Vizyona dayalı ürün kalite denetimi gibi gelişmiş uygulamalar, üretimin bir parçası olarak üretim alanına giriyor. Sanayi 4.0. Bunun için kullanılan IoT cihazları, bazen işbirlikçi bir robot koluna monte edilen ve kalite testi ve kusur tespiti için nihai ürünü izleyen kameralar ve cep telefonlarıdır.
Tipik olarak, yakalanan yüksek kaliteli görüntü ve/veya video verileri, önceden eğitilmiş bir AI modelinin taradığı bir çıkarım motoruna gönderilir. Çıkarım motoru genellikle genel bir bulut tarafından barındırılır, ancak büyük ölçekli üretim kuruluşları özel, yerel bir sunucuda bir çıkarım motoru da barındırabilir. Yeni gözlemlenen veriler (modelin eğitilmediği), "yeniden eğitim" için buluta veya yerel sunucuya gönderilir; bu, gerçekten çıkarım motorunun güncellenmesi anlamına gelir.
Bununla birlikte, akıllı görüş tabanlı sensörlerin yaygın doğası nedeniyle, veriler genellikle farklı konumlara ve sitelere dağıtılır. Vizyona dayalı ürün kalite denetimi kullanım durumları için, siteler arasında aynı üründe farklı kusurlar gözlemlenebilir.1 Çıkarım motorunun, dağıtılmış veri kaynaklarından bulduğu kusurları “anlamak” anlamına gelen çeşitli kalıpları hızlı bir şekilde öğrenmesi önemlidir.
Dağıtılmış verileri tek bir platforma getirirken dikkate alınması gereken birkaç nokta vardır:
- verim: Büyük bir veri kümesinin merkezileştirilmiş veri toplaması ve manuel olarak etiketlenmesi günler alabilir, bu da ürün kalite denetimi gibi zaman açısından kritik üretim uygulamalarında verimsiz olabilir.
- Veri gizliliği: Üretim kuruluşları ticari zekalarını koruma konusunda hassastır ve fabrika katının dışına veri göndermek popüler bir seçim değildir.
- Ücret: Merkezi, bulut tabanlı çözümler, küçük ve orta ölçekli kuruluşlar için maliyetli olabilir. Ayrıca, bir sunucuya yüksek kaliteli verilerin yüklenmesi zaman ve ağ bant genişliği gerektirir.
Yapay zekayı verilere getirmek
Ne zaman verileri yapay zekaya getirmek imkansız hale gelirse, diğer seçenek AI'yı verilere getirmek için. Birleşik öğrenme (FL) bunun için anahtar etkinleştirici.
Bu yinelemeli süreç, farklı üretim tesislerinin kendi ürün resimlerini ve/veya video verilerini kullanarak ortak bir modeli eğitmesine ve model güncellemelerini güvenilir bir sunucuyla paylaşmasına olanak tanır. Güvenilir sunucu, farklı sitelerden gönderilen modelleri toplar ve bir sonraki tur için tüm sitelere dağıtılan daha iyi, yeni bir model oluşturmak için kullanır.
Birlikte çalışmanın gücü
Tipik bir FL modeli, bir katılımcı müşteri ekosistemi - bu durumda, imalat şirketleri - işbirliği yapmayı ve federe öğrenme modelini herkesin yararına eğitmeyi kabul ettiğinde ortaya çıkar.
Ürün kalite denetimi kullanım örneklerini alın: siteye özel model güncellemeleri, yerel verilerde gözlemlenen kalıpları (kusurları) yakalar. FL modeli daha sonra farklı şirketlerden ve sitelerden tüm kusur verilerini yakalar. Bu şekilde, yalnızca her sitenin verilerinin gizliliği korunmakla kalmaz (ham veriler asla binadan çıkmadığından), ancak binlerce yüksek kaliteli görüntü ve videoyu iletme maliyeti de azalır.
Sağlam bir FL modelinin faydaları, bireysel modellerini görünmeyen kusurlar konusunda eğitmeden bile, zamanında kusur tespiti açısından her bir katılımcı tarafından paylaşılır. Çok çeşitli kusur modellerini "görmek" için yeterli ürün verisine sahip olmayan küçük ve orta ölçekli üreticiler, birleşik öğrenmeden gerçekten yararlanır. Ayrıca, bu kuruluşlardan bazıları, merkezi veri analizi için bir bulut altyapısına sahip olamaz. Ancak bu şirketler, model güncellemelerini birbirleriyle paylaşmak için işbirlikçi bir ekosistem oluşturabildiklerinden, yapay zekayı verilerine getirebiliyor ve kaynaklarından en iyi şekilde yararlanabiliyorlar.
Yapay zeka modellerini deneyden üretime taşımak, karmaşık, yinelemeli süreçleri içerir. Başarılı AI yatırımının önemli bir itici gücü, özellikle farklı bölgeler, bulutlar ve düzenleyici ortamlar arasında hareket eden veriler olmak üzere gizlilik, yönetişim ve yerellik kısıtlamalarıyla uyumlu eğitim verilerine erişimdir. Birleşik öğrenme, karmaşık ortamlardan toplanan verilerle model eğitimini artırabilir. Ayrıca, işbirlikçi veri paylaşım ekosistemlerine yönelik küresel baskı4 üretim endüstrisini maliyetlerden, zamandan ve ağ kaynaklarından tasarruf etmek için işbirlikçi öğrenmeye doğru bir adım atmaya teşvik ediyor.
Vizyona dayalı ürün kalitesi denetimiyle ilgilenen üreticiler için IBM Kaynakları
Nasıl öğrenilir uzaktan izleme yetenekleri sorunları görmenizi, tahmin etmenizi ve önlemenizi sağlar. IBM Maximo, varlıklar ve operasyonlar için gelişmiş yapay zeka destekli çözümler ve bilgisayar vizyonu sunar.
Genel üretim operasyonlarını iyileştirmek için, IBM'in neden bir Lider olarak adlandırıldığını keşfedin. İmalat endüstrisi için IDC EAM MarketScape. Üreticiler on yıllardır EAM çözümlerini kullanmış olsalar da, bakım yürütme, iş planlaması, yedek parça tedariği ve varlık yaşam döngüsü yönetimi gibi manuel görevleri otomatikleştirmek için hâlâ birçok fırsat var.
IDC'nin neden IBM Cloud Pak for Data dediğini öğrenin dijital iş geliştirme ve esnekliği kolaylaştırır ve nerede olursa olsun verilerinize yapay zeka getirmenize yardımcı olur. Cloud Pak for Data, birleşik öğrenme tabanlı çözümün teknik bir önizlemesini içerir3 bu da maliyet tasarrufunu ve verimliliği artırır.
Sourabh Bharti, SMART 4.0 MSCA Araştırma Görevlisidir. ONAYLAMAK Akıllı üretim için Bilim Vakfı İrlanda araştırma merkezi ve şu anda yağmur bulutu Merkez, MTU.
Referanslar:
- Mohr, M., Becker, C., Moller, R., Richter, M. (2021). Özel Şirketler Arası Verilerden Yararlanan İşbirlikçi Öngörücü Bakıma Doğru. İçinde: Reussner, RH, Koziolek, A., & Heinrich, R. (Hrsg), INFORMATIK. Gesellschaft fur Informatik, Bonn. (S. 427-432)
- Veri Dipnot için Cloud Pak
- IBM Birleşik Öğrenim
- Uluslararası Veri Uzayları Derneği
Sonrası Verilerinize yapay zeka getirin ve vizyona dayalı ürün kalite denetimini iyileştirin İlk çıktı IBM İş Operasyonları Blogu.
