应用

技术

物联网世界 >> 物联网新闻 >> 物联网热点新闻
企业注册个人注册登录

制造业拥抱AI的门槛竟然已经如此之低了?

2020-06-23 08:48 iot101君

导读:工厂在实际生产中并不能保证产品百分之百的完美,或是衔接的螺丝没有拧紧,或是表面出现细小划痕,或是产品标签忘记粘贴……一个看起来毫不起眼的缺陷或瑕疵,轻则致使企业的商誉和财产遭受损失,重则甚至会导致伤亡事故的发生。

工厂在实际生产中并不能保证产品百分之百的完美,或是衔接的螺丝没有拧紧,或是表面出现细小划痕,或是产品标签忘记粘贴……一个看起来毫不起眼的缺陷或瑕疵,轻则致使企业的商誉和财产遭受损失,重则甚至会导致伤亡事故的发生。

古语道:“千里之堤,溃于蚁穴”,其中蕴藏的真理放在现代制造业也同样适用。

工厂在实际生产中并不能保证产品百分之百的完美,或是衔接的螺丝没有拧紧,或是表面出现细小划痕,或是产品标签忘记粘贴……特别是在显示屏、电子产品、汽车、航天航空等行业,一个看起来毫不起眼的缺陷或瑕疵,轻则致使企业的商誉和财产遭受损失,重则甚至会导致伤亡事故的发生。

为了使制造企业摆脱缺陷和瑕疵的烦恼,中科创达(ThunderSoft)正携手亚马逊云服务(AWS),基于双方在端侧和云侧的优势,助力客户进一步提升产品良率,释放产能,增强产品竞争力。

智慧工业ADC 系统:让缺陷无所遁形

传统的生产制造,主要通过人工检测产品表面缺陷,然而随着工业产品精密度越来越高、数量越来越多,这种传统的缺陷检测手段也变得越来越难以为继。

中科创达的某位客户——国内最大的智能面板行业企业之一,就曾在缺陷检测环节面临种种挑战。首先,部分产品缺陷会导致面板良率不稳定,使得其在与竞争对手竞争时处于比较劣势的状态;第二,传统的检测手段效率低、成本高,不利于企业长期发展。该智能面板企业非常迫切的想要进行数字化和智能化的升级改造,但是却因为缺乏相关的 IT 能力和基础设施而无从下手。

作为全球知名的智能操作系统产品和技术提供商,中科创达深入了解以该企业为代表的传统制造业发展需求和趋势,基于在智能操作系统、图形图像处理和人工智能领域的深厚技术积累,在 2018 年推出了工业视觉检测一站式解决方案——智慧工业 ADC (Automatic Defect Classification)系统。

该系统包含缺陷自动化分类、新产品迭代数据清洗、业务作业员认证三个子系统,从作业员技能认证、数据集更新到新产品导入,贯穿工业检测的整个生命周期,有效帮助制造企业减少 75%的工作量,产能提升 35 倍。相比人工检测,漏检率下降 3%,准确率提升 99%。

目前,智慧工业 ADC 系统已经在液晶面板行业成功实施多个案例,广获客户好评。在液晶面板行业,中科创达拥有国内首家实际产线成功上线,且稳定运行一年以上的 ADC 缺陷自动分类系统的实施经验。除了液晶面板,中科创达还进一步将该系统拓展到汽车制造、电子产品、化妆品制造、橡胶制造等行业,帮助众多客户提升工业自动化和智能化水平。

值得注意的是,任何客户应用智慧工业 ADC 系统都需要实施机器学习工作,这就少不了 AWS 的助力。2020 年 6 月 4 日,在 AWS 快三投注平台区域推出 Amazon SageMaker 机器学习服务之际,中科创达率先宣布,已经将 Amazon SageMaker 集成到了自家 ADC 系统中,让制造业客户可以在工业生产中轻松获得AI质检能力。

Amazon SageMaker:降低企业拥抱 AI 的门槛

在 AlphaGo、波士顿动力狗等令人惊叹的表现的冲击下,人们已经对 AI 技术背后蕴藏的变革性潜力达成了共识。在很多场合下,AI 都能代替人类完成相应的工作,并且效率奇高、极少犯错、永不疲倦。

许多企业早已对 AI 跃跃欲试,然而在实际应用中却只能望洋兴叹。这是因为,机器学习的实施是一项非常复杂且昂贵的工作,涉及大量试错,并且需要专业技能——换个说法,就是“门槛”很高。

开发者和数据科学家首先必须对数据进行可视化、转换和预处理,这些数据才能变成算法可以使用的格式,用以训练模型。即使是简单的模型,企业也需要花费庞大的算力和大量的训练时间,并可能需要招聘专门的团队来管理包含多台 GPU 服务器的训练环境。从选择和优化算法,到调节影响模型准确性的数百万个参数,训练模型的所有阶段都需要大量的人力和猜测。然后,在应用程序中部署训练好的模型时,客户又需要另一套应用设计和分布式系统方面的专业技能。并且,随着数据集和变量数的增加,模型会过时,客户又必须一次又一次地重新训练模型,让模型从新的信息中学习和进化。所有这些工作都需要大量的专业知识,并耗费庞大的算力、数据存储和时间成本。

Amazon SageMaker 则能够降低企业拥抱 AI 的门槛,帮助客户去除机器学习涉及的混乱和复杂性,让客户能够迅速构建、训练和部署模型,整个过程简单而高效。尤其是在智慧工业领域普遍涉及的边缘端,借助 Amazon SageMaker Neo,开发者只需训练一次机器学习模型,便可在云端和边缘的任何位置运行。

Amazon SageMaker Neo 可将模型的运行速度优化到两倍,同时仅占用 1/10 的内存,也不会对准确性造成任何影响。Amazon SageMaker Neo 可以优化部署在 Amazon EC2 实例、Amazon SageMaker 端点和 AWS Greengrass 管理的设备上的模型,实现工业视觉检测应用与其它应用无缝连接。

据中科创达 CTO 邹鹏程介绍,在电气行业 ADC 系统的实施中,通过集成 Amazon SageMaker,最终用户的一次性投入成本降低了 42%,软件开发的工作量降低了 39%,系统的上线时间缩短了 50%,系统运行效率是传统检测的 35 倍,解决了 ADC 系统落地工业场景的障碍。

端云一体:融合系统理念

“从某种意义上来说,AWS 做的是云端的操作系统,而我们中科创达做的是端侧的操作系统。” 邹鹏程如此形容二者,然而,中科创达和 AWS 的率先牵手,不光是因为技术上的互补,更是缘于理念上的契合,“我们能够在这个领域打动客户并脱颖而出的主要原因,是我们以客户为中心的理念,这与 AWS 是一致的。我们帮助客户应对挑战的解决之道就是融合系统的理念,即终端和云端融合、场景和技术融合、产品和服务融合、硬件和软件融合以及视觉和 AI 融合,最终为客户提供端云一体的完整解决方案。”

要想理解什么是融合理念,我们必须先清楚什么是不融合的状态。邹鹏程在回答物联网智库的提问时举了个例子,比如端侧用自己的系统,云侧用自己的架构,端侧和云侧的工程师各自写自己的代码,互不交集,中间通过一些传统的协议来进行交流。但这种方法显然比较低效。更好的状态应该是,云端和终端有一个一致的体系和架构,开发者不用操心到底是终端还是云端还是边缘侧,同样的代码能够实现无缝分布。

这种特性在 Amazon SageMaker 中也有很好的体现,尤其是 Amazon SageMaker Studio 集成开发环境(IDE),为整个机器学习工作流提供了一个统一界面,使构建、训练、解释、检查、监视、调试和运行机器学习模型变得更简单、更快。

AWS 快三投注平台区生态系统及合作伙伴部总经理汪湧表示:“中科创达是非常优秀的 APN(AWS 合作伙伴网络)合作伙伴,在 IoT、人工智能方面的实力尤其突出。Amazon SageMaker 一个重要的特点在于能够与各类行业应用进行集成,来进一步赋能各行业的应用场景。我们非常高兴中科创达能够成为首批在 AWS 快三投注平台区域利用 Amazon SageMaker 的 APN 合作伙伴。基于 Amazon SageMaker,中科创达能够打造更加优秀的智慧工业视觉检测 AI 系统,满足更多客户的需求,助力他们实现智能化转型。”

数字化转型是一项系统性工程,未来,中科创达将与 AWS 继续进行紧密、坚定、深入的合作,助力更多行业的智能变革。