Aktualności

Podczas strategicznego przełomu nadchodzi moment, w którym trzeba zdecydować, czy przyjąć, czy odrzucić nową technologię. Decyzja ta może początkowo wydawać się łatwa, ale w rzeczywistości może okazać się o wiele bardziej skomplikowana. Rewolucje nie zawsze następują z dnia na dzień; mogą rozwijać się latami, a większość postępów pozostaje w ukryciu, dopóki przełom nie wydobędzie na światło dzienne i nie rzuci światła na wszystkich.

W 1986 roku Wydział Informatyki Uniwersytetu Carnegie Mellon zainicjował projekt Navlab, który zademonstrował potencjał sztucznej inteligencji. Opracowano system, który umożliwił autonomiczną jazdę furgonu marki Chevrolet. Miało to miejsce na wczesnym etapie rozwoju algorytmów rozpoznawania obrazu i uczenia maszynowego, które są obecnie szeroko stosowane w wielu zastosowaniach.

W fazie rozwoju uznawano ją za przełomową, ale nie była jeszcze gotowa, by stać się częścią codziennego życia. Jednak w dzisiejszym świecie jesteśmy przyzwyczajeni do słuchania, a czasami nawet oglądania, samochodów autonomicznych, które różne firmy opracowują i sprzedają sektorowi korporacyjnemu, mając na celu wprowadzenie tej technologii do powszechnego użytku w niedalekiej przyszłości.

Autonomiczne prowadzenie pojazdów, podobnie jak większość aplikacji AI, wymaga algorytmów i procesorów, które mogą operować na bardzo dużych zbiorach danych w czasie rzeczywistym. Na przykład, duże modele językowe (LLM), takie jak te używane przez OpenAI w ChatGPT, Microsoft w Copilot czy inne aplikacje korzystające z Meta LLM Llama 3, wymagają dużych zbiorów danych, aby rozpoznawać wzorce tworzące zdania pisane przez ludzi. Zatem, u podstaw uczenia maszynowego leży zarówno dane, jak i możliwość szybkiego przetwarzania danych, które są niezbędne do pracy z tymi systemami.

Rozważmy scenariusz, w którym Twoja fabryka musi produkować 1000 sztuk na godzinę. Pracując z pełną wydajnością, jeśli jedna z maszyn ulegnie awarii, nie osiągniesz celu 1000 sztuk na godzinę. W takiej sytuacji jednym z kluczowych priorytetów jest przyspieszenie cyklu konserwacji maszyny, której to dotyczy. Aby zapobiec takiemu scenariuszowi awarii linii produkcyjnej, możesz mieć wdrożony plan konserwacji, a jeśli postępujesz zgodnie z najlepszymi praktykami, wdrożysz metodologię konserwacji opartą na stanie technicznym. Obejmuje ona pomiar różnych zmiennych maszyny, takich jak temperatura i wibracje, za pomocą czujników. W przypadku przekroczenia określonego limitu wysyłane są alerty, dzięki czemu wiesz, że dana część wymaga wymiany przed awarią sprzętu.

Do konserwacji zapobiegawczej potrzebny jest system akwizycji danych, który będzie gromadził zmienne krytyczne dla misji i przechowywał je na komputerze. Po zebraniu danych można je porównać z wyznaczonymi progami, aby określić, kiedy konieczna jest konserwacja. Do tej pory wydawało się to stosunkowo proste. Jednak w miarę integracji części zamiennych, maszyna może wykazywać różne zachowania wraz z wiekiem, co potencjalnie prowadzi do fałszywych alarmów i nieprzewidzianych problemów operacyjnych. W tym momencie uświadamiasz sobie, że dysponujesz znaczną ilością danych, w tym danymi kontroli jakości produktu końcowego. To właśnie na tym etapie możesz wdrożyć algorytm uczenia maszynowego, aby skutecznie analizować i porównywać wszystkie te dane, umożliwiając systemowi autonomiczne podejmowanie lepszych decyzji dotyczących konserwacji.

Najlepsze jest to, że modele uczenia się są skalowalne, ponieważ z każdą iteracją pozyskują więcej danych, a z czasem algorytmy uczenia maszynowego ulegają ulepszeniu. Ale to nie wszystko. Teraz, gdy dysponujesz ewoluującym algorytmem, możesz go zaimplementować w systemach, które autonomicznie podejmują decyzje i udoskonalają się z czasem.

Rozważając różne opcje architektoniczne, jednym z podejść jest wykorzystanie rejestratorów danych, takich jak CONPROSYS rodzina z Contec, która zbiera dane, a następnie je wysyła dane na serwer do przetwarzania. Zaletą tego podejścia jest przeniesienie dużej ilości przetwarzania danych na scentralizowany serwer. Istotną wadą jest jednak możliwość generowania dużego ruchu sieciowego podczas przesyłania danych. Wraz ze wzrostem skali działalności może to prowadzić do problemów i wyższych kosztów operacyjnych z powodu ograniczeń przepustowości. Ponadto możliwość reagowania w czasie rzeczywistym na zadania o znaczeniu krytycznym jest utrudniona ze względu na opóźnienia sieciowe w komunikacji z serwerem.

Z drugiej strony możemy również wdrożyć System DAQ oparty na komputerze PC od Contec. System ten umożliwia lokalne uruchamianie zaawansowanych algorytmów, takich jak wnioskowanie oparte na uczeniu maszynowym, przy jednoczesnym pozyskiwaniu danych bezpośrednio w tym samym systemie. Ta możliwość przenosi przetwarzanie na krawędź sieci i pozwala na skalowanie w razie potrzeby bez konieczności budowania infrastruktury wokół serwerów. Ciekawym aspektem tego opartego na komputerze PC systemu DAQ jest możliwość integracji zdalnych rejestratorów danych, takich jak produkty Conprosys, w celu stworzenia hybrydowej architektury platformy.

Każdy algorytm sztucznej inteligencji lub uczenia maszynowego zawsze będzie potrzebował danych, aby być użytecznym. Właśnie w tym miejscu motywacja do zrozumienia procesu pozyskiwania danych jest kluczowa, a znalezienie odpowiedniego partnera, takiego jak Contec, który odniesie sukces w tej rewolucji, jest kluczowe. Znajomość dostępnych opcji i stosowanie najlepszych praktyk w zakresie pozyskiwania danych stanowią podstawę do maksymalnego wykorzystania potencjału sztucznej inteligencji.