Новини

По време на стратегически поврат идва момент, в който трябва да решите дали да приемете или да отхвърлите нова технология. Това решение може да изглежда лесно в началото, но в действителност може да бъде много по-сложно. Революциите не винаги се случват за една нощ; те могат да се развиват в продължение на години, като по-голямата част от напредъка остава скрит, докато пробив не го изведе на преден план, за да го видят всички.

През 1986 г. Факултетът по компютърни науки към университета Карнеги Мелън инициира проекта Navlab, който демонстрира потенциала на изкуствения интелект. Те разработват система, която позволява на панелен ван Chevrolet да се движи автономно. Това се случва по време на ранните етапи на разработване на компютърно зрение и алгоритми за машинно обучение, които сега се използват широко в много приложения.

По време на разработването си, технологията се смяташе за революционна, но все още не беше готова да бъде част от ежедневието. В днешния свят обаче сме свикнали да чуваме, а понякога дори и да виждаме, самоуправляващи се автомобили, които различни компании разработват и продават на корпоративния сектор с цел да предлагат тази технология на широката общественост в не толкова далечно бъдеще.

Автономното шофиране, както повечето приложения с изкуствен интелект, изисква алгоритми и процесори, които могат да работят с много големи масиви от данни в реално време. Например, модели с големи езици (LLM), като тези, използвани от OpenAI в ChatGPT, Microsoft в Copilot или други приложения, използващи Meta LLM Llama 3, се нуждаят от големи масиви от данни, за да разпознават моделите, които създават изречения, написани от човек. По този начин, в основата на машинното обучение ще откриете, че данните и способността за бърза обработка на данни са необходими за работа с тези системи.

Нека разгледаме сценарий, в който вашата фабрика трябва да произвежда 1000 единици на час. Работейки с пълен капацитет, ако една от машините ви се повреди, няма да постигнете целта от 1000 единици на час. В такава ситуация един от ключовите приоритети е да се ускори цикълът на поддръжка на засегнатата машина. За да предотвратите този сценарий с прекъсване на производството, може да имате план за поддръжка и ако следвате най-добрите практики, бихте внедрили методология за поддръжка, базирана на състоянието. Това включва измерване на различни променливи на машината, като температура и вибрации, с помощта на сензори. Когато бъде превишен определен лимит, се изпращат предупреждения и вие знаете, че определена част трябва да бъде сменена, преди оборудването да се повреди.

За превантивна поддръжка ще ви е необходима система за събиране на данни, която да събира критично важни променливи и да ги съхранява на компютър. След като бъдат събрани, можете да сравните тези данни с определени прагове, за да определите кога е необходима поддръжка. До този момент изглежда сравнително лесно. Въпреки това, тъй като резервните части се интегрират, машината може да показва различно поведение с напредване на възрастта, което потенциално води до фалшиви положителни резултати и непредвидени оперативни проблеми. Тогава осъзнавате, че разполагате със значително количество данни, включително данни за контрол на качеството на крайния продукт. Именно в този момент можете да внедрите алгоритъм за машинно обучение, за да анализирате и съпоставяте ефективно всички тези данни, което ще позволи на вашата система автономно да взема по-добри решения за поддръжка.

Най-хубавото е, че моделите на обучение са мащабируеми, защото с всяка итерация те ще събират повече данни и с течение на времето цялостните алгоритми за машинно обучение се подобряват. Но това не е цялата история. Сега, когато имате развиващ се алгоритъм, имате възможността да го внедрите в системи, които автономно вземат решения и се подобряват с течение на времето.

При разглеждане на различни архитектурни варианти, един от подходите включва използването на регистратори на данни като КОНПРОСИС семейство от Contec, които събират данни и след това ги изпращат данни към сървър за обработка. Предимството на този подход е, че обработката на тежки данни се прехвърля на централизиран сървър. Съществен недостатък обаче е потенциалът за генериране на голямо количество мрежов трафик при изпращане на данните. С увеличаването на мащаба на операциите това може да доведе до проблеми и по-високи оперативни разходи поради ограничения на честотната лента. Освен това, способността за реагиране в реално време на критични задачи е затруднена от мрежови забавяния към и от сървъра.

От друга страна, можем също така да разположим PC-базирана DAQ система от Contec. Тази система ви позволява локално да изпълнявате тежки алгоритми, като например извеждане на данни, базирано на машинно обучение, като едновременно с това получавате данните директно на същата система. Тази възможност извежда обработката на периферията и ви позволява да мащабирате, ако е необходимо, без да се налага изграждането на инфраструктура около сървъри. Интересен аспект на този компютърно-базиран DAQ е, че можете да включите отдалечени устройства за запис на данни, като например продуктите на Conprosys, за да създадете хибридна платформена архитектура.

Всеки алгоритъм за изкуствен интелект или машинно обучение винаги ще се нуждае от данни, за да бъде полезен. Именно тук е важна мотивацията за разбиране на събирането на данни и намирането на правилния партньор като Contec, който да процъфтява в тази революция, е от решаващо значение. Познаването на вашите възможности и прилагането на най-добрите практики за събиране на данни е крайъгълният камък за извличане на максимума от изкуствения интелект.