AI en el borde permite el avance a fábricas sin defectos


Presentado por Intel


Si todos los fabricantes del segmento industrial persiguen un objetivo con varios billones de dólares, dirigirá una fábrica sin errores de producción. Según varios estudios de Intel de 2018, 2019 y 2020, la inteligencia artificial y la computación de borde permiten la identificación clara de hasta> 99% de los defectos de fabricación visibles antes de que un producto salga de la línea.

"Uno de los más importantes para los fabricantes es la calidad del producto", dijo Brian McCarson, vicepresidente e ingeniero principal sénior del Grupo de Internet de las Cosas (IOTG) en Intel Corporation y orador en Transform, la próxima conferencia digital de VentureBeat. “Los fabricantes prefieren tirar productos menos defectuosos. Se esfuerzan por menos retrabajo y menos devoluciones de clientes. También quieren reducir los costos operativos al hacer que sus herramientas y procesos sean más eficientes y mejorar la confiabilidad de sus máquinas para que puedan realizar el mantenimiento de manera proactiva antes de que sea demasiado tarde y tenga un tiempo de actividad más predecible. "

Así que las soluciones informáticas de borde de fábrica continúan cambiando toda la industria", dice McCarson, que se especializa en el segmento de la industria en Intel IOTG y se enfoca en mejorar la eficiencia y el rendimiento del ecosistema industrial.

La computación perimetral permite ganancias reales Fábricas reales al acercar los cálculos de IA al origen de los datos, más cerca de la masa de sensores conectados a las máquinas y más cerca de los dispositivos en la fábrica. En lugar de enviarse a un centro de datos remoto o la nube pública / privada, los datos se procesan y procesan directamente en la fuente. Las fábricas se benefician de soluciones integrales, desde la creación y el registro de datos hasta la creación de información significativa a partir de los datos. En el paso de producción, algunas empresas demuestran una detección de defectos de fabricación de> 99% donde se generaron los defectos.

La ventaja de vanguardia en la sala de la fábrica

El ojo humano y el cerebro son fantásticos para algunos tipos de patrones y reconocimiento de características. En mil fotos puedes ver a alguien que puedes ver de un vistazo. Nuestros ojos y cerebro pueden reconocer movimientos o filtrar información innecesaria en una escena llena de gente para identificar el objeto que estamos buscando.

En lo que los humanos no son buenos es en tareas de escaneo repetitivo a largo plazo en las que estamos buscando variaciones extremadamente sutiles que, incluso si se desvían en una fracción de milímetro de sus especificaciones, pueden conducir a un El producto no funciona correctamente o no funciona en absoluto.

"Incluso con una cámara de alta resolución, algunos defectos de fábrica pueden tener menos de un píxel de tamaño", dice McCarson. "Un pequeño punto en su pantalla podría ser una advertencia temprana de que un producto puede no funcionar como se espera en el mercado".

Los sistemas automáticos de monitoreo de fallas escanean constantemente los productos que provienen de las máquinas para garantizar que cumplan con todos los indicadores de calidad requeridos . Una cámara que ejecuta un algoritmo de IA para detectar errores puede tener una precisión> 10 veces mejor que el ojo humano y puede analizar> 100 veces más resultados en una unidad de tiempo que el ojo humano.

Esto ahorra costos de capital y mano de obra y costos de retrabajo. Ayuda a los fabricantes a ser más competitivos en su entorno económico. Y como un gran beneficio para el planeta, crea una huella ambiental mucho más pequeña para las fábricas al reducir el desperdicio.

Sin embargo, todo esto requiere una gran cantidad de datos que sería demasiado costoso enviar a través de la red para analizarlos en la nube y luego enviar los resultados a la acción. El volumen de datos se convierte en un obstáculo cuando confía en la nube. El entrenamiento de un modelo o algoritmo de IA en la nube requiere una cantidad significativa de datos, pero el sensor lo genera miles de veces. Enviar todos los datos generados por el sensor a la nube puede aumentar significativamente el costo de su infraestructura de red. Mientras tanto, no todos los datos generan el mismo valor. Una imagen de un producto defectuoso es más valiosa cuando se entrena un modelo de IA que una imagen de un producto normal. Sin mencionar el mayor tiempo de toma de decisiones y los mayores riesgos de seguridad para todos los datos que se transfieren a la nube.

"Hay muchos escenarios en los que tiene sentido económico procesar tanta información como sea posible directamente en el borde", dice McCarson. "Reducen los costos de red, reducen el volumen del centro de datos por el que tiene que pagar y solo guardan los datos que son más importantes para administrar sus aplicaciones industriales, administrar su fábrica o administrar su proceso de control de calidad".

Real – Resultados mundiales

Trabajar en el sector automotriz era un banco de pruebas para el uso de la informática de punta y la inteligencia artificial en la fábrica. Los automóviles y sus diversos componentes deben ser confiables a más de 100,000 millas en unos pocos años y soportar condiciones difíciles de parar y arrancar, arranques en frío rápidos, arranques en caliente y mucho más.

"Lo hicimos. Aquí hay algunos ejemplos del mundo real de cómo puede aprovechar el valor de la informática, una cámara de alta resolución y un flujo continuo de datos de la máquina o datos de series temporales", dice McCarson. “Encontramos que estas piezas de automóviles tienen especificaciones de fabricación muy estrictas que el ojo humano no puede ver si hay alguna desviación. Pero una cámara puede. Los sistemas de IA pueden hacer eso ”.

Los sistemas de control de calidad de AI en las líneas de producción contribuyeron significativamente a mejorar la productividad de fabricación al demostrar que, en las circunstancias correctas, pueden detectar hasta el 99% de todos los defectos que emanan de esta máquina durante las inspecciones del ojo humano. Tal vez solo pueda ver una pequeña parte de estas deficiencias, dice.

"Y si se observa la contribución de las fábricas a las emisiones de gases de efecto invernadero que impulsan el calentamiento global, podemos mejorar ligeramente la eficiencia de la producción si reducimos la cantidad de trabajo innecesario al ayudar a los sistemas de inteligencia artificial a identificar incluso los defectos de fabricación más simples , podemos tener una ventaja muy significativa para la ecología de nuestro planeta ", agregó McCarson.

Implementando IA

La ​​IA es una herramienta esencial para las empresas y la industria con enormes beneficios, pero las empresas necesitan comenzar la IA con la escalabilidad en mente, dice McCarson. Muchas compañías ofrecen una solución rápida a ciertos desafíos, pero un vistazo bajo el capó de esta solución muestra una gran cantidad de codificación rígida o muchas restricciones estrictas de uso, o ambas.

Los científicos de datos son muy caros y difíciles de conseguir, tanto más para que la IA sea más fácil y más escalable. Las fábricas no pueden permitirse tener un modelo o algoritmo personalizado para cada máquina en una fábrica. Los propietarios ni siquiera pueden permitirse tener modelos y algoritmos personalizados desarrollados para cada fábrica si tienen muchos de ellos.

Y si comienzas a pensar que es probable que tu negocio cambie en seis meses, 12 meses o dos años, ¿debes preguntarte si esta es una característica escalable? ¿Utiliza esto un protocolo de comunicación que pueda transferirse fácilmente a mis otras máquinas, dispositivos y software en mi fábrica? ¿Es esto algo que tendrá un mantenimiento relativamente bajo? ¿Alguien ha pensado en la escalabilidad o actualizaciones futuras fáciles en su diseño?

"Si no, existe el riesgo de que dentro de unos meses encuentre una solución rápida para entrar y luego usted. Tenemos problemas para encontrar a alguien que lo solucione", dice. . "Reintroduces el mismo costo una segunda o tercera vez si intentas hacerlo bien. Debes planificar la escalabilidad al diseñar tus modelos y algoritmos si realmente esperas que valgan la pena".

Obtenga más información de Brian McCarson en Transform, el evento virtual de inteligencia artificial para ejecutivos de la compañía, del 15 al 17 de julio. 17. Brian hablará con el CEO de VentureBeat, Matt Marshal, el viernes 17 de julio. La agenda completa se puede encontrar aquí. .


Los artículos patrocinados son contenido creado por una empresa que paga por correo o tiene una relación comercial con VentureBeat y siempre está claramente etiquetado El contenido no está influenciado de ninguna manera por anunciantes o patrocinadores, comuníquese con sales@venturebeat.com para obtener más información.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *