根據(jù)Business Insider的數(shù)據(jù)顯示，制造業(yè)即將迎來物聯(lián)網(wǎng)（IoT）和人工智能（AI）應(yīng)用的再度大幅增長。預(yù)計到2027年，物聯(lián)網(wǎng)市場規(guī)模將達到2.4萬億美元。

除了自動化和機器人技術(shù)等領(lǐng)域顯而易見的應(yīng)用外，AI系統(tǒng)還能夠優(yōu)化制造流程，發(fā)送早期警報，提升質(zhì)量檢查和質(zhì)量控制，并預(yù)測機械中的設(shè)備故障。

優(yōu)化制造過程的關(guān)鍵是收集正確的數(shù)據(jù)。通過這樣做，制造商可以開發(fā)出創(chuàng)新的AI應(yīng)用程序，使自己從競爭中脫穎而出。許多制造企業(yè)開始在其工業(yè)物聯(lián)網(wǎng)（IIoT）應(yīng)用中采用各種AI算法以進行實時決策。了解基于AI的應(yīng)用中的數(shù)據(jù)為王是至關(guān)重要的。匯集、清理和準備獨特的數(shù)據(jù)是利用AI來優(yōu)化組織并獲得見解的最重要方面。

在AI工程師開始訓(xùn)練他們的機器學(xué)習(xí)模型之前，他們通常花費多達75％的時間來簡單地處理起始數(shù)據(jù)。請記住，要訓(xùn)練一個可以在IIoT設(shè)備上運行的機器學(xué)習(xí)模型，必須要有一個數(shù)據(jù)集或一系列數(shù)據(jù)集來反映應(yīng)用程序運行時的實際情況。

創(chuàng)建一個數(shù)據(jù)集的過程需要分幾個步驟實現(xiàn)。通常是從收集多年的數(shù)據(jù)開始，工程師需要確定數(shù)據(jù)的總體結(jié)構(gòu)。接下來，他們需要消除數(shù)據(jù)中的任何缺陷、差異或缺口，然后將這些數(shù)據(jù)轉(zhuǎn)換成算法需要的形式，以便與之有效地交互。

嵌入式系統(tǒng)的邊緣AI

邊緣AI是制造業(yè)整體AI發(fā)展的重要組成部分。邊緣 AI能夠在硬件設(shè)備上本地處理數(shù)據(jù)，而不是依靠通過互聯(lián)網(wǎng)連接的集中式數(shù)據(jù)庫或處理節(jié)點。

在大多數(shù)IoT解決方案中，后端服務(wù)器通過多個設(shè)備和互聯(lián)網(wǎng)連接的傳感器接收數(shù)據(jù)。一臺或多臺服務(wù)器托管用于處理數(shù)據(jù)的機器學(xué)習(xí)算法，以創(chuàng)建AI解決方案提供的任何價值。

這種AI架構(gòu)的問題在于，許多設(shè)備可能導(dǎo)致網(wǎng)絡(luò)流量超載，或者您可能正在使用已經(jīng)大量使用的網(wǎng)絡(luò)。在這些情況下，將數(shù)據(jù)發(fā)送回中央服務(wù)器可能會導(dǎo)致處理速度慢得令人無法接受。而這正是邊緣AI發(fā)揮其價值的地方，因為可以在硬件設(shè)備上本地執(zhí)行一些不太復(fù)雜的機器學(xué)習(xí)和AI過程。

邊緣AI對許多行業(yè)至關(guān)重要。一個例子是自動駕駛汽車，其中邊緣AI可以減少電池的電量消耗。監(jiān)視系統(tǒng)、機器人技術(shù)和其他幾個行業(yè)也將從邊緣AI模型中受益。

激發(fā)邊緣AI的潛力

知識蒸餾（Knowledge Distillation）技術(shù)的引入具有極大的改善邊緣AI解決方案的潛力。

知識蒸餾是通過知識壓縮原理進行的一種模型壓縮方法。使用諸如強化學(xué)習(xí)之類的技術(shù)，神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)如何產(chǎn)生預(yù)期的結(jié)果，從而使一個較小的網(wǎng)絡(luò)也可以學(xué)習(xí)創(chuàng)建出與較大的網(wǎng)絡(luò)創(chuàng)建出的相似結(jié)果。

這種較小的網(wǎng)絡(luò)規(guī)模更適合移動設(shè)備、傳感器和類似硬件等邊緣設(shè)備。知識蒸餾可以將邊緣設(shè)備的空間負擔減少多達2000％，從而減少了運行網(wǎng)絡(luò)所需的能量、物理約束以及設(shè)備本身的成本。

一個應(yīng)用知識蒸餾技術(shù)的實例是使用視頻源在監(jiān)視系統(tǒng)上實時檢測性別。通常，識別性別需要相當大的基于云的神經(jīng)網(wǎng)絡(luò)。但是在實時系統(tǒng)中，返回到云端并不總是最好的選擇。通過知識蒸餾技術(shù)可以將整個過程精簡為一個較小的網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以在安裝到邊緣設(shè)備的同時準確地識別性別。

基于機器學(xué)習(xí)的預(yù)測性維護

預(yù)測性維護是機器學(xué)習(xí)和AI對制造產(chǎn)生影響的特別富有成果的領(lǐng)域。實際上，根據(jù)Capgemini咨詢公司的一項研究，將近30％的制造業(yè)AI實施與機械和生產(chǎn)工具的維護相關(guān)。這使得預(yù)測性維護成為當前制造業(yè)中使用最為廣泛的應(yīng)用領(lǐng)域之一。

基于機器學(xué)習(xí)的預(yù)測性維護的兩個最重要的好處是它的快速性和準確性。AI可以足夠快速、準確地識別機械問題，以便在發(fā)生故障甚至故障之前進行糾正。

例如，通用汽車使用安裝在裝配機器人上的AI攝像頭，通過攝像頭的使用，它能夠檢測出一組5000多個機器人中的數(shù)十個組件故障，從而規(guī)避了可能出現(xiàn)的故障。

基于機器學(xué)習(xí)的預(yù)測性維護可以使用各種模型和方法，從使用歷史數(shù)據(jù)來預(yù)測故障的回歸模型和分類模型，到分析系統(tǒng)和組件以尋找應(yīng)變或異常跡象的異常檢測模型。

用于質(zhì)量控制的計算機視覺

汽車和消費產(chǎn)品行業(yè)面臨著監(jiān)管機構(gòu)的苛刻要求，而維持這些法規(guī)的合規(guī)性是AI和機器學(xué)習(xí)可以大顯身手的領(lǐng)域。高質(zhì)量相機的成本每年都在下降，而AI圖像識別和處理軟件也在不斷快速改進。因此，基于AI的檢測方法對企業(yè)的吸引力越來越大。

特別是在汽車行業(yè)，例如，德國汽車制造商寶馬率先采用了這項技術(shù)。寶馬將AI應(yīng)用程序作為檢查過程的最后一步，將新制造的汽車與訂單數(shù)據(jù)和規(guī)格進行了比較。另一家汽車制造商日產(chǎn)，在將AI視覺檢測模型納入其質(zhì)量保證流程方面也取得了顯著進展。

視覺檢查算法越來越受歡迎的部分原因是這些算法的發(fā)展日趨成熟?，F(xiàn)在，基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)可以識別出各種潛在問題，例如裂紋、泄漏、劃痕、翹曲以及許多其他異常。

而應(yīng)用所要檢查的參數(shù)可以根據(jù)復(fù)雜的規(guī)則映射進行調(diào)整或適應(yīng)到給定情況。當與GPU和高分辨率攝像頭搭配使用時，基于AI的檢測解決方案在準確性和速度上可以大大超過傳統(tǒng)的視覺檢測系統(tǒng)。

制造業(yè)的未來

從某種角度來說，制造業(yè)的未來幾乎就是基于IoT的AI的未來的代名詞。在2019年，估計有80億個IoT設(shè)備，但是到2027年，預(yù)計將有410億個IoT設(shè)備，而這一增長的最大份額將是制造業(yè)。預(yù)計制造業(yè)中AI的估值將增長15倍以上，從目前的約11億美元增長到2026年的160億美元以上。

高效生產(chǎn)的所有特征——標準化、規(guī)模經(jīng)濟、任務(wù)自動化和專業(yè)化，都在很大程度上得益于機器學(xué)習(xí)和AI解決方案的實施。因此，在未來幾年，嵌入IoT設(shè)備的AI將不可避免地繼續(xù)緊密地融入到更多的制造過程中。

編輯：jq