Ştiri

În timpul unei inflexiuni strategice, vine un moment în care trebuie să decizi dacă să accepți sau să respingi o nouă tehnologie. Această decizie poate părea ușoară la început, dar poate fi mult mai complexă în realitate. Revoluțiile nu se întâmplă întotdeauna peste noapte; ele se pot desfășura de-a lungul anilor, cea mai mare parte a progresului fiind ascunsă până când o descoperire importantă îl aduce în lumina reflectoarelor, pentru ca toată lumea să-l vadă.

În 1986, Școala de Informatică de la Universitatea Carnegie Mellon a inițiat proiectul Navlab, care a demonstrat potențialul inteligenței artificiale. Aceștia au dezvoltat un sistem care permitea unei dube Chevrolet să se conducă autonom. Acest lucru s-a întâmplat în primele etape ale dezvoltării algoritmilor de viziune computerizată și învățare automată, care sunt acum utilizați pe scară largă în multe aplicații.

În timpul dezvoltării sale, a fost considerată revoluționară, dar încă nu este pregătită să facă parte din viața de zi cu zi. Cu toate acestea, în lumea de astăzi, suntem obișnuiți să auzim despre, și uneori chiar să vedem, mașini autonome, pe care diverse companii le dezvoltă și le vând sectorului corporativ, cu scopul de a comercializa această tehnologie publicului larg într-un viitor nu prea îndepărtat.

Conducerea autonomă, la fel ca majoritatea aplicațiilor de inteligență artificială, necesită algoritmi și procesoare care pot opera pe seturi de date foarte mari în timp real. De exemplu, modelele lingvistice mari (LLM), precum cele utilizate de OpenAI în ChatGPT, Microsoft în Copilot sau alte aplicații care utilizează Meta LLM Llama 3, au nevoie de seturi mari de date pentru a recunoaște tiparele care creează propoziții scrise de oameni. Astfel, în centrul învățării automate, veți constata că datele și capacitatea de a procesa rapid datele sunt ambele necesare pentru a lucra cu aceste sisteme.

Să luăm în considerare un scenariu în care fabrica dumneavoastră trebuie să producă 1000 de unități pe oră. Funcționând la capacitate maximă, dacă una dintre mașinile dumneavoastră se defectează, nu veți atinge obiectivul de 1000 de unități pe oră. Într-o astfel de situație, una dintre prioritățile cheie este accelerarea ciclului de mentenanță al mașinii afectate. Pentru a preveni acest scenariu de avarie, este posibil să aveți un plan de mentenanță implementat și, dacă urmați cele mai bune practici, să implementați o metodologie de mentenanță bazată pe stare. Aceasta implică măsurarea diferitelor variabile pe o mașină, cum ar fi temperatura și vibrațiile, folosind senzori. Când se depășește o anumită limită, sunt trimise alerte și știți că o anumită piesă trebuie înlocuită înainte de defectarea echipamentului.

Pentru mentenanța preventivă, veți avea nevoie de un sistem de achiziție de date pentru a colecta variabile critice și a le stoca pe un computer. Odată colectate, puteți compara aceste puncte de date cu pragurile desemnate pentru a determina când este necesară mentenanța. Până în acest punct, pare relativ simplu. Cu toate acestea, pe măsură ce piesele de schimb sunt integrate, mașina poate prezenta comportamente diferite pe măsură ce îmbătrânește, ceea ce poate duce la rezultate fals pozitive și probleme operaționale neprevăzute. Acesta este momentul în care vă dați seama că aveți o cantitate substanțială de date, inclusiv date de control al calității pentru produsul final. În acest moment puteți implementa un algoritm de învățare automată pentru a analiza și a compara eficient toate aceste date, permițând sistemului dvs. să ia în mod autonom decizii de mentenanță mai bune.

Cel mai bun aspect este că modelele de învățare sunt scalabile, deoarece vor achiziționa mai multe date cu fiecare iterație, iar în timp algoritmii generali de învățare automată se îmbunătățesc. Dar aceasta nu este toată povestea. Acum, că aveți un algoritm în evoluție, aveți capacitatea de a-l implementa în sisteme care iau decizii autonom și se îmbunătățesc în timp.

În luarea în considerare a diferitelor opțiuni de arhitectură, o abordare implică utilizarea înregistratoarelor de date, cum ar fi CONPROSYS familie de la Contec care colectează date și apoi le trimit date către un server pentru procesare. Avantajul acestei abordări este că procesarea grea a datelor este descărcată către un server centralizat. Cu toate acestea, un dezavantaj semnificativ este potențialul de a genera o cantitate mare de trafic de rețea la trimiterea datelor. Pe măsură ce amploarea operațiunilor crește, acest lucru ar putea duce la probleme și costuri operaționale mai mari din cauza limitărilor de lățime de bandă. În plus, capacitatea de a reacționa în timp real la sarcini critice este îngreunată de întârzierile rețelei către și de la server.

Pe de altă parte, putem implementa și un Sistem DAQ bazat pe PC de la Contec. Acest sistem vă permite să rulați local algoritmi complexi, cum ar fi inferențele bazate pe învățarea automată, obținând simultan datele direct pe același sistem. Această capacitate aduce procesarea la marginea pieței și vă permite să scalați după cum este necesar, fără a fi nevoie să construiți infrastructură în jurul serverelor. Un aspect interesant al acestui DAQ bazat pe PC este că puteți încorpora înregistratoare de date la distanță, cum ar fi produsele Conprosys, pentru a crea o arhitectură de platformă hibridă.

Orice algoritm de inteligență artificială sau de învățare automată va avea întotdeauna nevoie de date pentru a fi util. Aici este importantă motivația de a înțelege achiziția de date, iar găsirea partenerului potrivit, precum Contec, pentru a prospera în această revoluție este crucială. Cunoașterea opțiunilor și aplicarea celor mai bune practici de achiziție de date reprezintă piatra de temelie pentru a profita la maximum de inteligența artificială.