חֲדָשׁוֹת

במהלך פנייה אסטרטגית, מגיעה נקודה בה עליכם להחליט האם לאמץ או לדחות טכנולוגיה חדשה. החלטה זו עשויה להיראות קלה בהתחלה, אך במציאות יכולה להיות מורכבת הרבה יותר. מהפכות לא תמיד מתרחשות בן לילה; הן יכולות להתפתח לאורך שנים, כאשר רוב ההתקדמות מוסתרת עד שפריצת דרך מביאה אותה לאור הזרקורים לעיני כולם.

בשנת 1986, בית הספר למדעי המחשב באוניברסיטת קרנגי מלון יזם את פרויקט Navlab, שהדגים את הפוטנציאל של בינה מלאכותית. הם פיתחו מערכת שאפשרה לרכב מסחרי מסוג שברולט לנהוג באופן אוטונומי. זה קרה בשלבים המוקדמים של פיתוח אלגוריתמים של ראייה ממוחשבת ולמידת מכונה, אשר כיום נמצאים בשימוש נרחב ביישומים רבים.

במהלך פיתוחה, היא נחשבה פורצת דרך אך עדיין לא מוכנה להיות חלק מחיי היומיום. עם זאת, בעולם של היום, אנו רגילים לשמוע, ולעיתים אף לראות, מכוניות אוטונומיות, שחברות שונות מפתחות ומוכרות למגזר העסקי, במטרה לשווק טכנולוגיה זו לציבור הרחב בעתיד הלא רחוק.

נהיגה אוטונומית, כמו רוב יישומי הבינה המלאכותית, דורשת אלגוריתמים ומעבדים שיכולים לפעול על מערכי נתונים גדולים מאוד בזמן אמת. לדוגמה, מודלים של שפה גדולה (LLMs) כמו אלה המשמשים את OpenAI ב-ChatGPT, Microsoft ב-Copilot, או יישומים אחרים המשתמשים ב-Meta LLM Llama 3, זקוקים למערכי נתונים גדולים כדי לזהות את הדפוסים שיוצרים משפטים שנכתבו על ידי בני אדם. לכן, בליבת למידת המכונה, תגלו שנתונים, וגם היכולת לעבד נתונים במהירות, נחוצים לעבודה עם מערכות אלו.

בואו ניקח בחשבון תרחיש שבו המפעל שלכם צריך לייצר 1000 יחידות בשעה. אם אחת המכונות שלכם תכשל, בפעולה מלאה, לא תעמדו ביעד של 1000 יחידות בשעה. במצב כזה, אחת העדיפויות המרכזיות היא לזרז את מחזור התחזוקה של המכונה שנפגעה. כדי למנוע תרחיש של הפסקת ייצור, ייתכן שתהיה לכם תוכנית תחזוקה, ואם אתם פועלים לפי שיטות עבודה מומלצות, הייתם מפרסמים מתודולוגיית תחזוקה מבוססת מצב. זה כרוך במדידת משתנים שונים במכונה, כגון טמפרטורה ורעידות, באמצעות חיישנים. כאשר חורגים ממגבלה מסוימת, נשלחות התראות ואתם יודעים שיש להחליף חלק מסוים לפני כשל בציוד.

לצורך תחזוקה מונעת, תזדקקו למערכת איסוף נתונים שתאסוף משתנים קריטיים למשימה ותאחסן אותם במחשב. לאחר האיסוף, תוכלו להשוות נקודות נתונים אלו מול ספים ייעודיים כדי לקבוע מתי נדרשת תחזוקה. עד לנקודה זו, זה נראה פשוט יחסית. עם זאת, ככל שמשולבים חלקי חילוף, המכונה עשויה להפגין התנהגויות שונות ככל שהיא מזדקנת, מה שעלול להוביל לתוצאות חיוביות שגויות ולבעיות תפעוליות בלתי צפויות. זה הזמן שבו אתם מבינים שיש לכם כמות משמעותית של נתונים, כולל נתוני בקרת איכות עבור המוצר הסופי. בנקודה זו תוכלו ליישם אלגוריתם למידת מכונה כדי לנתח ולהצליב ביעילות את כל הנתונים הללו, מה שיאפשר למערכת שלכם לקבל באופן עצמאי החלטות תחזוקה טובות יותר.

החלק הכי טוב הוא שמודלי למידה ניתנים להרחבה מכיוון שהם ירכשו יותר נתונים עם כל איטרציה, ועם הזמן אלגוריתמי למידת המכונה משתפרים. אבל זה לא כל הסיפור. עכשיו, כשיש לך אלגוריתם מתפתח, יש לך את היכולת ליישם אותו במערכות שמקבלות החלטות באופן אוטונומי ומשתפרות עם הזמן.

בבחינת אפשרויות ארכיטקטורה שונות, גישה אחת כוללת שימוש בלוגרי נתונים כמו ה- קונפרוסיס משפחה מקונטק שאוספת נתונים ואז שולחת אותם נתונים לשרת לעיבוד. היתרון של גישה זו הוא שעיבוד הנתונים הכבד מועבר לשרת מרכזי. עם זאת, חיסרון משמעותי הוא הפוטנציאל ליצירת כמות גדולה של תעבורת רשת בעת שליחת הנתונים. ככל שהיקף הפעילות גדל, הדבר עלול להוביל לבעיות ולעלויות תפעול גבוהות יותר עקב מגבלות רוחב פס. בנוסף, היכולת להגיב בזמן אמת למשימות קריטיות נפגעת עקב עיכובים ברשת אל השרת וממנו.

מצד שני, אנחנו יכולים גם לפרוס א מערכת DAQ מבוססת מחשב מתוצרת Contec. מערכת זו מאפשרת לך להריץ אלגוריתמים כבדים באופן מקומי, כגון הסקה המבוססת על למידת מכונה, ובמקביל לקבל את הנתונים ישירות על אותה מערכת. יכולת זו מביאה את העיבוד לקצה ומאפשרת לך להרחיב לפי הצורך מבלי לבנות תשתית סביב שרתים. היבט מעניין של DAQ מבוסס מחשב זה הוא שניתן לשלב אוגרי נתונים מרוחקים, כגון מוצרי Conprosys, כדי ליצור ארכיטקטורת פלטפורמה היברידית.

כל אלגוריתם של בינה מלאכותית או למידת מכונה תמיד יזדקק לנתונים כדי להיות שימושיים. כאן המוטיבציה להבין רכישת נתונים חשובה, ומציאת השותף הנכון כמו Contec כדי לשגשג במהפכה זו היא קריטית. הכרת האפשרויות העומדות בפניכם ויישום שיטות העבודה המומלצות של רכישת נתונים מניחים את אבן הפינה להפקת המרב מבינה מלאכותית.