Периферийный визуальный искусственный интеллект в реальном времени:непревзойденная производительность и надежность

Лидеры производства все чаще используют искусственный интеллект и компьютерное зрение для повышения операционной точности, безопасности и качества продукции. Умные камеры и датчики на базе искусственного интеллекта теперь являются неотъемлемыми компонентами современного промышленного интеллекта.

Тем не менее, поскольку организации стремятся использовать высококачественные визуальные данные для получения аналитической информации в реальном времени, многие открывают суровую правду:облачные архитектуры не могут идти в ногу со временем. Из-за перегрузки сети, высоких задержек и растущих затрат на хранение данных перенос всего в облако просто не соответствует требованиям современного производственного цеха.

Чтобы решить эти проблемы, производители обращаются к стратегиям, ориентированным на преимущество и ориентированным на потоки. Эти подходы переносят ИИ в реальном времени непосредственно к источнику данных. Это может включать в себя сборочную линию, пол и периферийные среды. Таким образом, по сути, производные данные доступны там, где решения необходимо принимать быстро, надежно и бескомпромиссно.

Рост визуального искусственного интеллекта в производстве

Промышленным производителям необходим визуальный интеллект в режиме реального времени для поддержания операционной эффективности, обеспечения безопасности и соблюдения строгих стандартов качества во все более сложных производственных средах. В отличие от традиционных источников данных, визуальные входные данные, например данные с камер высокого разрешения, могут мгновенно обнаруживать аномалии, дефекты или небезопасное поведение, что позволяет немедленно принять корректирующие меры.

Будь то остановка неисправного продукта до его продвижения по конвейеру, выявление незначительных отклонений в качестве или предотвращение травм работников посредством распознавания поведения, визуальный интеллект в реальном времени позволяет производителям действовать мгновенно, а не постфактум.

Существует несколько распространенных случаев использования, когда требуется мгновенная аналитика с камер и других периферийных устройств. Они включают в себя:

• Обнаружение дефектов :системы технического зрения на основе искусственного интеллекта могут выявлять дефекты быстрее и точнее, чем люди-инспекторы.
• Прогнозное обслуживание :Визуальные сигналы, такие как температурные нарушения или характер износа, могут привести к профилактическому ремонту.
• Мониторинг безопасности :камеры, обученные обнаруживать небезопасное поведение или препятствия, могут вмешаться до того, как произойдет инцидент, тем самым предотвращая его.
• Гарантия качества :анализ изображений в режиме реального времени гарантирует, что каждый продукт соответствует спецификациям еще до того, как он покинет конвейер.

Однако все эти приложения имеют общую проблему:они требуют быстрого и надежного анализа огромных объемов видеоданных и данных датчиков. Традиционные системы, предназначенные для отправки данных в централизованное облако для обработки, с трудом обеспечивают необходимую скорость реагирования в реальном времени.

Ограничения облачных архитектур

Промышленные операции обычно включают в себя ряд периферийных элементов, которые в режиме реального времени предоставляют информацию о процессах, рабочих процессах и других ключевых факторах. В последние годы большинство этих элементов представляли собой датчики или устройства Интернета вещей, которые собирают и обмениваются информацией о производительности или исправности оборудования на производственной линии или на заводе. Данные с этих устройств часто отправлялись в центральное хранилище (например, в облачную базу данных), а затем анализировались.

В последние годы камеры стали более распространены в таких условиях. Однако отправка терабайт видеоматериалов и телеметрических данных датчиков в облако для анализа может иметь несколько серьезных проблем.

Начнем с того, что могут возникнуть узкие места в пропускной способности. Видео с камер высокого разрешения и непрерывные потоки данных от датчиков могут быстро перегрузить сетевую инфраструктуру, особенно в удаленных промышленных средах или промышленных средах с ограниченной пропускной способностью.

Далее, есть проблемы с задержкой. Даже при наличии надежного соединения обратный путь в облако приводит к задержке. Для приложений, где миллисекунды имеют значение, например, для остановки продвижения дефектного продукта или предотвращения столкновений оборудования, такая задержка неприемлема.

Учитывая сегодняшние ограничения затрат, затрагивающие все компании, существует также проблема роста затрат на облачные технологии. Хранение и обработка огромных объемов данных в облаке обходится дорого. Для производителей, которые следят за каждым долларом эксплуатационных расходов, это может оказаться невыгодным.

Кроме того, существует принцип гравитации данных, который заключается в том, что большие объемы данных естественным образом привлекают приложения и сервисы туда, где они находятся. В контексте производства это означает, что размещение вычислений рядом с источником данных не только более эффективно, но и экономически целесообразно.

Почему обработка Edge-First — это ответ

Потоковая обработка данных, ориентированная на периферию, меняет традиционную модель. Вместо отправки данных в облако данные принимаются, обрабатываются и обрабатываются там, где они генерируются на периферии.

Этот подход дает несколько важных преимуществ:

• Низкая задержка :решения принимаются за миллисекунды.
• Снижение зависимости от облака :в восходящий поток передаются только актуальные данные, что сводит к минимуму использование облака.
• Устойчивость :периферийные системы продолжают работать, даже если подключение к облаку нарушено.
• Конфиденциальность и безопасность :конфиденциальные данные остаются локальными, что снижает риск заражения.

Принятие решений в реальном времени на периферии добавляет дополнительные возможности, обеспечивая возможность непрерывного принятия решений в реальном времени. Не нужно ждать пакетных заданий. Не ждите облака.

Представьте себе роботизированную сборочную линию, которая обнаруживает неисправный компонент. С помощью искусственного интеллекта, ориентированного на края, можно обнаружить дефект и мгновенно остановить машину. Нет задержек и задержки облаков.

Технические аспекты периферийного искусственного интеллекта в реальном времени

Достижение такого уровня оперативности требует большего, чем просто перенос вычислений на периферию. Для этого требуется архитектура, специально созданная для операций в реальном времени.

Ключевые компоненты должны включать:

• Периферийные вычислительные узлы :Локальные системы, способные запускать модели искусственного интеллекта и потоковые процессоры.
• Конвейеры событий в реальном времени :Платформы для приема и анализа высокоскоростных данных в движении.
• Схемы развертывания моделей :инструменты для развертывания и обновления моделей искусственного интеллекта на периферии.

Есть и проблемы. Модели должны быть оптимизированы для ограниченных граничных сред. Устаревшие системы необходимо интегрировать без нарушения операционной деятельности. И детерминированная производительность имеет важное значение. Поэтому каждое решение должно приниматься вовремя и всегда.

Именно здесь в игру вступают специальные платформы, такие как Volt Active Data.

См. также: Почему так сложно масштабировать визуальный искусственный интеллект в промышленных операциях

Как Volt Active Data обеспечивает визуальный искусственный интеллект в реальном времени на периферии

Volt Active Data оснащена оборудованием, отвечающим требованиям передового визуального искусственного интеллекта в производстве, сочетает немедленный ввод данных с датчиков/камер с контекстом с отслеживанием состояния (например, недавние дефекты, история машины), чтобы обеспечить быстрое и точное принятие каждого решения.

Он обеспечивает высокую пропускную способность и низкую задержку обработки. В частности, Volt выполняет решения непосредственно в пути передачи данных, избегая задержек и несогласованности маршрутизации в отдельные системы. Это делает его идеальным для визуальных и сенсорных рабочих нагрузок.

Платформы Volt позволяют принимать решения за миллисекунды. Таким образом, сложные решения могут быть выполнены в строгие сроки, что позволяет немедленно принять меры, например остановить оборудование или указать дефекты.

Решение поддерживает транзакции, соответствующие требованиям ACID. Volt гарантирует, что каждое действие будет точным, надежным и последовательным даже в критически важных средах.

Кроме того, платформа Volt обеспечивает бесшовную интеграцию искусственного интеллекта. Volt работает вместе с моделями искусственного интеллекта на периферии, координируя решения в реальном времени и запуская автоматические реакции.

Будь то организация роботизированного вмешательства, маркировка аномалии или выполнение команды остановки на производственной линии, Volt делает практичным интеллектуальное реагирование на фронте в реальном времени.

Вывод:более разумное преимущество для более разумного производства

Производители сегодня вынуждены делать больше, быстрее и с меньшими отходами. ИИ, и особенно визуальный ИИ, открывает путь вперед, но только если он обеспечивает производительность в реальном времени и экономичную масштабируемость.

Потоковые стратегии, ориентированные на периферию, могут решить эту задачу, открывая новые уровни автоматизации и аналитики, не полагаясь на медленные и дорогие облачные архитектуры.

Благодаря таким платформам, как Volt Active Data, обеспечивающим потоки данных в реальном времени и принимающим решения непосредственно на периферии, производители могут реализовать весь потенциал искусственного интеллекта без каких-либо компромиссов.