Selama lebih sedekad, Internet Perkara (IoT) telah berkembang dengan mantap, dipacu oleh percambahan peranti yang bersambung. Berbilion-bilion peranti bersambung hari ini menyediakan perniagaan peluang yang belum pernah berlaku sebelum ini untuk mengumpul dan menganalisis data daripada dunia fizikal untuk meningkatkan proses perniagaan mereka. Dalam sesetengah kes, mereka juga memacu model perniagaan yang baru dan berjaya, mengetuai perusahaan untuk mengharungi gelombang penggunaan IoT.
Dalam kebanyakan kes, perusahaan memproses data IoT dalam kelompok tepi atau awan, bukan dalam peranti tepi dan mikropengawal. Kemunculan pembelajaran mesin terbenam dan TinyML mengganggu paradigma ini, mendorong kecerdasan aplikasi ke pinggir rangkaian IoT. Seperti yang dinyatakan dalam artikel pertama dalam siri ini, ini memberikan faedah yang ketara, termasuk:
Manfaatnya nyata dan mempunyai kaitan perniagaan yang jelas. Keupayaan untuk perusahaan menggunakan lebih banyak data dan proses di pinggir rangkaian boleh meningkatkan kecekapan perniagaan, yang secara langsung diterjemahkan kepada keuntungan monetari dan keuntungan korporat yang lebih baik. Pembelajaran mesin terbenam ialah pengubah permainan dalam kecerdasan buatan dan pengkomputeran IoT yang boleh meningkatkan produktiviti perusahaan. Berikut ialah 5 kes penggunaan untuk perusahaan perindustrian yang menggunakan pembelajaran mesin terbenam.
Kebanyakan syarikat perindustrian mengekalkan aset berdasarkan pendekatan penyelenggaraan pencegahan, yang bergantung pada penyelenggaraan biasa atau penggantian mesin dan alatan, dsb. Selang ini ditentukan oleh dasar penyelenggaraan yang disediakan oleh pengeluar peralatan. Pendekatan ini membantu mengelakkan peristiwa masa henti pengeluaran yang dahsyat kerana aset sering diselenggara sebelum kegagalan berlaku. Walau bagaimanapun, penyelenggaraan pencegahan menghasilkan penggunaan aset yang kurang optimum kerana aset sentiasa diganti sebelum masanya.
Kemunculan Industri 4.0 dan Internet Perindustrian Perkara membolehkan syarikat perindustrian melaksanakan pemantauan berasaskan syarat ke atas aset mereka. Memanfaatkan data digital daripada penderia (cth. penderia getaran, penderia suhu, imej terma) dan sistem pengurusan aset, perniagaan kini boleh memperoleh keterlihatan masa nyata ke dalam status aset industri seperti alatan dan jentera. Selain itu, menggunakan algoritma pembelajaran mesin, mereka boleh memperoleh cerapan ramalan tentang baki hayat berguna (RUL) aset mereka. Dalam sesetengah kes, anggaran RUL yang boleh dipercayai membolehkan syarikat industri mengubah penyelenggaraan pencegahan kepada penyelenggaraan ramalan. Penyelenggaraan ramalan ialah visi muktamad untuk operasi penyelenggaraan dan pembaikan untuk mencapai Keberkesanan Peralatan Keseluruhan (OEE) yang optimum. Pemantauan berasaskan keadaan dan penyelenggaraan ramalan boleh membantu syarikat meningkatkan penggunaan aset, mengurangkan masa henti pengeluaran, menghapuskan sisa yang disebabkan oleh kegagalan peralatan dan menjadualkan tugas penyelenggaraan pada masa yang optimum. Penyelenggaraan ramalan dianggap sebagai salah satu aplikasi mematikan revolusi perindustrian keempat (Industri 4.0): ia mempunyai pulangan pelaburan yang ketara dan terpakai kepada hampir semua sektor perindustrian, termasuk pembuatan, tenaga, pembinaan, bangunan pintar, minyak dan gas, dan perlombongan, dsb.
Kebanyakan pelaksanaan penyelenggaraan ramalan menghantar dan menganalisis data dalam awan. Pendekatan ini mempunyai had operasi, contohnya, ramalan kegagalan daripada analitik pembelajaran mesin berasaskan awan tidak selalunya cukup pantas untuk mengambil tindakan pembetulan atau pencegahan yang sesuai. Pembelajaran mesin terbenam menambah nilai penting kepada penyelenggaraan ramalan dan pemantauan keadaan: ia menjana cerapan masa nyata dan membolehkan membuat keputusan masa nyata. Pembelajaran mesin dilakukan secara langsung pada peranti pemerolehan data atau mikropengawal di dalam mesin, membolehkan syarikat industri memahami status pelbagai aset dengan cara yang tepat pada masanya dan tepat. Ini membuka potensi untuk membuat keputusan masa nyata berdasarkan keadaan peralatan sebenar. Secara keseluruhan, pembelajaran mesin terbenam meningkatkan kecekapan aplikasi penyelenggaraan ramalan, meningkatkan penggunaan aset dan mengoptimumkan kualiti perkhidmatan mereka.
Pembelajaran mesin baru-baru ini telah membuka ufuk baharu untuk pengurusan kualiti dalam operasi pembuatan dan pengeluaran. Secara khusus, ia memberikan konsep kualiti ramalan, iaitu keupayaan untuk meramal masalah kualiti sebelum ia berlaku. Dalam hal ini, teknik pembelajaran mesin, termasuk pembelajaran mendalam, digunakan pada barisan pengeluaran. Tujuan algoritmanya adalah untuk mengenal pasti keadaan atau corak secara proaktif yang membawa kepada kecacatan produk. Berdasarkan ini, pengurus loji boleh mengambil langkah-langkah pembaikan untuk mengelakkan kecacatan daripada berlaku. Selain itu, teknik pembelajaran mesin boleh digunakan untuk mengoptimumkan corak yang berkaitan dengan parameter lain seperti kos dan prestasi persekitaran.
Pembelajaran mesin terbenam menambah nilai penting kepada kes penggunaan pengurusan kualiti yang dinyatakan di atas. Secara khusus, ia menyediakan cara untuk mengekstrak cerapan ramalan tentang kemungkinan kecacatan berdasarkan pemprosesan data di dalam peranti. Cerapan ini boleh digabungkan dengan maklumat daripada analitik awan untuk mengenal pasti proses dan parameter kawalan yang membawa kepada isu kualiti. Begitu juga, ia boleh digunakan untuk mengoptimumkan berbilang parameter secara serentak, membolehkan pembuatan sifar kecacatan. Oleh itu, pembelajaran mesin terbenam menyediakan pengurus kilang dan jurutera berkualiti dengan maklumat peringkat aset masa nyata tentang kecacatan, yang melengkapkan pengetahuan sedia ada tentang isu pengurusan kualiti. Oleh itu, ia membolehkan perniagaan cemerlang dalam melaksanakan strategi pengurusan kualiti seperti Pengurusan Kualiti Menyeluruh (TQM) dan Six Sigma. Secara keseluruhan, syarikat perindustrian boleh memanfaatkan pembelajaran mesin terbenam untuk menambah pengetahuan pengurusan kualiti sedia ada mereka untuk meningkatkan kualiti produk sambil mengurangkan masa dan kos pengeluaran.
Dalam beberapa tahun kebelakangan ini, Internet of Things telah memberi impak transformatif pada bangunan pintar dan aplikasi pengurusan kemudahan. Menggunakan penderia dalam bangunan dan aset hartanah lain membolehkan pemilik hartanah mengakses maklumat masa nyata dan terkini tentang status hartanah mereka. Berdasarkan maklumat ini, mereka boleh mengoptimumkan operasi sistem HVAC (pemanasan, pengudaraan dan penyaman udara) untuk menjimatkan kos dan menambah baik penunjuk alam sekitar mereka. Dalam hal ini, aplikasi pemantauan penghunian adalah sangat penting.
Berdasarkan pemprosesan data daripada suhu dan penderia lain, adalah mungkin untuk memahami dengan tepat penghunian bilik dan aset fizikal lain seperti meja, komputer dan ruang pejabat. Ini adalah kunci untuk mengoptimumkan kecekapan tenaga dan memaksimumkan keselesaan penyewa. Selain itu, ia menyediakan pengurus kemudahan dengan cerapan masa nyata tentang penggunaan aset, membolehkan mereka merancang penggunaannya dan meningkatkan produktiviti keseluruhan mereka. Sejak beberapa bulan lalu, permintaan untuk aplikasi pemantauan penghunian sebegitu telah meningkat disebabkan oleh wabak COVID-19. Yang terakhir ini telah membawa kepada pelaksanaan dasar telekerja berskala besar, yang telah menjadikannya lebih mencabar bagi pengurus kemudahan untuk memantau dan meramalkan corak penghunian aset. Aplikasi Sensor dan IoT boleh membantu penyewa dengan menyediakan maklumat yang boleh dipercayai dan tepat pada masanya tentang kehadiran fizikal mereka di pelbagai ruang.
Dalam persekitaran pengurusan kemudahan, pembelajaran mesin terbenam meningkatkan kemampanan dan ketepatan aplikasi pengurusan penghunian. Secara khusus, ia boleh menjalankan analisis data statistik dalam penderia pemantauan penghunian tanpa perlu mengagregat berbilang nilai penderia melalui gerbang awan. Ini meningkatkan ketepatan dan ketepatan masa pemantauan di samping membantu mengurangkan pelepasan CO2. Pembelajaran mesin terbenam adalah penting kerana pengurus kemudahan beralih kepada IoT untuk mengurangkan pelepasan dan memenuhi matlamat kemampanan yang bercita-cita tinggi. Dengan cara ini, mereka meningkatkan imej jenama mereka dan meningkatkan pematuhan terhadap peraturan yang berkaitan. Sebagai contoh, Akta Mobilisasi Iklim New York City (CMA) baru-baru ini memerlukan bangunan menjadi lebih cekap tenaga. Secara khusus, ia memberi mandat bahawa bangunan yang lebih besar daripada 25,000 kaki persegi mesti mengurangkan pelepasan gas rumah hijau sebanyak 40% menjelang 2030 dan sebanyak 80% menjelang 2050, berbanding tahap 2005. Secara keseluruhan, pembelajaran mesin terbenam ialah alat yang berkuasa untuk aplikasi pengurusan kemudahan cekap tenaga generasi akan datang.
Dalam beberapa tahun kebelakangan ini, sistem IoT dan peranti terbenam telah menembusi ke dalam bidang pertanian dan membolehkan pertanian ketepatan. Contoh yang ketara ialah penderia dan peranti bersambung di mana-mana seperti suar, tag RFID dan penderia terbenam khusus (seperti penderia perut) semakin banyak ditanam dalam ternakan untuk membolehkan penternak memantaunya. Untuk tujuan ini, aplikasi IoT yang berkaitan cenderung untuk menghantar data mentah tentang keadaan lembu ke awan untuk analisis yang betul. Walau bagaimanapun, dalam beberapa kes pendekatan ini mungkin tidak cekap atau bahkan tidak boleh dilaksanakan, kerana kebanyakan ternakan lembu tinggal di persekitaran luar yang meliputi beribu-ribu hektar dalam saiz. Dalam tetapan ini, kesambungan rangkaian (cth., rangkaian IoT jarak dekat) mungkin tidak mencukupi untuk menyokong kualiti perkhidmatan yang diperlukan semasa proses pengagregatan data. Tambahan pula, peranti sedemikian sering memerlukan kuasa bateri, yang menimbulkan isu autonomi tenaga.
Pembelajaran mesin terbenam dan TinyML memberikan bantuan yang besar dalam mengurangkan pengehadan ini. Analisis data berlaku pada ternakan, yang mengurangkan dengan ketara jumlah data yang perlu dipindahkan ke bahagian belakang aplikasi. Daripada mengumpul aliran data yang berterusan, menggunakan pembelajaran mesin pada peranti terbenam boleh menstrim data secara tetap (mis., setiap jam). Ini boleh memberi petani gambaran tentang keadaan haiwan mereka dan aktiviti mereka (cth., berehat, menderita atau mengaum). Wawasan ini membolehkan petani membuat keputusan termaklum tentang proses pengeluaran seperti pemerah susu dan penyembelihan. Secara keseluruhannya, pembelajaran mesin terbenam membantu petani memanfaatkan sistem pemantauan ternakan ketepatan dalam situasi di mana pemprosesan awan tradisional adalah mustahil atau tidak berkesan.
Pembelajaran mesin dan teknik risikan pengiraan juga digunakan dalam pengurusan krisis dan aplikasi pertahanan awam, termasuk ramalan gempa bumi dan kebakaran. Dalam hal ini, data daripada pelbagai penderia selalunya diagregatkan dan diproses dalam awan. Walau bagaimanapun, dalam pengurusan krisis, masa adalah penting: kejayaan tindakan pengurusan krisis sebahagian besarnya bergantung pada ketepatan masa ramalan penunjuk pengurusan krisis. Contohnya, mengenal pasti tanda amaran gempa bumi lebih awal boleh membawa kepada tindakan yang lebih pantas dan berkesan. Ini adalah kawasan di mana pembelajaran mesin terbenam mempunyai nilai yang tinggi.
Apabila ia berkaitan dengan pengurusan kebakaran hutan, pembelajaran mesin terbenam boleh memberikan faedah kebolehpercayaan dan penggunaan, sama seperti situasi pemantauan lembu. Khususnya, melaksanakan model statistik dalam penderia terbenam boleh memudahkan ramalan kebakaran hutan yang tepat pada masanya tanpa memerlukan sambungan rangkaian yang kukuh dan peranti berkuasa bateri.
Pembelajaran mesin terbenam digunakan secara meluas, dan skop aplikasinya tidak terhad kepada lima di atas Contohnya, dalam pertanian ketepatan, ia boleh mengesan penyakit tanaman secara langsung pada tanaman tanpa perlu untuk Pelbagai aliran data diagregatkan dan dianalisis dalam awan. Contoh lain ialah ia membolehkan aplikasi perisikan penyejukan tepat yang menganalisis secara langsung suhu produk sensitif seperti makanan, minuman dan farmaseutikal tanpa perlu menggunakan suhu ambien untuk menganggarkan anomali suhu. Secara keseluruhannya, pembelajaran mesin terbenam membuka peluang hampir tidak terhad untuk inovasi dalam pelbagai bidang.
Walau bagaimanapun, membangunkan dan menggunakan aplikasi pembelajaran mesin terbenam dalam persekitaran industri bukanlah mudah. Setiap langkah pelaksanaan mesti dirancang dengan teliti untuk memenuhi keperluan industri yang ketat. Daripada memilih peranti terbenam yang betul kepada mendapatkan data latihan yang mencukupi dan melaksanakan model pembelajaran mesin yang betul, pembangun dan pengagih mesti membuat pilihan yang teliti.
Atas ialah kandungan terperinci 'Fokus pada aplikasi pembelajaran mesin matang dengan nilai pelaburan'. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
Aplikasi kecerdasan buatan dalam kehidupan
Apakah konsep asas kecerdasan buatan
Bolehkah fail program dipadamkan?
Bagaimana untuk menyediakan hibernasi dalam sistem Win7
Urutan potongan pembayaran WeChat
Apakah protokol yang termasuk dalam protokol ssl?
Bagaimana untuk membandingkan kandungan fail dua versi dalam git
Apakah kaedah panggilan refleksi java
![[Web front-end] Permulaan pantas Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
