Գնահատել նախագիծը
← Բոլոր հրապարակումները

Արհեստական բանականությունը արտադրության մեջ

Այս գրառումը քննարկում է Industry 4.0-ը, այն ուղղությունները, որ այն կարող է ընդունել, և այն, թե ինչպես է AI-ը հնարավոր դարձնում այսպիսի առաջընթաց։

6 րոպե
Մեքենայական ուսուցումԱրհեստական բանականություն

Այստեղ դիտարկում ենք ոլորտ, որը շատ բան է շահելու AI-ից՝ արտադրական արդյունաբերությունը։

Միևնույն ժամանակ, արտադրողներն արդեն քաղում են ավտոմատացման, ռոբոտաշինության և տվյալներով առաջնորդվող պրակտիկաների օգուտները։ Industry 4.0-ը հատուկ տերմին է տեխնոլոգիական առաջընթացը արտադրական աշխատանքի մեջ ներմուծելու համար։ Շուտով կտանք դրա կարճ ակնարկը, հետո կանցնենք օրինակների շարքով, որոնք ցույց են տալիս, թե ինչպես AI-ը կարող է օգնել բարելավել այս ոլորտը։

Ի՞նչ է Industry 4.0-ը

industry 4.0

Աղբյուրը՝ calsoft.com

Industry 4.0-ը, որը հայտնի է նաև որպես 4-րդ արդյունաբերական հեղափոխություն, որպես տերմին առաջացել է 2010-ականներին և սովորաբար նկարագրվում է չորս տեսակի տեխնոլոգիաներով՝

  • Ավելի մեծ կապակցվածություն՝ IoT-ի և ամպային տեխնոլոգիայի միջոցով, երբեմն blockchain-ի մասնակցությամբ։
  • Առաջադեմ վերլուծություն և տվյալներով առաջնորդվող որոշումների կայացում՝ բարդ տվյալների վերլուծության և մեքենայական ուսուցման միջոցով
  • Մարդ-մեքենա փոխազդեցություն՝ VR, AR, ռոբոտաշինություն և ավտոմատացում։
  • Առաջադեմ ճարտարագիտություն՝ 3D տպագրություն, վերականգնվող էներգիա կամ նանոդրոիդներ։

Սա կարող է շատ ֆուտուրիստական հնչել, բայց դրա մեծ մասն արդեն լայնորեն օգտագործվում է (օրինակ՝ պահեստների ռոբոտացումը կամ առանց դրամարկղի խանութները, ինչպիսին Amazon GO-ն է)։ Ստորև կանցնեմ մի քանի օրինակների՝ կենտրոնանալով հիմնականում AI կողմի վրա, քանի որ դա է ամենակարևորը այս գրառման համար։

AI արտադրական արդյունաբերության համար

Հաջորդ բաժիններում կանցնենք մի քանի հիմնական կիրառման ոլորտներով, որտեղ AI-ը լավացնում է աշխատանքը գործարաններում և պահեստներում։ Կսկսենք որակի ավտոմատ ստուգումից, հետո կանցնենք փաստաթղթերի ըմբռնմանը և ավտոմատ հաշվարկին, պահեստի անվտանգությանը և կանխատեսող սպասարկմանը։

Բաղադրիչների և պատրաստի արտադրանքի որակի ավտոմատ վերահսկում

Այս օրինակները գուցե ամենաաչքի ընկնողները չեն, բայց բարձր արտադրողականության պայմաններում աշխատող լայնածավալ արտադրության մեջ թերի մասերը պետք է հայտնաբերել և հետո կամ վերանորոգել, կամ դեն նետել։ Սա կարևոր է, քանի որ նման աշխատանքը նախկինում կատարում էին մարդիկ և շատ ավելի երկար էր տևում, մինչդեռ AI-ն այժմ կարող է զգալիորեն մեծացնել արտադրության ծավալը՝ միաժամանակ նվազեցնելով արտադրության և շահագործման ծախսերը։

Ոլորտի մարտահրավերները

Այս ոլորտի հիմնական մարտահրավերներն են՝

  • Մասնագիտացված տվյալների հավաքածուները կարող է դժվար լինել ձեռք բերել։
  • Սահմանափակ transfer learning ներուժ, քանի որ յուրաքանչյուր խնդիր եզակի է։
  • Թերությունների հազվադեպությունն ու բազմազանությունը կարող է պահանջել Գեներատիվ լուծումներ (օրինակ՝ GAN-եր կամ Stable Diffusion)

Թերություններ պողպատե թիթեղներում

Պողպատի թերությունների նմուշներ Severstal dataset-ից։

Սկսենք պողպատե թիթեղների թերությունների հայտնաբերումից (թեև խնդիրը նման է թվում այլ հումքերի համար)։ Սա վճռորոշ խնդիր է, քանի որ թերի պողպատե թիթեղները կարող են հայտնվել այլ ապրանքի մեջ և ազդել դրա դիմացկունության կամ ֆիզիկական հատկությունների վրա։ Թերությունները տարբեր տեսակի ծակոտկենությունից մինչև օքսիդացումներ և ջերմությունից առաջացած տաք կետեր են։

Խնդիրը Deep Learning-ում աչքի ընկավ, երբ մարտահրավերը հրապարակվեց Kaggle-ում, ինչն էլ ծնեց հարակից հոդվածներ ոլորտում (օրինակ՝ IEEE-ի հոդվածը)։ Այս խնդրի համար լավագույնս աշխատած ճարտարապետությունները UNet-երի և FPN ցանցերի անսամբլներն էին, որոնք ուսուցանվել էին հատուկ պողպատի թերությունների տվյալների հավաքածուների վրա։

Թերություններ բարդ կառուցվածքներում (ներառյալ 3D տպագրությունը)

Տաք կետեր, որոնք հայտնաբերվել են պողպատե բարդ կառուցվածքներում, աղբյուրը՝ Towards real-time in-situ monitoring of hot-spot defects in L-PBF

Բարդ կառուցվածքները, որոնք հաճախ պատրաստվում են 3D տպիչներով, թերությունների հայտնաբերման մեկ այլ գրավիչ ոլորտ են։ Այստեղ թերությունները կարող են չնայել ուղիղ տեսախցիկին կամ նույնիսկ մակերեսին չգտնվել. դրանք կարող են լինել եռակցման կարերի կամ անկյունների վրա, ինչը դրանք դժվար է դարձնում սովորական RGB տեսախցիկներով բռնելը։ Սա շրջանցելու համար հաճախ օգտագործվում են IR/հիպերսպեկտրալ տեսախցիկներ, քանի որ դրանք կարող են ավելի քիչ զգայուն լինել շրջակա միջավայրի միջամտությունների նկատմամբ, ինչպիսին են լույսի անդրադարձումները։

Կանխատեսող սպասարկում

Կոռոզիայի հայտնաբերում, աղբյուրը՝ v7labs.com

Քանի որ IoT ենթակառուցվածքն արդեն շուրջբոլորս է, կարող ենք այս սենսորներից մի քանիսն օգտագործել կանխատեսելու համար, թե երբ կոնկրետ մասերը վերանորոգման կարիք կունենան (կորուստները կամ խափանումները նվազեցնելու համար) կամ պարզապես հետևելու դրանց վիճակին։ Ավելի մանրամասն՝

  1. Թրթռման մոնիթորինգ – անսովոր թրթռումների հայտնաբերում, որոնք կարող են ազդանշանել սպասարկման կարիքի մասին, մինչև շատ ուշ չէ։
  2. Ջերմաստիճանի հետևում – ջերմաչափերը կամ ինֆրակարմիր տեսախցիկները հնարավորություն են տալիս հայտնաբերել գերտաքացում։
  3. Յուղի որակի ստուգում – օդաճնշական համակարգերում օդի ճնշումը մոնիթորինգի միջոցով։
  4. Մաշվածքի հայտնաբերում – ինչպես վերևի օրինակում, machine vision-ն օգտագործվում է թերություններ գտնելու համար։

Արտադրական ֆոնային գործընթաց՝ փաստաթղթեր

Google-ի Document AI, աղբյուրը՝ Google Cloud

Մեծ գործարանները բերում են ավելի շատ բյուրոկրատիա և, վաղ թե ուշ, փաստաթղթերի անընդհատ աճող քանակ։ Ինչ-որ պահի մեկ մարդ պարզապես չի կարող ամեն ինչին հետևել, և հենց այստեղ են գործի մեջ մտնում փաստաթղթերի ըմբռնումը և OCR-ը։ Ես խոսում եմ ոչ թե հիմնական OCR-ի մասին, ինչպես համարանիշերը կարդալը, այլ Relation Extraction-ի մասին (օրինակ՝ ճկուն կերպով պարզել, թե ով ինչ է վաճառել ում և ինչ քանակով), ինչպես առաջարկում են Google-ը, Microsoft-ը կամ նույնիսկ Snowflake-ը։ Քանի որ թեման բավական բարդ է և ունի շատ ոլորտային մարտահրավերներ, ընկերությունները հազվադեպ են ընտրում մասնագիտացված ներքին գործիքներ և փոխարենը բավարարվում են վերոնշյալ ամպային մատակարարների «բավական լավ» ընդհանուր նշանակության գործիքներով։

Ոլորտի մարտահրավերները

Այս ոլորտի հիմնական մարտահրավերներն են՝

  • Դասավորվածքի հետ կապված խնդիրներ, ինչպես աղյուսակների և էջի ընդմիջումների վերլուծությունը։
  • Ճիշտ պիտակավորված տվյալներին սահմանափակ հասանելիություն։
  • Բազմալեզու փաստաթղթերի սահմանափակ մշակում։

Ավտոմատ հաշվարկ զանգվածային արտադրության մեջ

Աղբյուրը՝viso.ai

Արտադրությունը հաճախ ներառում է ապրանքների մեծ քանակությունների արտադրություն, ինչը կարող է պահանջել դրանք հաշվելու արագ և հուսալի եղանակ։ Սա կարելի է իրականացնել մեխանիկական միջոցներով կամ լուծումներով, որոնք պարզապես տեսախցիկներ են օգտագործում ճշգրիտ քանակները որոշելու համար։ Computer Vision հավելվածը կարող է դա կատարել և հետո տեղակայվել տարբեր կոնֆիգուրացիաներում (ներառյալ շարժական հավելվածները)։ Նման լուծումները սովորաբար հենվում են լավ կարգավորված օբյեկտների հայտնաբերման վրա և բավական հեշտ է կառուցել և տեղակայել։

Ոլորտի մարտահրավերները

Այս ոլորտի հիմնական դժվարությունը, սակայն, միջավայրերի բազմազանությունն է՝ ֆոնի, լուսավորության և հնարավոր փակվածությունների առումով։

Անվտանգության ներմուծումը արտադրական գործընթացներ

Միջադեպերի կանխատեսում Scanflow-ի կողմից։ Աղբյուրը՝ scanflow.ai

Պահեստներն ու գործարանները անվտանգ վայրեր չեն. վնասվածքներ կամ այլ տեսակի վնասներ կարող են տեղի ունենալ բառացիորեն ամեն անկյունում։ Ցանկացած միջադեպ կարող է վնասել թե՛ մարդկանց, թե՛ սարքավորումները, ինչն իր հերթին բարձրացնում է ծախսերը և խաթարում մատակարարման շղթան։

Ավելին, պահեստները ավելի ու ավելի են լցվում ավտոմատացված մեքենաներով, ուստի նման միջադեպերը կանխատեսող և կանխող բարդ լուծումները չափազանց արժեքավոր են (օրինակ՝ արտադրական գծի մոտ կամ երբ տեղափոխվում են պալետների դարակները)։

Scanflow-ը և Surveily-ն նման լուծումների լավ օրինակներ են։ Դրանք կարող են ոչ միայն նվազեցնել միջադեպերը, այլև օգնել կիրառել անվտանգության որոշակի քաղաքականություններ արդյունաբերական միջավայրերում։

Ոլորտի մարտահրավերները

Surveily-ի տեսանյութի վերլուծություն, աղբյուրը՝ suveily.com

Այս ոլորտի հիմնական մարտահրավերներն են՝

  • Տեսանյութի ժամանակային կողմը (օրինակ՝ բախման հավանականությունը)
  • Սահմանափակ տվյալների հասանելիություն։
  • Հնարավոր միջադեպերի անսահմանափակ շրջանակ։

Նոր ապրանքների մշակում

Nvidia H100 structure

Հայացք Nvidia H100-ի կառուցվածքին, որը մասամբ նախագծվել է AI-ի կողմից, Աղբյուրը՝ Nvidia

Օգտագործման, խնդիրների, պահանջարկի և շուկայի մասին ընդարձակ տվյալները հնարավորություն են տալիս նախագծել նոր և ավելի լավ ապրանքներ։

Nvidia-ն հիանալի օրինակ է. այն փորձարկում է Գեներատիվ AI և Reinforcement Learning չիպերի նախագծման մեջ։

Ոլորտի մարտահրավերները

Գործնականում այս ոլորտի հիմնական մարտահրավերներն են՝

  • Գնահատման նպատակներ, որոնք հստակ չեն։
  • Ցանկացած առաջարկվող լուծում պետք է հարգի ֆիզիկայի օրենքները (ինչը հաճախ բարդ է Գեներատիվ AI-ի դեպքում)։
  • Մանրամասն, մշակված սիմուլյացիոն միջավայրի անհրաժեշտությունը։

Եզրակացություններ

Այս գրառումը քննարկեց Industry 4.0-ը, այն ուղղությունները, որ այն կարող է ընդունել, և այն, թե ինչպես է AI-ը հնարավոր դարձնում այսպիսի առաջընթաց։ AI-ը ավելի ու ավելի լայնորեն է ընդունվում, ոչ միայն չատբոտների տեսքով, այլև կիրառական Computer Vision-ի առաջընթացի շնորհիվ (ինչպես ցույց տվեցին վերևի բազմաթիվ օրինակները)։