角度为一体的硬件和算法。
德克迈耶和奥拉夫Enge-Rosenblatt
由于数字化,现代机器和系统提供了大量的数据,形成的一个重要基础优化生产流程、操作和安全。
然而,这些数据集变得越来越复杂,这使得简单的分析方法通常使用在过去往往无效。这是一个因素推动人工智能(AI)的重要性上升在决策过程。
所需的处理和存储能力培训和管理人工智能系统提供目前主要由大型商业云操作。这些平台,比如算法开发本身,往往是面向b2c市场的数据分析。
然而,一些障碍和挑战做站的持续有效实施人工智能解决方案:
工业使用的人工智能,因此有必要考虑概念,包括分布式的、高性能的硬件与调整算法。本地的数据分析(前提)使独立操作和建立固有的数据安全。处理尽可能数据源——行业,这些通常是过程集成传感器,保证低延迟和提高质量的结果在早期分析阶段。
广泛的系统开发工作仅仅是经济可行的,如果建立了过程系统工程的认知物联网设备转移到一个特定于行业的环境。
高效、低风险和节省时间的实现,有必要从一开始就采用一种综合的方法,结合行业专家的知识和数据分析师和硬件开发人员的专业知识。
这里重要的是数据分析的结合工业过程的理解为了处理的数据量有限。扩大的基础数据,人工智能方法,从数字双训练数据,也可以使用。这需要过程的深入理解,。根据这些初步考虑,有可能得出的关键条件,设计硬件和基础设施,如额外的测量变量的选择或改编的样本的数据流。
除了必要的数据安全需求,功率因素很重要,尤其是对移动应用程序,分析结果的分布在当地的IT基础设施——从前提云上的芯片上集成算法接近传感器的硬件。
这样一个方法是敏捷的开发迭代和控制风险,当验证仍然总是发生符合整个系统的需求组成的工业过程,算法和硬件。这允许快速发展,高性能、AI在工业应用程序定制的解决方案。
奥拉夫Enge-Rosenblatt集团经理计算分析在弗劳恩霍夫IIS的自适应系统分部工程。
|
|
|
|
|
|
|
|
|
|
留下一个回复