● Μεγάλης κλίμακας-ανάλυση συμμόρφωσης όγκου εγγράφων (όπως πρότυπα ISO, κανονισμοί ασφαλείας και ερμηνεία εκατοντάδων σελίδων εγγράφων τεχνικών προδιαγραφών)
● Παγκόσμιες λειτουργίες και πολύγλωσσος συντονισμός (Αποτύπωση λεπτών γλωσσικών διαφορών μεταξύ διαφόρων περιοχών και προμηθευτών)
Σε πρακτικές εφαρμογές, οι περισσότερες μεταποιητικές επιχειρήσεις θα υιοθετήσουν μια υβριδική αρχιτεκτονική τεχνητής νοημοσύνης - αναπτύσσοντας μεγάλα μοντέλα στο κεντρικό άκρο της επιχείρησης και εφαρμόζοντας μικρά μοντέλα στο-άκρο του ιστότοπου.
4. Σε περιβάλλοντα Industry 4.0 και edge, τα μικρά μοντέλα είναι πιο εφαρμόσιμα
Σε ορισμένα σενάρια κατασκευής, τα μικρά μοντέλα δεν είναι απλώς «επαρκή», αλλά σε πολλές περιπτώσεις, είναι η μόνη πρακτική επιλογή. Τα μικρά μοντέλα μπορούν να επιτύχουν καλύτερα τις ακόλουθες λειτουργίες:
Ανίχνευση ανωμαλιών σε πραγματικό χρόνο στο μηχάνημα
● Βοήθεια χειριστή χαμηλού-λανθάνοντος χρόνου
Λειτουργίες εκτός σύνδεσης σε φυσικά απομονωμένα ή ασφαλή-κρίσιμα περιβάλλοντα
● Απόρρητο δεδομένων ιδιόκτητων δεδομένων παραγωγής
Αυτό είναι ζωτικής σημασίας για την προγνωστική συντήρηση, την υποβοηθούμενη επιθεώρηση όρασης υπολογιστή- και τους βοηθούς τεχνητής νοημοσύνης για τεχνικούς συνεργείων, μεταξύ άλλων.
Ένα-βελτιστοποιημένο μοντέλο με 7 έως 13 δισεκατομμύρια παραμέτρους μπορεί να έχει καλύτερη απόδοση από τα γενικά-μοντέλα αιχμής, εάν τα δεδομένα εκπαίδευσης περιλαμβάνουν εγχειρίδια συντήρησης, δεδομένα ιστορικού λειτουργίας αστοχίας, μεταδεδομένα αισθητήρα και εργοστασιακές-συγκεκριμένες τυπικές διαδικασίες λειτουργίας - επειδή γνωρίζει το εργοστάσιό σας καλύτερα από το Διαδίκτυο. Αυτό είναι σύμφωνο με την αρχή της "πληροφορίας-πληροφοριακού περιεχομένου" που είναι ενσωματωμένη στις λειτουργίες του Industry 4.0.
Η μεταποιητική βιομηχανία απαιτεί εργαλεία τεχνητής νοημοσύνης που είναι προσαρμοσμένα σε συγκεκριμένα σενάρια
Η συζήτηση για το μέγεθος των μοντέλων τεχνητής νοημοσύνης δεν είναι ένα παιχνίδι μηδενικού αθροίσματος-ή. ο πυρήνας έγκειται στο αν είναι κατάλληλα για σενάρια εφαρμογής. Τα μεγάλα μοντέλα διαπρέπουν σε ένα ευρύ φάσμα εργασιών διερευνητικής συλλογιστικής. Τα μικρά μοντέλα έχουν απόλυτο πλεονέκτημα όσον αφορά το κόστος, την ταχύτητα, την ικανότητα ανάπτυξης και την αξιοπιστία σε βιομηχανικά σενάρια.
Για μεταποιητικές επιχειρήσεις που επιδιώκουν έξυπνα εργοστάσια, συνδεδεμένα περιουσιακά στοιχεία και εξαιρετικά ανθεκτική παραγωγή, το μέλλον της τεχνητής νοημοσύνης δεν βασίζεται σε ένα μοναδικό υπερ-μεγάλο μοντέλο, αλλά στη δημιουργία ενός οικοσυστήματος τεχνητής νοημοσύνης που είναι ανάλογο με την κλίμακα - από το cloud μέχρι το edge, από τον συνολικό προγραμματισμό της επιχείρησης έως το επίπεδο σύνδεσης της συσκευής σε πραγματικό χρόνο με το μοντέλο σύνδεσης σε πραγματικό{2}.
Καθώς τα μοντέλα τεχνητής νοημοσύνης συνεχίζουν να είναι ελαφριά και οι δυνατότητές τους συνεχώς βελτιώνονται, ένα βασικό ζήτημα τίθεται ενώπιον των διευθυντών κατασκευής: Στο επόμενο στάδιο ανάπτυξης του Industry 4.0, όταν το εξαιρετικά{1}}υψηλής-αποτελεσματικότητας, ειδικός τομέας-ενσωματώνεται βαθιά στο σύστημα παραγωγής, πώς θα το επίπεδο ποιότητας παραγωγής και λειτουργίας redef κατασκευή;
