Deniz geniş ve balıklar sıçradı: endüstriyel bir sahnede bir yapay zeka teknolojisi uygulamasını hatırlayın
Yükselen tüketici düzeyinde yapay zeka ile karşılaştırıldığında, yapay zeka teknolojisinin endüstri ve üretimde gelişimi ve inişi ılımlı görünüyor. Endüstriyel zeka zayıf yapay zekaya ait olsa da, bir dereceye kadar yüksek derecede "özerkliği" ve "bağımsızlığı" daha fazla dikkate alınmalıdır. Örneğin, endüstriyel robotlar genellikle belirli alt bölüm görevlerini yerine getirmek için tasarlanırken, modern robotlara yeni bir görev verilir: gerçek zamanlı kararlar vermek.
Bugünün kahramanı ile bir röportajda Zhu Wu, Tianze Zhiyun'un Baş Mimarı Önceleri endüstriyel zeka, sanal ajanlar ve endüstriyel İnternet gibi kavramların açıklanması karmaşık bir şekilde zor görünüyordu ve bu aynı zamanda endüstriyel zekanın arkasındaki teknolojik gelişmenin endişemizin boş alanlarından biri haline geldiğini de yansıtıyor. Bu nedenle, endüstriyel sahnelerin mekanizması, veri çıkarma, modelleme ve eğitim gibi endüstriyel zekanın arkasındaki teknik zorluklar ve akıllı karar verme sisteminin teknik mimarisi hakkındaki sorularla bu merak yolculuğuna başladık.
1 Açılış: Endüstri için Akıllı Adalet
"Makinelerin Kalbi" nde yazar Ray Kurzweil'in cesur bir öngörüde bulunduğunu hala hatırlıyorum: Geleceğin dünyasında insanlar ve makineler birbirinden ayrılamaz ve insanlar artık her şeyin ruhu olmayacak.
Yapay zeka uygulaması nihai ürün olarak kabul edilirse, "ürün kalitesinin" çeşitli unsurlarını belirleyen beş unsur, endüstriyel zekanın beş unsurlu modelini, yani "insan-makine malzeme yasası halkasını" oluşturur. Eski anlayışta insanlar faaliyetlerin ilk itici gücü olarak var olmuşlardır ve diğer dört unsurla aynı kategoriye ait değillerdir. Bununla birlikte, endüstriyel zekanın uygulanmasıyla üretim organizasyonu değişti:
Zhu Wu, Bu modelde faaliyet sanal bir aracıdır ve faaliyetteki insanların önemi zayıflamıştır. Faaliyetin ilk itici gücü, etkinliği yansıtan verilerden (bilgi) gelir. Bu, endüstrideki zekadır. Uygulamanın getirdiği en büyük değişiklik ve önem. Mevcut teknolojik gelişim perspektifinden bakıldığında çoğu endüstriyel sahne uygulaması bu tam sanallık ve tam zeka seviyesine ulaşmamış olsa da Zhu Wu, üretim organizasyonunun değiştiğini vurguladı. Akıllı uygulamalar yönündeki yeniliğe karşılık gelen, sistemlerin analiz edilmesi ve oluşturulması yöntem ve süreçlerini doğrudan etkiler.
Ve bu noktada, yanlış hava kavramını vurgulamaya çalışmıyoruz. Endüstriyel sahneyi tanımlayan mekanizma, aktif sanal akıllı varlıklar oluşturmada çok önemli bir temel rol oynar.
Çin'de endüstriyel alan için yapay zeka çözümleri sunan şirket sıkıntısı olmadığı görülebilmektedir.Her zaman büyük veri şirketleri, bulut bilişim satıcıları ve benzerleri vardır, ancak çoğu endüstriyel senaryoların sorun alanını net bir şekilde tanımlayamayabilir veya belirlenmesi zor olabilir. Endüstriyel senaryo analizi için bilgi ve veri boyutları.
Örneğin, kullanıcının üretim hattını optimize etmesi gerekiyorsa, o zaman belirli üretim hattının analiz edilmesi gerekir.Ana sorun üretim hattı ekipmanını, sürecini veya personel sorunlarını mı etkiliyor? Bu, problem alanını tanımlama sürecidir; başka bir örnek, problemin şanzımanın arızasını tahmin etmek olduğunu belirlemektir, daha sonra şanzımanın yapısını, çalışma modunu ve çalışma durumunu, arıza modunu ve problemin analizinde yer alan ilgili arıza fenomenini bilmeniz gerekir. Varlık nesnesinin alan bilgisi.
Özetle, bir endüstriyel sahnenin mekanizma tanımının makul bir seviyede ve ayrıntılı problem tanımına dayanması, ilgili bir veri seti elde etmesi ve son olarak problemden veri setine ve ardından özelliğe bir eşleme oluşturması gerekir. .
Fakat aynı zamanda, mevcut endüstriyel zeka henüz emekleme aşamasında ve çoğu senaryoda henüz tam olarak akıllı değil, ancak sistem aktivite optimizasyonu ve kendi kendine adaptasyon gibi özelliklere sahip olduğu sürece endüstriyel zeka uygulamaları kategorisine girebilir.
2 Huangsha tüm savaşlarda altın zırh giyiyor - endüstriyel zekanın gerçekleştirilmesinin arkasındaki teknik zorluklar
Sorun alanlarının belirlenmesi ve analiz yöntemleri gibi birçok bağlantının bağlantısı, endüstriyel zekanın gerçekleştirilmesinin karşılaştığı teknik zorluklara veya tüketici düzeyinde yapay zekaya karşılık gelenlerden çok daha fazlasına yol açacaktır.
Örneğin, General Electric (General Electric) 2015 yılında GE Digital'i piyasaya sürdüğünde, GE Digitalin CTO'su Harel Kodesh şunları önerdi: endüstriyel veriler yanlış, endüstriyel zeka risk kontrolü ve yanıt yetenekleri için yüksek gereksinimlere sahip, terminal işleme yetenekleri sınırlı ve karmaşık Model, endüstriyel zeka ile tüketici yapay zekası arasındaki önemli farkı göstererek açıklanmalıdır, bu da endüstriyel zekanın veri, algoritmalar ve model eğitimi açısından açması gereken bazı "yeni alanlara" yol açmıştır.
Röportajda Zhu Wu bize veri özelliği çıkarma ve modellemenin teknik zorluklarını açıkladı:
Endüstriyel veriler çok kaynaklı, karmaşık ve dinamiktir Örneğin, bir dizel motor silindirinin egzoz sıcaklığı yakıta, yanmaya, emme sıcaklığına, sızdırmazlığa, vb. Bağlıdır. Bu nedenle, özellik çıkarma, yüksek arka plan gürültüsü altında doğru ve hızlı boyut azaltımı gerektirir. Ayrıca veri modelleme ve eğitim seviyesinde, Endüstriyel uygulamaların parçalanması, kişiselleştirilmesi ve profesyonelliği, genel ve bireysel, çok yönlülük ve kişiselleştirme arasında bir denge kurmak için modelleme ve eğitim gerektirir. .
Yani, yapay zekayı gerçekleştiren çok sayıda anahtar teknoloji var.Veri algısı, büyük veri, makine öğrenimi, otomatik kontrol, simülasyon vb. Endüstriyel zekaya nasıl daha iyi uygulanabilir? Zhu Wu, mühendislik gerçekleştirme perspektifinden endüstriyel zekanın gerçekleştirilmesinin anahtarının aşağıdaki gibi olduğuna inanıyor:
Endüstriyel senaryoyu tanımlayın: Yukarıda bahsedildiği gibi, problem alanında yer alan endüstriyel senaryonun tanımının doğruluğu ve bütünlüğü, problemin çözülme derecesini belirler;
Veri tamlığı ve kalitesi: Endüstriyel alan verileri genellikle çok fazla gürültü içerir ve veri aralığı ve kalitesi, sonraki işlemenin zorluğunu ve nihai sonucun doğruluğunu belirler;
Akıllı uygulama destek ortamı: Endüstriyel akıllı uygulamanın kendisi parçalanma, kişiselleştirme ve uzmanlaşma özelliklerine sahiptir.Veri ortamı, model geliştirme deney ortamı, uygulama dağıtım ortamı vb. Dahil olmak üzere hızlı ve etkili bir uygulama uygulama ortamı nasıl sağlanır, endüstriyel akıllı uygulamaları belirler Promosyon ve müşteri kabulünün hızı.
2006 gibi erken bir tarihte, Amerika Birleşik Devletleri "bilgi-fiziksel sistem" kavramı olan Siber-Fiziksel Sistemi (CPS) önermiş ve bu teknik sistemi yeni nesil teknolojik devrim için bir atılım noktası olarak görmüştür.
American NSF Intelligent Maintenance System Center kurucu direktörü Profesör Li Jie ve Tianze Zhiyun CTO'su Liu Zongchang tarafından ortaklaşa yayınlanan "Endüstriyel Büyük Veri:" Görünmez Dünyada Madencilik Değeri "başlıklı makaleye göre, CPS açık bir yapı ve kullanımdır. Sürecin teknik sistemi, veri toplama, özet, analiz, sıralama ve analiz için eksiksiz bir işleme prosedürleri setini gerçekleştirebilen ve endüstriyel verilerin boru hatlı gerçek zamanlı analizini gerçekleştirebilen endüstriyel büyük verilerin özelliklerine ve analiz gereksinimlerine dayalı olarak oluşturulmuş teknik bir sistemdir. Yetenek ve analiz sürecinde mekanizma mantığı, süreç ilişkileri, faaliyet hedefleri ve iş faaliyetlerinin özelliklerini ve gereksinimlerini tam olarak dikkate alın. Bu nedenle, endüstriyel büyük veri analizinde akıllı sistemin çekirdeği olarak kullanılabilir.
Şekil Not 1: CPS'nin 5C mimarisi
3 Böylece, akıllı karar verme sistemi,
Zhu Wu'nun görüşüne göre, CPS bir simülasyon ortamının niteliklerine sahip olmasına rağmen, büyük ölçüde zekidir. "Endüstriyel senaryolarda, birçok ayrıntı, makinelerin veya sistemlerin otomatik olarak öğrenme ve ayarlama yeteneğine sahip olmasını gerektirir." Ek olarak, CPS, fiziksel sanal alanın bir haritalaması olan ve fiziksel ekipman ile sanal ekipman arasında korelasyon ve karşılıklı etkinin oluşumunu sağlayan işbirliği kavramını içerir - Zhu Wu buna kendi kendine işbirliği adını verir.
Endüstriyel zeka mekanizmasının özgüllüğü, endüstriyel zeka uygulamalarının uygulama hızındaki artış (büyük miktarda zaman alan algoritma seçimi ve veri teşhis işleminden kaçınmak) ve uygulamasını ve yöntemlerini standartlaştırma ihtiyacı, akıllı karar verme sistemlerinin geliştirilmesini ve başlatılmasını gerekli kılmıştır. Zezhiyun Endüstriyel Akıllı Karar Sisteminin doğuşu da bu arka plana dayanmaktadır:
Endüstriyel bilgiyi şablonlamak için : Zhu Wu, endüstriyel zekanın karar analizinin endüstri ile ilgili alan bilgisine, bilgisayar bilimine ve akıllı modelleme teknolojisine daha bağımlı olduğunu, ancak aynı anda bu üç yön hakkında bilgi sahibi olan daha az insan bulunduğunu, bu nedenle endüstriyel bilgiyi şablonlamanın kaçınılmaz hale geleceğini vurguladı. , Böylelikle endüstriyel zekayı uygulamanın zorluğunu azaltır;
Endüstriyel akıllı uygulama geliştirme ve dağıtım döngüsünü kısaltın Endüstriyel zeka uygulamaları hızlı yanıt verme yeteneğine dikkat eder ve uygulama hızını artırır.Algoritma, yazılım uygulaması ve sistem uygulaması gibi teknik katmanlar bir dizi sistemde paylaşılabilirse, geliştirme süresi büyük ölçüde azaltılabilir;
Bu nedenle, Tianze Zhiyun, akıllı karar sisteminin veri erişimi, veri depolama, model yayınlama ve uygulama yayınlama için işlevsel destek sağlamasına izin verir, temelde bilgisayar bilimi ile veri bilimini ayırır, böylece veri bilimciler model geliştirmeye odaklanabilir;
Standartlaştırılmış çözümlerin yapımını destekleyin : Zhu Wu, farklı veri ortamları, veri kalitesi ve iş uygulamalarının karmaşıklığı nedeniyle şu anda farklı sektörler için özelleştirilmiş ihtiyaçları olan farklı şirketlerin, modelin tanımlanmasından uygulamanın devreye alınması ve uygulanmasına kadar 2-3 ay sürdüğünü analiz etti. Yeni uygulama senaryolarıyla karşılaşmak 3-4 ay sürecektir. Endüstriyel senaryolarda çok fazla belirsizlik vardır, bu nedenle akıllı karar sisteminde özellik çıkarma, veri işleme, sahne tanımı vb. Gibi ilgili yöntemleri desteklemek çok gereklidir.Standartlaştırılmış bir uygulama yöntemi ve çözümü tüm endüstrinin gelişimini destekleyebilir. Endüstriyel zekanın ilk aşamasındaki "bağımsızlık" çıkmazından kurtulmak için.
Şu anda, CPS 5C (Intelligent Algı Katmanı, Bilgi Madenciliği Katmanı, Ağ Katmanı, Bilişsel Katman ve Yapılandırma Yürütme Katmanı) bu ilgili uygulamalara akıllı karar sisteminde sahiptir. :
-
Akıllı algılama katmanı için: akıllı karar sistemi, alan verilerine uç hesaplama uç noktası üzerinden erişimi destekler;
-
Bilgi madenciliği katmanı için: göreve dayalı veri geçişini ve çeşitli veri kaynaklarının dinamik erişimini ve montajını destekleyin;
-
Ağ katmanı için: varlık semantiğine dayalı veri erişimi sağlayın;
-
Bilişsel katman için: algoritmaların ve modellerin test edilmesini, deneme çalışmasını ve serbest bırakılmasını destekleyin;
-
Yapılandırma katmanı için: çeşitli iş hizmetlerinin entegrasyonunu destekleyin.
Ancak aynı zamanda Zhu Wu, açık bir şekilde, mevcut yerel endüstriyel istihbarat gelişiminin sınırlamaları ve çeşitli senaryolar arasındaki parçalanma nedeniyle CPS sisteminin karmaşıklığı ile birleştiğinde, mevcut akıllı karar verme sisteminin CPS'nin tam olarak gerçekleştirilmesi olarak adlandırılamayacağını söyledi. .
4 Akıllı bir karar verme sistemi, akıllı karar almayı başarmak için teknolojiyi nasıl kullanır?
Endüstriyel ortamdaki farklı kullanım senaryolarının kısıtlamaları nedeniyle Tianze Zhiyun, dağıtım ortamına ve iş senaryolarına göre farklılaştırılmış teknik uygulama yöntemleri benimseyecektir.Bu nedenle, akıllı karar verme sisteminin teknik mimarisinin de belirli senaryolara göre ayarlanması gerekir. Aşağıdaki şekil, Tianze Zhiyun akıllı karar verme sisteminin en üst düzey işlevsel mimari şemasının tam bir resmidir:
Şekil Not 2: Tianze Zhiyun Akıllı Karar Sisteminin işlevsel mimarisi
Fonksiyonel mimari diyagramından görülebileceği gibi, akıllı karar sistemi, veri analizi ve tasarımı, hesaplama ortamı, CPS işbirliği entegrasyon motoru, hizmet ortamı, veri erişimi, veri kalıcılığı ve iş uygulaması APP gibi çok sayıda modüle bölünmüştür.
Zhu Wu, işlevsel mimariyi bir kenara bırakarak, Akıllı karar verme sisteminin teknik mimari tasarımı, üç önemli husus gerektirir :
1. Teknolojinin ikame edilebilirliğine odaklanın . Yeni teknolojilerin sürekli yinelenmesi, endüstriyel senaryolara özel hazırlanmış genel BT çözümlerinin bulunmaması ve çeşitli firmaların kullandığı teknoloji yığınlarındaki farklılık nedeniyle mimari tasarımda yüksek teknoloji birleştirme sağlanmaması gerektiği belirlenmiştir.
2. CPS konseptinin haritalandırılmasını gerçekleştirin . Veri organizasyonu ve hizmet organizasyonu açısından Zhu Wu, genel karar verme sisteminin dinamik işbirliği veya kendi kendine organizasyon kavramını yansıtması gerektiğine inanıyor.
3. Bilgi işlem ortamını ve hizmetleri ayırın . Zhu Wu, demontajın nedeninin iki farklı hizmet kavramını somutlaştırmak olduğunu açıkladı. Genel hizmet ortamının eşzamanlılığı yatay olarak genişletilir, ancak hesaplama ortamındaki hizmet yürütme ölçeklenebilirlik ve eşzamanlılık açısından farklı stratejilere sahiptir.Ayrıca, algoritmalar arasındaki güçlü bağımlılıkla birlikte, bilgi işlem ortamını ve hizmet ortamını entegre etmek gerekir. Ayrı.
Örnek olarak bir rüzgar çiftliğinin rüzgar gücü tahmin fonksiyonunun gerçekleştirilmesini ele alalım, gerçekleşme aşağıdaki şekilde gösterilmektedir:
Tüm yapı, işlevsel yönlere ve sanal varlık kaynaklarına dayalı iç organizasyona dayalı olarak dış hizmetlere ayrılmıştır. Harici bir talep yapıldığında, API ağ geçidi ilk olarak hizmet kaydı ve keşfine göre hizmetleri sorgulamak ve konumlandırmak için kullanılır Rüzgar gücü tahmin hizmeti başlatılmadığında, hizmet kaydı ve keşif hizmet planlamasını bildirir ve hizmet planlaması rüzgar gücü tahmin hizmetini oluşturur ve başlatır. Rüzgar gücü tahmini, ilgili sanal fiziksel kaynaklarını talep etmek için rüzgar çiftliklerinin toplam çıktı gücü tahmini, tek rüzgar türbininin çıktı gücü tahmini, vb. Gibi belirli işlevler gerektirecektir. Sanal fiziksel kaynaklar, harici veri sağlama becerisine sahip sanallaştırılmış cihazlar olarak kabul edilebilir.Sanal cihazlar, ilgili veri erişimini, veri kalıcılığına dayalı veri setlerini ve ilgili bilgi işlem görevlerini mantıksal olarak düzenler.Aynı zamanda, kullanıcı tanımlı cihazlara göre tanımlanabilirler. Veri erişiminin gerçek zamanlı durum verileriyle birleştirilen strateji, davranışını otomatik olarak yürütür ve yönetir.
5 Akıllı karar verme sistemlerinde yüksek eşzamanlılık ve yüksek kullanılabilirlik sorunları
Endüstriyel senaryolarda, veri kalitesi, veri kapsamlılığı ve veri doğruluğu birçok şirketin "sıcak patatesleri" dir. "Bir problemi çözmek için veri modellemeyi kullanırken, analiz edilen nesne ile ilgili kapsamlı parametreler elde etmek gerekir." Ayrıca, bilgi işlem ortamını yüksek eşzamanlılık ve yüksek kullanılabilirlik zorluğuyla yüzleşmek için akıllı karar sisteminin bir parçası haline getirir.
Tabii ki, açıklığa kavuşturulması gereken bir nokta, buradaki yüksek eşzamanlılık ve yüksek kullanılabilirliğin anlamının geleneksel anlamdan farklı olmasıdır. Zhu Wu'nun açıklamasına göre, endüstriyel zekanın çalışma senaryosu netleştirildikten sonra, eşzamanlılık miktarı önceden tahmin edilebilir ve netleştirilebilir, bu nedenle yüksek eşzamanlılığa kesin referans, farklı iş senaryolarındaki farklı yüklerin nasıl olması gerektiğini düşünün. Zamanlama stratejisinin ve hizmet organizasyonunun nasıl optimize edileceğini belirleme, kaynakların verimli kullanımını çözmek için tek bir uygulama örneğinin daha iyi çalışmasını sağlar.
Benzer şekilde, yüksek kullanılabilirlik genellikle sistemin tasarım yoluyla hizmet sağlayamayacağı sürenin azaltılması anlamına gelir. Bununla birlikte, endüstriyel akıllı hesaplama ortamında, algoritma yüklemesi gibi sorunlar nedeniyle, hizmet hatası zamanını tam olarak belirlemek veya hizmet etkinliğinin doğru bir şekilde yargılanmasını gerçekleştirmek imkansızdır.
Endüstriyel sahne Yüksek eşzamanlılık sorununu çözmek, esasen verimliliği artırmaktır ve verimliliği artırmanın kilit noktalarından biri de veri uyumunu sağlamaktır. . Zhu Wu ekibi, endüstriyel ortamın özelliklerine göre akıllı karar verme sisteminin ortak tasarım stratejilerine ek olarak bir veri bloğu tasarım yöntemi benimsedi:
Endüstriyel zeka uygulamaları genellikle verileri fiziksel nesnelere göre toplar, depolar ve bunlara erişir, bu nedenle verilerin yerelleştirilmiş özellikleri vardır.
Zhu Wu, veri toplamak için, dağıtılmış önbellek Redis'i kullanmadan önce genellikle belirli bir veri düğümüne hashing uygulandığını ve yürütülebilir düğümü ve verileri aynı makinede aynı mekanizmayı uygulamak için yapmanın en iyisi olduğunu açıkladı. Haritalayın ve aynı anda nispeten uygun bir zaman eşiği belirleyin, böylece daha iyi tahsis elde edilebilir.
Ek olarak, yüksek kullanılabilirlik sorunu, kaynak soyutlama yoluyla, yani işletim kaynaklarını ve işletim varlıklarını ayırmak ve gereksinimlere göre işletim kaynaklarını dinamik olarak tahsis etmek yoluyla da çözülebilir.
Bu bağlantı aslında bilgi işlem düğümlerini yeniden kullanma sorunu olarak anlaşılabilir ve bilgi işlem düğümlerini gerçek ihtiyaçlara göre dağıtmaya çalışır. Örneğin, erişim talep edildikten sonra, kaynak boşluğunun sonucu kaynak yönetiminden elde edilebilir ve karşılık gelen düğüm, bir programlama stratejisi kullanılarak bulunabilir, böylece doğrudan hesaplama düğümü ile bir ilişki kurulabilir. Yürütme süreci sırasında sorunlar, hizmet izleme ve esnek zamanlama yoluyla zamanında keşfedilebilir.
Bu nedenle, akıllı karar verme sisteminde, algoritma ve modellerin yönetimi, çalıştırılması ve planlanması için bir platform olarak bilgi işlem ortamının (iş senaryoları açısından) aşağıdaki özelliklere sahip olması gerekir:
-
Algoritmalar ve modeller, farklı işletim ortamlarına ve bileşen paketlerine bağlıdır ve birden fazla entegrasyon biçimi vardır. Bilgi işlem ortamının, farklı programlama dilleri ve çerçevelerinin algoritmalarına ve model entegrasyon yeteneklerine sahip olması gerekir
-
Bilgi işlem ortamı, hizmet yönetişimi için belirli algoritmalar ve model durum yönetimi mekanizmaları benimsemelidir . Bazı algoritma ve modellerin yürütülmesi için zaman eşiği yöntemi uygun değildir;
-
Algoritma ve model yürütme verimliliği, Algoritmalar ve modeller arasında veri paylaşımını ve işbirliğini dahil etme , Ve algoritma ve modelin iç ara sonuçlarının aktarım stratejisi;
-
Bilgi işlem ortamının farklı işletim ortamlarında dağıtılması gerekir ve Bilgi işlem ortamının gerçek ihtiyaçlara göre ölçeklendirme ve seçici olarak devreye alma yeteneği .
Veri erişimi, saha verilerinin ve sistem sınırları dışındaki verilerin sisteme erişim kabiliyetini gerçekleştirmektedir.Endüstriyel veri uygulamalarının özelliklerine göre, Veri erişiminin aşağıdaki özelliklere sahip olması gerekir :
-
Çoklu protokol entegrasyonu ve edinme stratejilerinin uygulanması : IoT, erişim veri katmanında çeşitli protokollere sahiptir, bu nedenle farklı protokollerin entegre edilmesi gerekir. Ek olarak, koleksiyon stratejisi de sürekli değişiyor, ancak standardizasyonu ve markalaşmayı teşvik etmek istiyorsanız, birçok koleksiyon stratejisi geçersiz hale gelecek, bu nedenle mevcut çözümler ancak manuel olarak çözülebilir.
-
Zamana duyarlı birden çok verinin iki yönlü aktarımı : Tianze Zhiyun'un mevcut iş senaryosunda, zamana duyarlı iki iletim vardır: yükleme ve indirme. Yükleme, durum verilerini, dosyaları veya titreşim vb. Tarafından oluşturulan veri kümelerini içerir ve verilerin indirilmesi talimat verilerini ve güncellemeleri içerir.
-
Pik kaydırma kontrolü : Gerçek zamanlı verileri yüklerken ve indirirken, veri birikimi ve tıkanıklıkla karşılaşabilirsiniz. Temel iletim mekanizmasının uygulanması, bazı IoT bileşenlerinde gerçek zamanlı performansı büyük ölçüde optimize etmez. Bu nedenle, konfigürasyon yazılımı endüstride bu tür sorunları çözmek için kullanışlıdır. Bununla birlikte, konfigürasyonun kendisi organizasyonel bir durumdur ve konfigürasyon yazılımı gerçek zamanlı değil, konfigüre edilebilir ve ayarlanabilir bir yazılım sistemine atıfta bulunur. Dolayısıyla, veri erişimi olduğunda yüzleşmek kolaydır Fiziksel olarak aynı bağlantıda rekabet , Bu yüzden uygun kontrole ihtiyacı var.
Buna ek olarak, veri erişimi, kararsız bir durumda güvenilir veri iletimi, veri ön işleme (kalite filtreleme dahil), varlık bilgisi ve arka plan bilgisi füzyonu gibi çok boyutlu teknik zorluklarla da karşı karşıyadır.
Akıllı bir rüzgar çiftliğinin enerji yönetim sistemini örnek olarak alın, ihtiyaç duyduğu verilere aşağıdaki şekilde gösterildiği gibi erişilir:
Yukarıdaki şekilden de görülebileceği gibi, veri kaynaklarının çeşitliliği, veri bağlantıları, veri iletişim protokolleri, zamanındalık ve güvenlik kısıtlamaları. Şu anda, Tianze Zhiyun, veri erişimi sorununu çözmek ve tamamlamak için bir yazılım ve donanım kombinasyonudur. Erişimin bir kısmı, uç bilgi işlem, endüstriyel IoT ağ geçidi, PLC / SCADA gibi donanım olanaklarıyla çözülür ve veri erişiminin diğer bir kısmı, yazılım düzeyinde iletişim aracıları ve veri yolu teknolojisi aracılığıyla çözülür. Genel olarak, teknoloji yığınını kökten birleştirmek ve akıllı erişimin gerçek inişini gerçekleştirmek için endüstrinin ortak tanıtımına ve politikalara hala acil bir ihtiyaç vardır.
6 Yetenekler endüstriyel zekaya nasıl gerçekten "uydurulur"?
Görüşme sırasında Zhu Wu, endüstriyel sahne mekanizmasının özelliği ve farklılığı hakkında birçok kez bizimle konuştu.Her ikisi de endüstriyel zekanın geliştirilmesinin, uygulayıcıların yalnızca veri ve algoritmalar gibi teknik becerilere sahip olmasını gerektirmediğini, aynı zamanda çeşitli Endüstriyel alanda yeni bilginin "istilası". Bu, uygun yetenekleri seçmek ve yeni üyelerin daha hızlı büyümesini sağlamak için daha fazla zorluk çıkarır.
Zhu Wu, üç eğitim yöntemine odaklandı:
Bunlardan biri üyelere net bir konumlandırma ve planlama sağlamaktır. , Bulunduğu teknik boyutu belirleyin, teknik olarak onu kesin yönlere ve mesleklere ayırın ve onunla birlikte bir kariyer gelişim yolu planlayın; Zhu Wu'nun ekibi şu anda geleneksel tek bir büyüme planını benimsemiyor, ancak genellikle üç Grupta, görevler verilirken ekip olarak yürütülür, böylece grup içindeki teknik iletişim atmosferini teşvik eder ve herkesin daha hızlı büyümesini sağlar.
İkincisi, teknoloji paylaşımını ve rotasyonu vurgulamaktır . Zhu Wu'nun ekibi, teknik ücretsiz dönüşüm sağlamak için daha yeterli uygulama ve çözümler elde etmek için belirli bir teknik alanda belirli bir birikimi başka bir teknik alanın yapımına katılmaya teşvik ediyor.
Üçüncüsü, tam güven ve makul görev atamasıdır .
Endüstriyel zeka, inişe ulaşmak için daha fazla kısayol ve fırsatçı yola sahip değildir. İster teknik düzeyde bir atılım, ister yeteneklerin özümsenmesi olsun, yeryüzünde anahtardır. Zhu Wu'nun görüşmelerde endüstriyel mekanizmaları anlamanın önemini sürekli vurgulamasının nedeni de budur.
Görüşülen misafirlerin tanıtımı
Tianze Zhiyun'un baş mimarı Zhu Wu, bir dizi ulusal anahtar tip bilimsel araştırma projesini üstlenmiştir ve endüstriyel alanda yazılım sistemi geliştirme, test etme ve mimari tasarımda iyidir. Deniz Kuvvetlerinin lojistik ekipman destek sisteminin bilgilendirme yapısını yöneten ve uygulayan Çin Gemi Sistemi Mühendisliği Araştırma Enstitüsü'nde çalıştı; baş mimar olarak IMS ile işbirliği yaptı ve geminin akıllı işletim ve bakım (SOMS) sistemi gibi birden fazla akıllı sistemin mimari tasarımına katıldı. Ve uygulama.
