min 1Q Median 3Q Max
## -18718.8 -1641.7 -1313.8 -846.4 23799.7
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2237.3824 1083.9103 2.064 0.0392 *
## age -24.5114 60.2871 -0.407 0.6844
## age2 3.6643 0.7524 4.870 1.25e-06 ***
## children 669.3870 106.6878 6.274 4.74e-10 ***
## bmi30 42.3929 276.9065 0.153 0.8783
## smokeryes 13389.6763 442.5871 30.253 < 2e-16 ***
## bmi30:smokeryes 19759.1124 608.6309 32.465 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4483 on 1331 degrees of freedom
## Multiple R-squared: 0.8636, Adjusted R-squared: 0.8629
## F-statistic: 1404 on 6 and 1331 DF, p-value: < 2.2e-16
Model | RSE (DF) | R-sq | Adj R-sq | F-stat (DF) |
---|---|---|---|---|
1 | 6062 (1329) | .7509 | .7494 | 501 ( 8/1329) |
2 | 6068 (1333) | .7497 | .749 | 998 ( 4/1333) |
3 | 4445 (1326) | .8664 | .8653 | 782 (11/1326) |
4 | 4483 (1331) | .8636 | .8629 | 1404 (6/1331) |
ตัวอย่าง platform ประกันภัย (ที่มา : Swiss Re) |
องค์ประกอบลักษณะการซื้อประกัน (ที่มา : Swiss Re) |
ที่มา : @csenn |
AIBO (Pet Robotic) ที่มา : Sony |
Deep Blue ที่มา : IBM |
ที่มา : CMU |
ที่มา : ROS (Robot Operating System) |
Quick! Draw! | https://quickdraw.withgoogle.com/ |
AttnGAIN – Image Generation Machine | https://experiments.runwayml.com/generative_engine/ |
Talk to Books | https://books.google.com/talktobooks/ |
ที่มา : faredge.eu |
ที่มา @mikequindazzi |
ที่มา : thecustomizewindows |
ที่มา : hazelcast / Application Intelligence / Sense Think Act |
ที่มา : Computes |
ที่มา : Electrical & Computing Engineering CMU |
ที่มา : FarmD |
ที่มา : Cygnet Infotech |
EDGE COMPUTING MARKET - GROWTH, TRENDS, FORECASTS ที่มา : https://j.mp/3i5IGa4 |
ที่มา : Machine Monitoring & Control (KX knowledge) |
ที่มา : Software Development (KX Knowledge) |
ที่มา : Fault Detection (KX Knowledge) |
ที่มา : smart maintenance (http:gg.gg/fds5h) |
ที่มา : Research Gate |
การพัฒนาระบบ IIoT แบบขั้นบันได้ (ที่มา : Nectec) |
Smart Factory การขับเคลื่อน สู่ภาคธุรกิจ (ที่มา : @mikequndazz) |
Industry 4.0 กับการขับเคลื่อนด้วยเทคโนโลยี (ที่มา : @Ranald_vanLoon) |
Digital Transformation pyramid (ที่มา : @Ranald_vanLoon) |
In [ ]: $ echo "source /opt/ros/melodic/setup.bash" >> ~/.bashrc
In [ ]: $ echo "source /opt/ros/melodic/setup.bash" >> ~/.bashrc
In [ ]: $ catkin_create_pkg rosbot_patrol roscpp
In [ ]: $ catkin_create_pkg rosbot_patrol_simulation roscpp
In [ ]: user:~/catkin_ws$ catkin_make
In [ ]: user:~/simulation_ws$ catkin_makeเมื่อเรียบร้อยระบบจะขึ้นข้อความสำเร็จดังรูป
Catkin_ws |
Simulation_ws |
เข้าไปยัง Package และ เรียกใช้ command ดังนี้
In [ ]: $ cd simulation_ws/src/rosbot_patrol_simulation
In [ ]: $ mkdir worlds
In [ ]: $ roslaunch rosbot_patrol running_gmapping.launchสร้าง rviz สำหรับ visualization ด้วยการเปิด shell ใหม่ และ พิมพ์คำสั่งดังนี้
In [ ]: $ rvizเมื่อ Rviz เปิดขึ้นมาจะแสดงรายละเอียดเกี่ยวกับ โมเดลของ robot และ แผนที่ และ ให้เราทำการ สำรวจแผนที่ แก้ไขเฟรม และ เพิ่ม map, laser scan topic และ Robot model ต่างๆดังรูป
In [ ]: $ rosrun teleop_twist_keyboard teleop_twist_keyboard.py
In [ ]: $ cd catkin_ws/src/rosbot_patrol/src
In [ ]: $ rosrun map_server map_saver -f rosbot_map
In [ ]: $ roslaunch rosbot_patrol nav_rosbot.launchเมื่อเปิด Graphical Tools ขึ้นมาจะเห็นว่า Robot จะสำรวจพื้นที่ และ เราสามารถใช้ rosbot ไปยังตำแหน่งต่างๆได้ด้วยคำสั่ง 2D Nav Goal
รถไฟ THSR มุ่งหน้าไป Taichung |
ป้ายโฆษณาที่สถานี Taichung เน้น Social media |
ตั๋วรถไฟความเร็วสูง |
ราคาตั๋วแต่ละประเภท |
ทริปสำหรับเดินทางใน Sun Moon Lake |
ตั๋ว Sun Moon Lake |
HSR <-> Sun Moon Lake |
มีรถบางคันเดินทางไปเฉพาะ Puli ต้องสอบถาม |
ศูนย์นักท่องเที่ยว Sun Moon Lake |
ท่าเรือ Shuishe จุดเริ่มต้นเดินทาง Sun Moon Lake |
คับคั่งไปด้วยเรือเดินทางมีทั้งไกด์ภาษาจีน และ อังกฤษ |
มีเก็บอัฐืพระถังซัมจั๋ง ณ.วัดเซวียนจ้าง |
ภาพมุมสูงสมัยก่อนยุคเริ่มในปี 1955 |
นักร่อนเร่พเนจร ธุดงค์ สมัยก่อน |
แหล่งซื้อขายของพื้นเมือง |
ร้านชาดำขึ้นชื่อของท่าเรือ Ita Thao |
ร้านชานมไข่มุก TEA18 |
รีสอร์ทภายในบริเวณท่าเรือ Ita Thao |
กระเช้าลอยฟ้า |
กระเช้าลอยฟ้าแบบ Crystal เห็นได้รอบทิศทาง |
มุมมองจากด้านบนกระเช้าลงมา |
รายงานสภาพอากาศรอบๆ เพื่อตัดสินใจ พักหรือ เดินทางกลับ |
เข้าถึงเวบไซต์ ที่ twtraffic.tra.gov.tw |
สถานที่ท่องเที่ยวต่างๆ ด้วยรถไฟ TRA |
ครอบคลุมพื้นที่ภายในเกาะไต้หวัน |
สถานที่ต่างๆที่แวะระหว่างเดินทางไป Ruifang |
สภาพบรรยากาศภายนอกระหว่างเดินทาง |
มาเที่ยวครั้งนี้เหมือน ไอศครีม ไม่มาก็ละลาย |
ตึกอาคาร สมัยเก่าเพื่อต้อนรับนักท่องเที่ยว |
เมือง Ruifang เป็นเหมืองมาก่อน และเป็นแหล่งขุดแร่ธาตุ |
ซึ่งนักขุดสมัยก่อน จะช่วยกันแบบครอบครัว |
เทียบการขุดสมัยก่อนกับปัจจุบัน |
สภาพบรรยากาศภายนอก |
ทางเข้าไปในย่านตลาด Jeifhen |
ร้านน้ำชาในตำนาน A-Mei ซึ่งใช้เล่นละครเรื่อง Spirit Away |
ภาพบรรยากาศภายนอกเมื่อมองเข้ามาในร้าน A-Mei |
ชากุหลาบสำหรับ สุภาพสตรี |
ชาอูหลงเย็น |
เครื่องประดับต่างๆ |
ตึก SynTrend |
ภายด้านนอกมีรถมาโปรโมทหนัง X-Men พอดิบพอดี โดยใช้เทคโนโลยี ถ่ายรูป 360 เพื่อแสดงภาพเปล่งแสง ด้วยเนื่องจาก ตัวตึก ติดกับโรงหนังพอดี
ผู้คนหลังไหลเข้ามาเป็นระยะๆ เป็นที่ๆหนึ่งที่คนหนาแน่นค่อนข้างมาก |
|
สำหรับผู้ชื่นชอบเสี่ยงโชคจากการเล่น slot machine และ ตู้คีบของ มีจุดบริการให้เล่นแบบ จอใหญ่ๆให้ ได้ ถ่ายรูป และ รับบัตรส่วนลด เพื่อใช้จับจ่ายภายในร้านอาหาร และ ภายในอาคาร
ตู้น้ำกดใช้ QR Code และ Easy Card |
Snack ให้เลือกตามความชอบ |
เครื่องดื่มกระป๋องตามความชอบ |
เกมส์การ์ดสำหรับผู้ชื่นชอบ |
ตู้กดแบบเลือกสินค้าในท้องถิ่น |
ตู้กดน้ำดื่ม ร้อน อุ่น เย็น ตามความต้องการ |
ตู้สินค้า สารพัด เอนกประสงค์ |
ตู้กดน้ำดื่ม แบบมีแขน Robot |
ตู้กดแบบกล่องพิศวง ให้เลือกว่าอยากได้โชคแบบไหน |
สามารถเลือกสินค้า และ วิธีการรับผ่าน Line และ ช่องทางต่างๆ |
คีย์บอร์ดแบบเครื่องพิมพ์ดีด |
อุปกรณ์เครื่องออกกำลังกายเชื่อมต่อกับมือถือ |
เครื่องเล่นแบบ 360 โดยมี Action Virtual Reality |
สำหรับผู้ที่พัฒนา SynTrend มีชั้นสำรับผู้สร้าง & ต่อยอด |
เครื่องจ่ายเงิน ตาม บัตรต่างๆ |
แลกทอน ธนบัตรประเภทต่างๆ |
ภายนอกรอบๆ บริเวณ เต็มไปด้วยร้านค้าขายของอุปกรณ์ด้าน IT มีให้เลือกมากมาย ตามความชอบ |
sudo apt-get update
sudo apt-get dist-upgrade
git clone https://github.com/silvanmelchior/RPi_Cam_Web_Interface.git
cd RPi_Cam_Web_Interface
./install.sh
lsusb
Bus 001 Device 004: ID 24f7:2204
pi@raspberrypi:~ $ udevadm info -a -p $(udevadm info -q path -n /dev/bus/usb/001/004)
Udevadm info starts with the device specified by the devpath and then
walks up the chain of parent devices. It prints for every device
found, all possible attributes in the udev rules key format.
A rule to match, can be composed by the attributes of the device
and the attributes from one single parent device.
looking at device '/devices/platform/soc/3f980000.usb/usb1/1-1/1-1.1/1-1.1.2':
KERNEL=="1-1.1.2"
SUBSYSTEM=="usb"
DRIVER=="usb"
ATTR{authorized}=="1"
ATTR{avoid_reset_quirk}=="0"
ATTR{bConfigurationValue}=="1"
ATTR{bDeviceClass}=="00"
ATTR{bDeviceProtocol}=="02"
ATTR{bDeviceSubClass}=="00"
ATTR{bMaxPacketSize0}=="64"
ATTR{bMaxPower}=="250mA"
ATTR{bNumConfigurations}=="1"
ATTR{bNumInterfaces}==" 1"
ATTR{bcdDevice}=="0125"
ATTR{bmAttributes}=="80"
ATTR{busnum}=="1"
ATTR{configuration}==""
ATTR{devnum}=="4"
ATTR{devpath}=="1.1.2"
ATTR{devspec}==" (null)"
ATTR{idProduct}=="2204"
ATTR{idVendor}=="24f7"
ATTR{ltm_capable}=="no"
ATTR{manufacturer}=="Seneye ltd"
ATTR{maxchild}=="0"
ATTR{product}=="Seneye SUD v 2.0.16"
ATTR{quirks}=="0x0"
ATTR{removable}=="removable"
ATTR{serial}=="XXXXXXXXXXXXXXXXXX"
ATTR{speed}=="12"
ATTR{urbnum}=="17"
ATTR{version}==" 2.00"
Device: XXXXXXXXXXXXXXXXX v.
2.0
.
16
Type
: Home
Temperature (C) │
20.375
Is Kelvin │
pH │
7.94
Kelvin
│NH3 (ppm) │
0.02
PAR │
In Water │
True
LUX │
Slide NOT fitted │
False
PUR │
Slide Expired │
False
│
Press R
for
reading,
1
-
5
to change LED, Q to quit