ໃນຖານະເປັນຫົວຫນ້າວິສະວະກອນແລະຫົວຫນ້າພະແນກສໍາລັບການຫັນເປັນດິຈິຕອນຂອງເຕັກໂນໂລຊີການຜະລິດຢູ່ຫ້ອງທົດລອງສໍາລັບເຄື່ອງຈັກແລະວິສະວະກໍາການຜະລິດ (WZL) ພາຍໃນວິທະຍາໄລ RWTH Aachen, ຂ້າພະເຈົ້າໄດ້ເຫັນຄວາມກ້າວຫນ້າທາງດ້ານເຕັກໂນໂລຊີຫຼາຍໃນອຸດສາຫະກໍາການຜະລິດໃນໄລຍະການຄອບຄອງຂອງຂ້າພະເຈົ້າ. ຂ້ອຍຫວັງວ່າຈະຊ່ວຍໃຫ້ຜູ້ຜະລິດອື່ນໆຕໍ່ສູ້ກັບຄວາມສັບສົນຂອງ AI ໃນການຜະລິດໂດຍການສະຫຼຸບຜົນການຄົ້ນພົບຂອງຂ້ອຍແລະແບ່ງປັນຫົວຂໍ້ທີ່ສໍາຄັນບາງຢ່າງ.

WZL ໄດ້ມີຄວາມຄ້າຍຄືກັນກັບການຄົ້ນຄວ້າບຸກເບີກແລະການປະດິດສ້າງສົບຜົນສໍາເລັດໃນພາກສະຫນາມຂອງເຕັກໂນໂລຊີການຜະລິດສໍາລັບຫຼາຍກ່ວາຮ້ອຍປີ, ແລະພວກເຮົາເຜີຍແຜ່ຫຼາຍກວ່າຮ້ອຍເອກະສານວິທະຍາສາດແລະດ້ານວິຊາການກ່ຽວກັບກິດຈະກໍາການຄົ້ນຄວ້າຂອງພວກເຮົາໃນແຕ່ລະປີ. WZL ແມ່ນສຸມໃສ່ວິທີການລວມຂອງວິສະວະກໍາການຜະລິດ, ກວມເອົາສະເພາະຂອງເຕັກໂນໂລຊີການຜະລິດ, ເຄື່ອງມືເຄື່ອງຈັກ, metrology ການຜະລິດແລະການຄຸ້ມຄອງການຜະລິດ, ຊ່ວຍໃຫ້ຜູ້ຜະລິດທົດສອບແລະປັບປຸງວິທີແກ້ໄຂເຕັກໂນໂລຢີທີ່ກ້າວຫນ້າກ່ອນທີ່ຈະນໍາໄປຜະລິດຢູ່ໃນຂອບການຜະລິດ. ໃນທີມງານຂອງຂ້ອຍ, ພວກເຮົາມີນັກວິທະຍາສາດຄອມພີວເຕີປະສົມ, ຄືກັບຂ້ອຍ, ເຮັດວຽກຮ່ວມກັນກັບນັກຄະນິດສາດແລະວິສະວະກອນກົນຈັກເພື່ອຊ່ວຍໃຫ້ຜູ້ຜະລິດໃຊ້ເຕັກໂນໂລຢີຂັ້ນສູງເພື່ອໃຫ້ມີຄວາມເຂົ້າໃຈໃຫມ່ຈາກເຄື່ອງຈັກ, ຜະລິດຕະພັນແລະຂໍ້ມູນການຜະລິດ.

ການປິດຊ່ອງຫວ່າງຄວາມເຂົ້າໃຈ AI ຂອບແມ່ນເລີ່ມຕົ້ນ ແລະສິ້ນສຸດດ້ວຍຄົນ

ຜູ້ຜະລິດທຸກຂະຫນາດກໍາລັງຊອກຫາການພັດທະນາແບບຈໍາລອງ AI ທີ່ພວກເຂົາສາມາດນໍາໃຊ້ຢູ່ຂອບເພື່ອແປຂໍ້ມູນຂອງພວກເຂົາເຂົ້າໄປໃນສິ່ງທີ່ເປັນປະໂຫຍດສໍາລັບວິສະວະກອນແລະເພີ່ມມູນຄ່າໃຫ້ກັບທຸລະກິດ. ຄວາມພະຍາຍາມ AI ສ່ວນໃຫຍ່ຂອງພວກເຮົາແມ່ນເນັ້ນໃສ່ການສ້າງຊັ້ນຮ້ານຄ້າທີ່ໂປ່ງໃສກວ່າ, ດ້ວຍຄວາມເຂົ້າໃຈທີ່ຂັບເຄື່ອນດ້ວຍ AI ອັດຕະໂນມັດ, ທີ່ສາມາດ:

  • ເປີດໃຊ້ການປະເມີນຄຸນນະພາບໄວ ແລະຖືກຕ້ອງກວ່າ
  • ຫຼຸດຜ່ອນເວລາທີ່ມັນໃຊ້ເວລາເພື່ອຊອກຫາແລະແກ້ໄຂບັນຫາຂະບວນການ
  • ສະໜອງຄວາມສາມາດໃນການບຳລຸງຮັກສາທີ່ຄາດເດົາໄດ້ທີ່ຫຼຸດຜ່ອນເວລາຢຸດເຮັດວຽກ

ຢ່າງໃດກໍຕາມ, AI ຢູ່ໃນຂອບການຜະລິດແນະນໍາບາງສິ່ງທ້າທາຍທີ່ເປັນເອກະລັກ. ທີມງານ IT ຖືກນໍາໃຊ້ເພື່ອປະຕິບັດການແກ້ໄຂທີ່ເຮັດວຽກສໍາລັບກໍລະນີການນໍາໃຊ້ທົ່ວໄປທີ່ແຕກຕ່າງກັນຫຼາຍ, ໃນຂະນະທີ່ທີມງານເຕັກໂນໂລຢີປະຕິບັດງານ (OT) ປົກກະຕິແລ້ວຕ້ອງການການແກ້ໄຂສະເພາະສໍາລັບບັນຫາທີ່ເປັນເອກະລັກ. ຕົວຢ່າງເຊັ່ນ, ສະຖາປັດຕະຍະກໍາແລະເຕັກໂນໂລຢີດຽວກັນສາມາດເຮັດໃຫ້ AI ຢູ່ໃນຂອບການຜະລິດສໍາລັບກໍລະນີການນໍາໃຊ້ຕ່າງໆ, ແຕ່ເລື້ອຍໆກວ່ານັ້ນ, ວິທີການສະກັດຂໍ້ມູນຈາກອຸປະກອນ OT edge ແລະລະບົບທີ່ຍ້າຍຂໍ້ມູນຂອງພວກເຂົາເຂົ້າໄປໃນລະບົບ IT ແມ່ນເປັນເອກະລັກສໍາລັບແຕ່ລະກໍລະນີ. .

ແຕ່ຫນ້າເສຍດາຍ, ເມື່ອພວກເຮົາເລີ່ມຕົ້ນໂຄງການ, ປົກກະຕິແລ້ວບໍ່ມີການໂຕ້ຕອບທີ່ມີຢູ່ແລ້ວສໍາລັບການເອົາຂໍ້ມູນອອກຈາກອຸປະກອນ OT ແລະເຂົ້າໄປໃນລະບົບ IT ທີ່ກໍາລັງຈະດໍາເນີນການ. ແລະຜູ້ຜະລິດອຸປະກອນ OT ແຕ່ລະຄົນມີລະບົບ ແລະໂປໂຕຄອນຂອງຕົນເອງ. ເພື່ອເອົາການແກ້ໄຂ IT ທົ່ວໄປແລະຫັນໄປສູ່ສິ່ງທີ່ສາມາດຕອບຄວາມຕ້ອງການ OT ສະເພາະ, ທີມງານ IT ແລະ OT ຕ້ອງເຮັດວຽກຮ່ວມກັນໃນລະດັບອຸປະກອນເພື່ອສະກັດຂໍ້ມູນທີ່ມີຄວາມຫມາຍສໍາລັບຕົວແບບ AI. ນີ້ຈະຮຽກຮ້ອງໃຫ້ IT ເລີ່ມຕົ້ນເວົ້າພາສາຂອງ OT, ການພັດທະນາຄວາມເຂົ້າໃຈຢ່າງເລິກເຊິ່ງກ່ຽວກັບສິ່ງທ້າທາຍທີ່ OT ປະເຊີນປະຈໍາວັນ, ດັ່ງນັ້ນທັງສອງທີມສາມາດເຮັດວຽກຮ່ວມກັນ. ໂດຍສະເພາະ, ນີ້ຮຽກຮ້ອງໃຫ້ມີການສື່ສານທີ່ຊັດເຈນຂອງຄວາມຮັບຜິດຊອບທີ່ແບ່ງອອກລະຫວ່າງໂດເມນທັງສອງແລະຄໍາຫມັ້ນສັນຍາກັບເປົ້າຫມາຍທົ່ວໄປ.

ເຮັດໃຫ້ຄວາມເຂົ້າໃຈຂອງຂໍ້ມູນງ່າຍຂຶ້ນຢູ່ໃນຂອບການຜະລິດ

ເມື່ອ IT ແລະ OT ສາມາດເຮັດວຽກຮ່ວມກັນຢ່າງສໍາເລັດຜົນເພື່ອເອົາຂໍ້ມູນຈາກລະບົບ OT ໄປຫາລະບົບ IT ທີ່ດໍາເນີນການແບບຈໍາລອງ AI, ນັ້ນແມ່ນພຽງແຕ່ການເລີ່ມຕົ້ນ. ສິ່ງທ້າທາຍທີ່ຂ້ອຍເຫັນຫຼາຍໃນອຸດສາຫະກໍາແມ່ນໃນເວລາທີ່ອົງການໃດຫນຶ່ງຍັງໃຊ້ສະຖາປັດຕະຍະກໍາແລະທໍ່ທີ່ໃຊ້ຫຼາຍກໍລະນີເພື່ອສ້າງພື້ນຖານ AI ຂອງເຂົາເຈົ້າ. ລະບົບ IT ຕົວເອງມັກຈະຕ້ອງໄດ້ຮັບການປັບປຸງ, ເພາະວ່າລະບົບເກົ່າບໍ່ສາມາດຈັດການກັບຄວາມຕ້ອງການສົ່ງຂໍ້ມູນຂອງຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່ເຫຼົ່ານີ້.

ຫຼາຍໆບໍລິສັດທີ່ພວກເຮົາເຮັດວຽກກັບໃນທົ່ວຊຸມຊົນການຄົ້ນຄວ້າ, ສະມາຄົມອຸດສາຫະກໍາຫຼືກອງປະຊຸມຕ່າງໆຂອງພວກເຮົາ, ເຊັ່ນ WBA, ICNAP ຫຼື AWK2023 – ໂດຍສະເພາະແມ່ນຜູ້ຜະລິດຂະຫນາດນ້ອຍເຖິງຂະຫນາດກາງ – ຂໍໃຫ້ພວກເຮົາໂດຍສະເພາະສໍາລັບເຕັກໂນໂລຢີທີ່ບໍ່ຕ້ອງການນັກວິທະຍາສາດຂໍ້ມູນທີ່ມີຄວາມຊ່ຽວຊານສູງເພື່ອດໍາເນີນການ. ນັ້ນແມ່ນຍ້ອນວ່າຜູ້ຜະລິດສາມາດມີຄວາມຫຍຸ້ງຍາກໃນການກໍານົດ ROI ຖ້າໂຄງການຕ້ອງການເພີ່ມຫນຶ່ງຫຼືຫຼາຍກວ່ານັກວິທະຍາສາດຂໍ້ມູນເຂົ້າໃນບັນຊີເງິນເດືອນ.

ເພື່ອຕອບສະ ໜອງ ຄວາມຕ້ອງການເຫຼົ່ານີ້, ພວກເຮົາພັດທະນາວິທີແກ້ໄຂທີ່ຜູ້ຜະລິດສາມາດໃຊ້ເພື່ອໃຫ້ໄດ້ຜົນທີ່ລຽບງ່າຍເທົ່າທີ່ເປັນໄປໄດ້. ໃນຖານະເປັນສະຖາບັນວິສະວະກໍາກົນຈັກ, ພວກເຮົາບໍ່ຢາກໃຊ້ເວລາຫຼາຍໃນການຄົ້ນຄວ້າກ່ຽວກັບໂຄງສ້າງພື້ນຖານແລະການຄຸ້ມຄອງລະບົບ IT, ດັ່ງນັ້ນພວກເຮົາມັກຈະຊອກຫາຄູ່ຮ່ວມງານເຊັ່ນ Dell Technologies, ຜູ້ທີ່ມີວິທີແກ້ໄຂແລະຄວາມຊໍານານເພື່ອຊ່ວຍຫຼຸດຜ່ອນບາງອຸປະສັກໃນການເຂົ້າມາ. . ສໍາລັບ AI ຢູ່ຂອບ.

ຕົວຢ່າງ, ເມື່ອພວກເຮົາເຮັດໂຄງການທີ່ກ່ຽວຂ້ອງກັບເຊັນເຊີຄວາມຖີ່ສູງ, ບໍ່ມີຜະລິດຕະພັນທີ່ມີຢູ່ໃນເວລາທີ່ສາມາດຈັດການກັບປະລິມານແລະປະເພດຂອງຂໍ້ມູນຂອງພວກເຮົາ. ພວກເຮົາໄດ້ເຮັດວຽກກັບຫຼາກຫຼາຍຂອງເຕັກໂນໂລຊີ open-source ເພື່ອໃຫ້ໄດ້ສິ່ງທີ່ພວກເຮົາຕ້ອງການ, ແຕ່ການຮັບປະກັນ, ຂະຫນາດ, ແລະການແກ້ໄຂບັນຫາແຕ່ລະອົງປະກອບເຮັດໃຫ້ການຄຸ້ມຄອງຫຼາຍ overhead.

ພວກເຮົາໄດ້ນຳສະເໜີກໍລະນີການນຳໃຊ້ຂອງພວກເຮົາໃຫ້ກັບ Dell Technologies, ແລະເຂົາເຈົ້າໄດ້ແນະນຳເວທີການຖ່າຍທອດຂໍ້ມູນຂອງເຂົາເຈົ້າ. ແພລະຕະຟອມນີ້ເຕືອນຂ້ອຍກ່ຽວກັບວິທີທີ່ໂທລະສັບສະຫຼາດໄດ້ປະຕິວັດການໃຊ້ງານໃນປີ 2007. ເມື່ອໂທລະສັບສະຫຼາດໄດ້ອອກມາ, ມັນມີການໂຕ້ຕອບຜູ້ໃຊ້ທີ່ງ່າຍດາຍແລະ intuitive ຫຼາຍ, ດັ່ງນັ້ນທຸກຄົນສາມາດເປີດມັນແລະໃຊ້ມັນໂດຍບໍ່ຕ້ອງອ່ານຄູ່ມື.

ແພລະຕະຟອມການຖ່າຍທອດຂໍ້ມູນເປັນແບບນັ້ນ. ມັນຫຼຸດຜ່ອນຄວາມຂັດແຍ້ງເພື່ອເຮັດໃຫ້ມັນງ່າຍຂຶ້ນສໍາລັບຜູ້ທີ່ບໍ່ແມ່ນນັກວິທະຍາສາດຄອມພິວເຕີສາມາດເກັບກໍາຂໍ້ມູນການໄຫຼເຂົ້າຈາກອຸປະກອນທີ່ມີຂອບໂດຍບໍ່ມີການມີຄວາມຊໍານານດ້ານວິຊາການໃນລະບົບເຫຼົ່ານີ້. ແພລະຕະຟອມຍັງເຮັດໃຫ້ມັນງ່າຍຕໍ່ການເບິ່ງເຫັນຂໍ້ມູນໄດ້ທັນທີ, ດັ່ງນັ້ນວິສະວະກອນສາມາດບັນລຸຄວາມເຂົ້າໃຈໄດ້ໄວ.

ໃນເວລາທີ່ພວກເຮົານໍາໃຊ້ມັນກັບກໍລະນີການນໍາໃຊ້ຂອງພວກເຮົາ, ພວກເຮົາພົບວ່າມັນຈັດການກັບການຖ່າຍທອດຂໍ້ມູນເຫຼົ່ານີ້ຢ່າງເປັນທໍາມະຊາດແລະມີປະສິດທິພາບ, ແລະມັນຫຼຸດລົງຈໍານວນເວລາທີ່ຕ້ອງການໃນການຈັດການການແກ້ໄຂ. ໃນປັດຈຸບັນ, ນັກພັດທະນາສາມາດສຸມໃສ່ການພັດທະນາລະຫັດ, ບໍ່ແມ່ນການຈັດການກັບຄວາມສັບສົນຂອງໂຄງສ້າງພື້ນຖານ. ໂດຍການຫຼຸດຜ່ອນການຄຸ້ມຄອງສ່ວນເກີນ, ພວກເຮົາສາມາດໃຊ້ເວລາທີ່ບັນທຶກໄວ້ເພື່ອເຮັດວຽກກັບຂໍ້ມູນແລະໄດ້ຮັບຄວາມເຂົ້າໃຈທີ່ດີກວ່າ.

ອະນາຄົດຂອງ AI ຢູ່ໃນຂອບການຜະລິດ

ດ້ວຍສິ່ງທັງ ໝົດ ນີ້, ສິ່ງທ້າທາຍທີ່ໃຫຍ່ທີ່ສຸດທີ່ຂ້ອຍເຫັນໂດຍລວມກັບ AI ສໍາລັບການຜະລິດຂອບແມ່ນການຮັບຮູ້ວ່າຄວາມເຂົ້າໃຈຂອງ AI ແມ່ນການເພີ່ມຄວາມຮູ້ແລະຄວາມຮູ້ – ບໍ່ແມ່ນການທົດແທນ. ແລະວ່າມັນເປັນສິ່ງສໍາຄັນຫຼາຍສໍາລັບປະຊາຊົນທີ່ຈະເຮັດວຽກຮ່ວມກັນໃນການຄຸ້ມຄອງແລະການວິເຄາະຂໍ້ມູນນັ້ນເພື່ອຮັບປະກັນວ່າເປົ້າຫມາຍສຸດທ້າຍຂອງການໄດ້ຮັບຄວາມເຂົ້າໃຈທາງທຸລະກິດແມ່ນເພື່ອໃຫ້ບໍລິການບັນຫາສະເພາະໃດຫນຶ່ງ.

ເມື່ອຜູ້ຜະລິດໃຊ້ວິທີແກ້ໄຂທີ່ແຕກຕ່າງກັນຫຼາຍຮ່ວມກັນເພື່ອຊອກຫາຄວາມເຂົ້າໃຈ, ມັນອາດຈະເຮັດວຽກ, ແຕ່ມັນເປັນເລື່ອງຍາກທີ່ບໍ່ຈໍາເປັນ. ຢູ່ທີ່ນັ້ນ ແມ່ນ ເທກໂນໂລຍີທີ່ມີຢູ່ໃນມື້ນີ້ທີ່ສາມາດແກ້ໄຂສິ່ງທ້າທາຍເຫຼົ່ານີ້, ມັນເປັນພຽງແຕ່ການຊອກຫາພວກມັນແລະກວດເບິ່ງພວກມັນອອກ. ພວກເຮົາໄດ້ພົບເຫັນວ່າ Dell Streaming Data Platform ສາມາດເກັບກຳຂໍ້ມູນຈາກອຸປະກອນຂອບ, ວິເຄາະຂໍ້ມູນໂດຍໃຊ້ຕົວແບບ AI ໃນເວລາຈິງໃກ້ໆ, ແລະໃຫ້ຂໍ້ມູນເຈາະເລິກໃຫ້ກັບທຸລະກິດເພື່ອເພີ່ມມູນຄ່າທີ່ມີປະໂຫຍດທັງທີມ IT ແລະ OT.

ສຶກສາເພີ່ມເຕີມ

ຖ້າທ່ານສົນໃຈກັບສິ່ງທ້າທາຍໃນປະຈຸບັນ, ທ່າອ່ຽງແລະການແກ້ໄຂເພື່ອສ້າງຄວາມເຂັ້ມແຂງໃນການຜະລິດແບບຍືນຍົງ, ຊອກຫາຂໍ້ມູນເພີ່ມເຕີມທີ່ AWK2023 ທີ່ຜູ້ເຂົ້າຮ່ວມຫຼາຍກວ່າຫນຶ່ງພັນຄົນຈາກບໍລິສັດການຜະລິດທົ່ວໂລກມາຮ່ວມກັນເພື່ອປຶກສາຫາລືກ່ຽວກັບການແກ້ໄຂການຜະລິດສີຂຽວ.

ຄົ້ນຫາເພີ່ມເຕີມກ່ຽວກັບ AI ຢູ່ໃນການແກ້ໄຂດ້ານການຜະລິດຈາກ Dell Technologies ແລະ Intel.

***

Intel® Technologies ຍ້າຍການວິເຄາະໄປຂ້າງຫນ້າ

ການວິເຄາະຂໍ້ມູນແມ່ນກຸນແຈເພື່ອປົດລັອກມູນຄ່າທີ່ສຸດທີ່ທ່ານສາມາດສະກັດຈາກຂໍ້ມູນໃນທົ່ວອົງການຂອງທ່ານ. ເພື່ອສ້າງຍຸດທະສາດການວິເຄາະທີ່ມີປະສິດທິພາບ, ປະຫຍັດຄ່າໃຊ້ຈ່າຍທີ່ໄດ້ຮັບຜົນໄດ້ຮັບ, ທ່ານຕ້ອງການຮາດແວທີ່ມີປະສິດທິພາບສູງທີ່ປັບປຸງໃຫ້ເຫມາະສົມກັບຊອບແວທີ່ທ່ານໃຊ້.

ການວິເຄາະຂໍ້ມູນທີ່ທັນສະໄຫມກວມເອົາລະດັບຂອງເຕັກໂນໂລຢີ, ຈາກເວທີການວິເຄາະແລະຖານຂໍ້ມູນທີ່ອຸທິດຕົນໄປສູ່ການຮຽນຮູ້ເລິກເຊິ່ງແລະປັນຍາປະດິດ (AI). ພຽງແຕ່ເລີ່ມຕົ້ນດ້ວຍການວິເຄາະ? ພ້ອມແລ້ວທີ່ຈະພັດທະນາຍຸດທະສາດການວິເຄາະ ຫຼືປັບປຸງຄຸນນະພາບຂໍ້ມູນຂອງທ່ານບໍ? ມີບ່ອນຫວ່າງຢູ່ສະເໝີ, ແລະ Intel ແມ່ນພ້ອມທີ່ຈະຊ່ວຍ. ດ້ວຍລະບົບນິເວດທີ່ເລິກເຊິ່ງຂອງເທກໂນໂລຍີການວິເຄາະແລະຄູ່ຮ່ວມງານ, Intel ເລັ່ງຄວາມພະຍາຍາມຂອງນັກວິທະຍາສາດຂໍ້ມູນ, ນັກວິເຄາະ, ແລະນັກພັດທະນາໃນທຸກໆອຸດສາຫະກໍາ. ຊອກຫາຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບການວິເຄາະຂັ້ນສູງຂອງ Intel.

Categories: AiHome

0 Comments

Leave a Reply

Avatar placeholder

Your email address will not be published. Required fields are marked *