Hír

Egy stratégiai meggondolás során eljön az a pont, amikor dönteni kell, hogy elfogadjuk vagy elutasítjuk az új technológiát. Ez a döntés elsőre könnyűnek tűnhet, de a valóságban sokkal összetettebb lehet. A forradalmak nem mindig egyik napról a másikra történnek; évek alatt bontakozhatnak ki, és a haladás nagy része rejtve marad, amíg egy áttörés nem hozza azt a reflektorfénybe, hogy mindenki láthassa.

1986-ban a Carnegie Mellon Egyetem Számítástechnikai Kara elindította a Navlab projektet, amely bemutatta a mesterséges intelligencia lehetőségeit. Kifejlesztettek egy rendszert, amely lehetővé tette egy Chevrolet kisteherautó autonóm vezetését. Ez a számítógépes látás és a gépi tanulási algoritmusok fejlesztésének korai szakaszában történt, amelyeket ma már széles körben használnak számos alkalmazásban.

Fejlesztése során úttörőnek számított, de még nem volt kész arra, hogy a mindennapi élet részévé váljon. Manapság azonban hozzászoktunk, hogy hallunk, sőt, időnként látunk is önvezető autókat, amelyeket különböző cégek fejlesztenek és értékesítenek a vállalati szektornak, azzal a céllal, hogy a nem túl távoli jövőben ezt a technológiát a nagyközönség számára is elérhetővé tegyék.

Az önvezető rendszer, a legtöbb mesterséges intelligencia alkalmazáshoz hasonlóan, olyan algoritmusokat és processzorokat igényel, amelyek valós időben képesek nagyon nagy adathalmazokon dolgozni. Például a nagyméretű nyelvi modellek (LLM-ek), mint amilyeneket az OpenAI használ a ChatGPT-ben, a Microsoft a Copilotban, vagy más, a Meta LLM Llama 3-at használó alkalmazások, nagyméretű adathalmazokra szorulnak ahhoz, hogy felismerjék az ember által írt mondatokat létrehozó mintákat. Így a gépi tanulás középpontjában az adatok és az adatok gyors feldolgozásának képessége egyaránt szükséges ahhoz, hogy ezekkel a rendszerekkel működni lehessen.

Vegyünk egy olyan forgatókönyvet, amelyben a gyárának óránként 1000 egységet kell gyártania. Teljes kapacitáson működve, ha az egyik gép leáll, nem fogja elérni az óránkénti 1000 egység célját. Ilyen helyzetben az egyik legfontosabb prioritás az érintett gép karbantartási ciklusának felgyorsítása. A gyártósor-leállás megelőzése érdekében rendelkezhet karbantartási tervvel, és ha a legjobb gyakorlatokat követi, állapotalapú karbantartási módszertant alkalmaz. Ez magában foglalja a gép különböző változóinak, például a hőmérséklet és a rezgés érzékelők segítségével történő mérését. Amikor egy adott határértéket túllépnek, riasztások küldődnek, és Ön tudja, hogy egy adott alkatrészt ki kell cserélni a berendezés meghibásodása előtt.

A megelőző karbantartáshoz adatgyűjtő rendszerre lesz szüksége a kritikus változók összegyűjtéséhez és számítógépen történő tárolásához. Az összegyűjtött adatok összehasonlíthatók a kijelölt küszöbértékekkel, így meghatározható, hogy mikor van szükség karbantartásra. Eddig a pontig ez viszonylag egyszerűnek tűnt. Azonban ahogy a cserealkatrészek integrálódnak, a gép az öregedéssel eltérő viselkedést mutathat, ami téves riasztásokhoz és előre nem látható működési problémákhoz vezethet. Ekkor döbben rá, hogy jelentős mennyiségű adattal rendelkezik, beleértve a végtermék minőségellenőrzési adatait is. Ezen a ponton implementálhat egy gépi tanulási algoritmust, amely hatékonyan elemzi és kereszthivatkozásokat készít az összes adatról, lehetővé téve a rendszer számára, hogy automatikusan jobb karbantartási döntéseket hozzon.

A legjobb az egészben, hogy a tanulási modellek skálázhatók, mivel minden iterációval több adatot gyűjtenek, és idővel az általános gépi tanulási algoritmusok fejlődnek. De ez nem a teljes történet. Most, hogy van egy fejlődő algoritmusod, képes vagy azt olyan rendszerekben megvalósítani, amelyek önállóan hoznak döntéseket, és idővel fejlődnek.

A különböző architektúra-lehetőségek mérlegelésekor az egyik megközelítés az adatgyűjtők, például a CONPROSYS a Contec családjától, amely adatokat gyűjt, majd elküldi azokat adatok egy szerverre feldolgozáshoz. Ennek a megközelítésnek az az előnye, hogy a nagy mennyiségű adatfeldolgozás egy központosított szerverre hárul. Jelentős hátránya azonban a nagy mennyiségű hálózati forgalom generálásának lehetősége az adatok küldésekor. A műveletek méretének növekedésével ez problémákhoz és a sávszélesség-korlátozások miatt magasabb működési költségekhez vezethet. Ezenkívül a kritikus feladatokra való valós idejű reagálás képességét akadályozzák a szerverhez és a szerverről érkező hálózati késések.

Másrészt telepíthetünk egy PC-alapú adatelemző rendszer a Contec-től. Ez a rendszer lehetővé teszi nehéz algoritmusok, például gépi tanuláson alapuló következtetések lokális futtatását, miközben az adatokat közvetlenül ugyanazon a rendszeren keresztül szerzi be. Ez a képesség a peremhálózatra hozza a feldolgozást, és lehetővé teszi az igény szerinti skálázást anélkül, hogy szerverek köré kellene infrastruktúrát építeni. Ennek a PC-alapú adatgyűjtőnek egy érdekes aspektusa, hogy távoli adatrögzítőket, például Conprosys termékeket is beépíthet, így hibrid platformarchitektúrát hozhat létre.

Bármely mesterséges intelligenciának vagy gépi tanulási algoritmusnak mindig is szüksége lesz adatokra ahhoz, hogy hasznos legyen. Itt fontos az adatgyűjtés megértésének motivációja, és kulcsfontosságú megtalálni a megfelelő partnert, mint például a Contec, hogy boldogulni tudjunk ebben a forradalomban. A lehetőségek ismerete és az adatgyűjtés legjobb gyakorlatainak alkalmazása alapozza meg a mesterséges intelligencia maximális kihasználásának alapkövét.