製造業における人工知能の適用を成功させるための 4 つのステップ

メーカーは、生産、品質管理、効率の向上など、さまざまな方法で人工知能の恩恵を受けることができます。 AI は製造業者にいくつかの新しいアプリケーションを提供しますが、最大限の価値を得るには、企業は製造プロセス全体で AI を使用する必要があります。

つまり、製造エンジニアは、中断のない製造を正常に行うために、AI データの準備、モデリング、シミュレーションとテスト、導入の 4 つの主要な側面に焦点を当てる必要があることを意味します。プロセス。

人工知能の専門家である必要はありません

エンジニアは、人工知能モデルの開発にはかなりの時間がかかると考えているかもしれませんが、多くの場合、そうではありません。モデリングはワークフロー プロセスの重要なステップですが、それが最終目標ではありません。 AI をうまく活用するための鍵は、プロセスの開始時に問題を特定することです。これにより、エンジニアは、最良の結果を得るためにワークフローのどの側面に時間とリソースを投資する必要があるかを知ることができます。

ワークフローについて議論する場合、考慮すべき点が 2 つあります。

製造システムは大規模かつ複雑であり、人工知能はその一部にすぎません。したがって、AI は、あらゆるシナリオにおいて、生産ライン上の他のすべての作業部品と連携して動作する必要があります。その一環として、OPCUA などの産業用通信プロトコルや、制御および監視ロジック、マンマシン インターフェイスなどの他のマシン ソフトウェアを使用して、機器上のセンサーからデータを収集します。

この場合、エンジニアは AI の豊富な経験があるかどうかに関係なく、すでにデバイスを理解しているため、AI を組み込む際に成功する準備ができています。言い換えれば、AI の専門家でなくても、専門知識を活用して AI をワークフローにうまく追加できるということです。

AI 主導のワークフロー

AI 主導のワークフローの構築には 4 つのステップが必要です:

1. データの準備

データを使用する際に良いものがない場合AI モデルをトレーニングする場合、プロジェクトは失敗する可能性が高くなります。したがって、データの準備が重要です。データが間違っていると、エンジニアはモデルが機能しない理由を解明するのに時間がかかる可能性があります。

モデルのトレーニングは通常、最も時間のかかるステップですが、重要なステップでもあります。エンジニアは、可能な限りクリーンでラベル付けされたデータから開始し、モデルの改善に注力するのではなく、データをモデルにフィードすることに集中する必要があります。

たとえば、エンジニアは、パラメーターの調整やモデルの微調整ではなく、前処理と、モデルに入力されたデータが正しくラベル付けされていることを確認することに集中する必要があります。これにより、モデルがデータを理解して処理できるようになります。

もう 1 つの課題は、機械オペレーターと機械メーカーの違いです。前者は通常、デバイスの操作にアクセスできますが、後者は AI モデルをトレーニングするためにこのデータを必要とします。機械メーカーが機械オペレーター (つまり顧客) とデータを確実に共有するには、両者がこの共有を管理するプロトコルとビジネス モデルを開発する必要があります。

建設機械メーカーの Caterpillar は、データ準備の重要性を示す好例です。大量の現場データを収集します。これは正確な AI モデリングには必要ですが、データのクリーニングとラベル付けには多くの時間が必要になります。同社は MATLAB を活用してこのプロセスを合理化することに成功しました。これは、現場の機械からの強力な洞察を活用して、機械学習モデルにフィードできるクリーンなラベル付きデータを開発するのに役立ちます。さらに、このプロセスは、ドメインの専門知識はあるが AI の専門家ではないユーザーにとっても拡張可能で柔軟です。

2. 人工知能モデリング

このフェーズは、データがクリーンアップされ、適切にラベルが付けられた後に開始されます。実際、これはモデルがデータから学習するときです。エンジニアは、入力に基づいてインテリジェントな決定を下せる正確で信頼性の高いモデルがあれば、モデリングが成功した段階に入ったことを認識します。この段階では、エンジニアは機械学習、深層学習、またはその両方の組み合わせを使用して、どの結果が最も正確であるかを判断することも必要になります。

モデリング段階では、深層学習モデルを使用するか機械学習モデルを使用するかに関係なく、分類、予測、回帰など、人工知能ワークフローのいくつかのアルゴリズムにアクセスできることが重要です。出発点として、より広範なコミュニティによって作成されたさまざまな事前構築モデルが役立つ場合があります。エンジニアは、MATLAB や Simulink などの柔軟なツールを使用することもできます。

アルゴリズムと事前構築モデルは良いスタートではありますが、エンジニアは、アルゴリズムとその分野の他者の例を使用して、特定の実装への最も効率的なパスを見つける必要があることに注意してください。そのため、MATLAB では、複数のドメインにわたる AI モデルを構築するための数百もの異なる例を提供しています。

また、考慮すべきもう 1 つの側面は、変更の追跡とトレーニングの反復の記録が重要であるということです。 Experiment Manager などのツールは、最も正確なモデルと再現可能な結果につながるパラメーターを解釈することで、これを達成するのに役立ちます。

3. シミュレーションとテスト

このステップでは、AI モデルが正しく動作することを確認します。 AI モデルはより大きなシステムの一部であり、システムのさまざまな部分と連携する必要があります。たとえば、製造業では、AI モデルは予知保全、動的軌道計画、または視覚的な品質検査をサポートする可能性があります。

残りのマシン ソフトウェアには、制御、監視ロジック、その他のコンポーネントが含まれます。シミュレーションとテストにより、エンジニアは、モデルの一部が自分自身と他のシステムの両方で期待どおりに動作していることを確認できます。モデルは、期待どおりに機能し、リスクを軽減するのに十分な効果があることが実証できた場合にのみ、現実の世界で使用できます。

どんな状況であっても、モデルはあるべき方法で応答する必要があります。モデルを使用する前に、エンジニアはこの段階でいくつかの質問を理解する必要があります:

• モデルは非常に正確ですか?
• 各シナリオで、モデルは期待どおりに機能しますか?
• エッジケースはすべてカバーされていますか?

Simulink などのツールを使用すると、エンジニアはモデルをデバイスで使用する前にモデルが期待どおりに動作するかどうかを確認できます。これにより、再設計に時間と費用を費やす必要がなくなります。これらのツールは、モデルの意図したケースを適切にシミュレーションおよびテストし、期待される目標が満たされていることを確認することで、高レベルの信頼を構築するのにも役立ちます。

4. デプロイメント

デプロイメントの準備ができたら、次のステップは、使用される言語でモデルを準備することです。これを行うには、多くの場合、エンジニアは既製のモデルを共有する必要があります。これにより、モデルを組み込みコントローラー、PLC、エッジ デバイスなどの指定された制御ハードウェア環境に適合させることができます。 MATLAB のような柔軟なツールは、多くの場合、あらゆるタイプのシナリオで最終コードを生成できるため、エンジニアはさまざまなハードウェア ベンダーのさまざまな環境にモデルを展開できます。元のコードを書き直すことなくこれを行うことができます。

たとえば、モデルを PLC に直接展開する場合、自動コード生成により、手動プログラミング中に含まれる可能性のあるコーディング エラーが排除されます。これにより、主要ベンダーの PLC 上で効率的に実行される、最適化された C/C または IEC61131 コードも提供されます。

人工知能の導入を成功させるには、データ サイエンティストや人工知能の専門家は必要ありません。ただし、エンジニアとその AI モデルが成功に向けて準備するのに役立つ重要なリソースがいくつかあります。これには、科学者やエンジニア向けに作成された特定のツール、ワークフローに AI を追加するためのアプリケーションと機能、無停止運用で使用するためのさまざまな導入オプション、AI 関連の質問にすぐに答えられる専門家が含まれます。 AI の追加を成功させるための適切なリソースをエンジニアに提供することで、エンジニアは最高の結果を生み出すことができます。

以上が製造業における人工知能の適用を成功させるための 4 つのステップの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。