Zprávy

Během strategického zlomu nastane bod, kdy se musíte rozhodnout, zda novou technologii přijmete, nebo odmítnete. Toto rozhodnutí se může zpočátku zdát snadné, ale ve skutečnosti může být mnohem složitější. Revoluce se ne vždy dějí přes noc; mohou se rozvíjet v průběhu let, přičemž většina pokroku je skryta, dokud ho nějaký průlom nedostane do centra pozornosti a nikdo ho neuvidí.

V roce 1986 zahájila Fakulta informatiky na Carnegie Mellon University projekt Navlab, který demonstroval potenciál umělé inteligence. Vyvinuli systém, který umožnil dodávke Chevrolet autonomní řízení. Stalo se tak v raných fázích vývoje algoritmů počítačového vidění a strojového učení, které se nyní široce používají v mnoha aplikacích.

Během svého vývoje byl považován za průlomový, ale ještě nebyl připravený stát se součástí každodenního života. V dnešním světě jsme však zvyklí slyšet a občas i vidět autonomní vozidla, která různé společnosti vyvíjejí a prodávají korporátnímu sektoru s cílem tuto technologii v nepříliš vzdálené budoucnosti propagovat široké veřejnosti.

Autonomní řízení, stejně jako většina aplikací umělé inteligence, vyžaduje algoritmy a procesory, které dokáží v reálném čase pracovat s velmi velkými datovými sadami. Například modely velkých jazyků (LLM), jako jsou ty, které používá OpenAI v ChatGPT, Microsoft v Copilotu nebo jiné aplikace používající Meta LLM Llama 3, potřebují velké datové sady k rozpoznání vzorů, které vytvářejí věty psané člověkem. V jádru strojového učení tedy zjistíte, že pro práci s těmito systémy jsou nezbytná data a schopnost data rychle zpracovávat.

Představme si scénář, kdy vaše továrna potřebuje vyrábět 1000 kusů za hodinu. Pokud se jeden z vašich strojů porouchá, nedosáhnete cíle 1000 kusů za hodinu. V takové situaci je jednou z klíčových priorit urychlit cyklus údržby postiženého stroje. Abyste tomuto scénáři s výpadkem předešli, můžete mít zavedený plán údržby a v případě dodržování osvědčených postupů byste měli nasadit metodiku údržby založenou na stavu. Ta zahrnuje měření různých proměnných na stroji, jako je teplota a vibrace, pomocí senzorů. Když je překročen určitý limit, odešlou se upozornění a vy víte, že je třeba vyměnit konkrétní díl dříve, než dojde k poruše zařízení.

Pro preventivní údržbu budete potřebovat systém pro sběr dat, který bude shromažďovat kritické proměnné a ukládat je do počítače. Po shromáždění můžete tyto datové body porovnat s určenými prahovými hodnotami a určit, kdy je nutná údržba. Doposud se to zdá relativně jednoduché. S integrací náhradních dílů se však může stroj s postupným stárnutím chovat odlišně, což může vést k falešně pozitivním výsledkům a nepředvídaným provozním problémům. V tomto okamžiku si uvědomíte, že máte značné množství dat, včetně údajů o kontrole kvality konečného produktu. V tomto okamžiku můžete implementovat algoritmus strojového učení, který efektivně analyzuje a propojuje všechna tato data, což vašemu systému umožní autonomně činit lepší rozhodnutí o údržbě.

Nejlepší na tom je, že učící se modely jsou škálovatelné, protože s každou iterací získávají více dat a postupem času se celkové algoritmy strojového učení zlepšují. To ale není vše. Nyní, když máte vyvíjející se algoritmus, máte možnost jej implementovat do systémů, které autonomně činí rozhodnutí a v průběhu času se zlepšují.

Při zvažování různých možností architektury jeden z přístupů zahrnuje použití datových úložných zařízení, jako je KONPROSYS rodiny z Contecu, které shromažďují data a poté je odesílají data na server pro zpracování. Výhodou tohoto přístupu je, že náročné zpracování dat je přesunuto na centralizovaný server. Významnou nevýhodou je však potenciál pro generování velkého množství síťového provozu při odesílání dat. S rostoucím rozsahem operací by to mohlo vést k problémům a vyšším provozním nákladům v důsledku omezení šířky pásma. Schopnost reagovat v reálném čase na kritické úkoly je navíc omezena zpožděním v síti při komunikaci se serverem a zpět.

Na druhou stranu můžeme také nasadit Systém DAQ na bázi PC od společnosti Contec. Tento systém umožňuje lokálně spouštět náročné algoritmy, jako je inference založené na strojovém učení, a zároveň získávat data přímo ve stejném systému. Tato schopnost přenáší zpracování na okraj sítě a umožňuje škálování dle potřeby bez nutnosti budování infrastruktury kolem serverů. Zajímavým aspektem tohoto DAQ systému založeného na PC je možnost integrace vzdálených datových záznamníků, jako jsou produkty Conprosys, a vytvoření hybridní platformy.

Jakýkoli algoritmus umělé inteligence nebo strojového učení bude vždy potřebovat data, aby byl užitečný. Právě zde je důležitá motivace porozumět sběru dat a nalezení správného partnera, jako je Contec, který v této revoluci prosperuje, je klíčové. Znalost možností a aplikace osvědčených postupů sběru dat je základem pro to, abyste z umělé inteligence vytěžili maximum.