Причини розгортання ШІ на перефірії — і як подолати проблеми периферійного ШІ

Штучний інтелект (ШІ) широко розширений. Відповідаю рекомендаціям щодо онлайн-покупок до додатків із прогнозом погоди його застосування швидко зростає. Цифровізація виробництва в сфері Індустрії 4.0 сприяла запровадженню штучного інтелекту в автоматизацію виробництва з набором додатків, таких як виявлення дефектів, перевірка якості та безпеки тощо.

Однак традиційний штучний інтелект, який підтримує програми для рекомендацій покупок і погодні програми, як правило, знаходиться в хмарі. У таких програмах запит користувача надсилається до хмари, запит обробляється моделлю ШІ, а результати надсилаються назад користувачам. стійке до широкого поширення, ця розгортання добавок може не підходити для всіх використання, одним із яких є промислова автоматизація.

ШІ на межі — це коли дані та штучний інтелект, пов’язаний із даними, знайдеться ближче до джерела даних або його використання. Вимоги до виробництва відрізняються від вимог користувача мобільного додатка, як описано нижче.

Правила конфіденційності даних для захисту ідентифікаційної інформації (PII) та інтелектуальної власності (інтелектуальної власності) часто вимагають, щоб дані були ближче до джерела їх походження. Наприклад, у заводських налаштуваннях конфігураційні дані машини є інтелектуальною власністю виробника, і вони готові зберегти їх наближення до джерела даних, щоб уникнути будь-якого витоку даних.

Друга причина – підтримка. Час, потрібний для надсилання даних у хмару та назад на периферію, може бути занадто довгим для чутливих до часу програми. Наприклад, у випадку перевірки якості зварного шва модель ШІ, яка прогнозує якість зварного шва, має вимоги до затримки порядку мілісекунди. Це особливо важливо, коли модель ШІ є частиною повністю автономної програми. У разі зварювання зміни конфігурації контролера зварювання, щоб усунути помилку зварювання, яка була перевірена в результаті класифікації моделі AI.

Третя причина – проблема пропускної здатності. Потокова передача великих обсягів даних у хмару є дорогою та інтенсивною мережею. У деяких випадках заводи навіть не можуть мати мережеву інфраструктуру для обробки цього трафіку. Наприклад, десятки камер, які використані для виявлення дефектів на заводі, видають тисячі кадрів за секунду; непрактично надсилати такі великі обсяги даних через мережу.

Відомою проблемою під час навчання моделі ШІ є незбалансовані класи (тобто спотворений розподіл класів у наборах даних). Це особливо підкреслено у випадках промислового використання, остання кількість вироблених продуктів не є дефектними. Частка викидів або дефектів у такому наборі даних може становити лише 1–3 %. Традиційні способи розробки моделей без спеціальних методів на такому наборі даних призводять до моделі, яка працює лише краще на навчальних зразках і погано працює на інших тестових зразках. Отже, якість моделі швидко знижується, зменшуючи ROI (повернення інвестицій) моделі ШІ.

Додавання контексту до штучного інтелекту, особливо за такого з дуже обмеженими позначеними даними, може допомогти розпочати розробку моделі штучного інтелекту. Це можна зробити, залучивши експерта з даної теми, який володіє знаннями про евристичний процес, якомога раніше на етапі дослідження даних. Такий підхід, орієнтований на дані, забезпечує кращу точність, а також досить масштабувати модель ШІ.

Виробничі процеси, такі як створення автомобіля, завершуються кількома окремими процесами. Наприклад, металеві листи проходять склеювання перед точковим зварюванням. Вологість є одним із факторів, які починають якість склеювання, які можна вплинути на якість зварювання. Тому, якщо процес зварювання розглядати окремо від склеювання, цей зв'язок пропускається.

Врахування взаємозалежностей і взаємозв'язків покращує інтерпретацію та надійність моделі ШІ замість того, щоб розглядати ШІ як чорний ящик. Хоча визначення цих зв’язків, ймовірно, потребує великої кількості даних і часу, це завершений штучний інтелект масштабується від простого рішення до більш масштабованого з часом.

ШІ все ще відбувається на ранніх етапах впровадження революції Industry 4.0. Тому рідко сумніви щодо його переваг. У такому середовищі вибору важливої проблеми для застосування ШІ є місце. Вплив відповідної важливої проблеми з високою рентабельністю інвестицій може змусити організувати її прийняття. Це спонукає співробітників шукати інші процеси, які можна покращити за допомогою штучного інтелекту та, у свою чергу, підвищити ефективність і якість, таким чином створюючи позитивну рентабельність інвестицій.