Piense en su operación de fabricación como una orquestina: cada aparato necesita tocar en perfecta conformidad para crear una obra maestra. Pero en puesto de violines y violonchelos, tiene máquinas, sensores, cámaras y sistemas de control, todos generan sus propias transmisiones de datos críticos. Durante abriles, los fabricantes han luchado por encontrar un conductor que pueda unir todos estos instrumentos en una interpretación cohesiva.
Los datos de hoy y la tecnología de IA han cambiado esa dinámica por completo. Al conectarse a cualquier fuente de datos de fabricación, desde equipos heredados hasta los nuevos sensores de IoT, las empresas finalmente pueden orquestar toda su operación en tiempo verdadero con crosser y databricks. Esto significa capturar variaciones del proceso en el momento en que comienzan, recomendando ajustes de parámetros para persistir la calidad y eliminar los costosos retrasos entre detectar problemas y solucionarlos. El resultado es un proceso de fabricación que no solo recopila datos, sino que en sinceridad lo pone a trabajar impulsando la progreso continua.
MLOPS para la fabricación impulsada por eventos
Los fabricantes de procesos en industrias como los plásticos y la fabricación de papel deben desarrollar sistemas de monitoreo en tiempo verdadero robustos para objetar inmediatamente a problemas de calidad, como grietas de borde y defectos superficiales. Al implementar redes de sensores avanzadas conectadas a sistemas de intrepidez automatizados, los operadores pueden detectar defectos en sus primeras etapas y alerta a los operadores para una resolución rápida. Esta capacidad de respuesta inmediata evita que las lágrimas menores se desarrollen en defectos importantes que resultan en un desecho y desechos significativos. Las soluciones más efectivas combinan la computación de borde para el examen instantáneo con plataformas de datos en la montón que mejoran continuamente la precisión de la detección con el tiempo, transformando en última instancia el control de calidad reactivo en el mantenimiento prescriptivo que aborda los posibles problemas antiguamente de que se manifiesten como defectos físicos.
Acelerar la detección de defectos con simplicidad de borde inteligente en el cruce
Al monitorear las grietas en los sistemas de producción de inscripción velocidad, incluso los retrasos de milisegundos son significativos. La simplicidad de borde en Crosser lucha contra la complejidad industrial al permitir la detección y respuesta de defectos inmediatos donde la fabricación positivamente ocurre, eliminando la latencia de la red y permitiendo que se tomen medidas antiguamente de que los defectos caan en cascada en problemas más grandes. Algunos aspectos esencia de la plataforma basada en eventos de Crosser:
- Minimizar la latencia para la energía rápida – Cuando los milisegundos son importantes, la inferencia de borde permite la energía inmediata para minimizar el impacto de un defecto. Al procesar datos en el sitio, reduce significativamente los tiempos de respuesta, asegurando un tiempo de inactividad minúsculo y evitando reparaciones costosas.
- Optimizar el uso de orgulloso de pandilla – Las transmisiones de video de inscripción resolución exigen un orgulloso de pandilla inmenso para transmitir datos a la montón. Ejecutar modelos localmente mantiene los datos interiormente de su entorno, reduciendo la dependencia de Internet de inscripción velocidad y reduciendo los costos operativos.
- Convergencia inteligente de TI/OT para la deriva del maniquí AI – Las tuberías de datos de borde a montón inteligente transfieren selectivamente los puntos de datos anómalos más informativos a los sistemas de montón necesarios para retornar a entrenar modelos ML afectados por la deriva de datos. Este filtrado inteligente asegura que el reentrenamiento maniquí incorpore casos de borde emergente y cambiando las condiciones de producción, manteniendo la precisión de la detección sin sistemas centrales abrumadores con datos redundantes o de bajo valía.
Databricks + Crosser: mlops de visión sintético de extremo a extremo
Al combinar la plataforma Analytics Edge Crosser con las herramientas de IA Mosaic de Databricks, obtiene una decisión perfecta para la detección de defectos basados en la visión sintético. Aquí le mostramos cómo implementarlo:
Paso 1: recopile datos de imagen y cargue en la montón con un cruce
La resumen de datos es la pulvínulo de modelos de IA efectivos. Usando «Captura de video» de Crosser’s Flowapppuede capturar fácilmente los alimentos de video de las cámaras locales. Cada cuadro se convierte en una imagen JPEG y cargado a su almacenamiento en la montón preferidocreando un conjunto de datos robusto para capacitar a su maniquí.
Paso 2: Ingesta y gobierna los datos de la imagen
Interiormente de la montón, Databricks Volúmenes de catálogo de la mecanismo Permitir a los usuarios regir y acumular varios tipos de contenido, incluidas las imágenes, interiormente de un bombeo administrado o extranjero. Para las aplicaciones de visión sintético, Databricks recomienda que ETL imágenes en una tabla Delta con el cargador inevitable. El Cargador inevitable Ayuda a la papeleo de datos y maneja automáticamente la aparición continua de nuevas imágenes.
Paso 3: Entrenar y regir modelos de IA
Una vez que las imágenes están preparadas para el entrenamiento maniquí, el Tiempo de ejecución de Databricks para el formación inevitable Automatiza la creación de grupos con formación inevitable previamente construcido e infraestructura de formación profundo, incluida la más global de formación inevitable y las bibliotecas de formación profundo. Por otra parte, con Mlflow administradoDatabricks extiende la funcionalidad de Mlflowproporcionando papeleo y gobernanza del ciclo de vida maniquí.
Para esta aplicación Edge Machine Vision, se considera un operación popular de visión sintético, YOLO (solo se ve una vez). La popularidad de Yolo para la inferencia de borde proviene de su obra única, que procesa imágenes en un solo pase. Esto ofrece velocidades de detección notablemente rápidas y pequeñas huellas de modelos al tiempo que mantiene la precisión suficiente para muchas aplicaciones industriales, lo que lo hace ideal para dispositivos de borde limitados por medios.
El posterior pseudo-código proporciona un flujo racional de capacitación y registro de modelos como ONNX, que se discute más delante en el paso 4. La documentación de Databricks proporciona Un ejemplo completo de entrenamiento de visión en máquina con Pytorch.
Paso 4: Maniquí de exportación para la implementación de borde
Una vez capacitado en su situación de formación inevitable preferido, el maniquí debe exportarse para la implementación de borde. ONNX (Open Neural Network Exchange) se ha convertido en un formato de maniquí popular para las implementaciones de borde oportuno a su portabilidad admirable en diversos entornos de hardware. Al proporcionar una representación intermedia estandarizada para las redes neuronales, ONNX permite que los modelos entrenados en marcos como Pytorch o TensorFlow se implementen en una amplia variedad de dispositivos de borde sin dependencias específicas de situación. Por otra parte, las optimizaciones de rendimiento incorporadas de ONNX Runtime adaptan automáticamente modelos a las características específicas de hardware de los dispositivos EDGE, ya sea que estén utilizando CPU, GPU o aceleradores de IA especializados. Esta combinación de flexibilidad de hardware y capacidades de inferencia optimizadas hace que ONNX sea particularmente valioso para las organizaciones que implementan soluciones de formación inevitable en entornos de borde heterogéneo con diferentes restricciones computacionales.
El mlflow.onnx módulo Proporciona API para registrar y cargar modelos ONNX. Interiormente de Databricks, un Registro de maniquí alojado con Catálogo de Pelotón Proporciona API completamente gobernadas utilizadas por Crosser para descargar el maniquí e implementarlo al borde.
Paso 5: Descargue y realice inferencia de borde y alertas en tiempo verdadero con Crosser
Una vez descargado, el maniquí YOLO ONNX está preparado para la inferencia con Crosser. La «detección de video de video» de Crosser demuestra cómo procesar videos en vivo de las cámaras locales, detectar defectos de crack en tiempo verdadero y tomar medidas inmediatas.
Cuando se detectan grietas:
- Activar notificaciones a HMI locales para la revisión del cámara.
- Envíe alertas al personal relevante a través de servicios de notificación.
- Detenga automáticamente la máquina para evitar más daños.
Paso 6: retornar a entrenar y retornar a implementar con Databricks y Crosser
La maquinaria industrial a menudo se degrada oportuno al entorno activo duro y requiere un mantenimiento continuo. Los modelos de IA no son diferentes, y con este cruce de patrones de obra puede capturar de guisa inteligente los nuevos datos de imagen para expedir a la montón y Databricks Lakehouse Monitoreo Continuará continuamente la calidad de los datos y el rendimiento del maniquí. Si se detecta la deriva, las herramientas de orquestación de Databricks pueden retornar a entrenar automáticamente el maniquí y activar la redistribución al cruce, cumpliendo todo el ciclo de vida de MLOPS.
Desbloquee todo el potencial de la visión sintético de la convergencia de IT/OT
La asociación entre Databricks y Crosser representa un avance en la orquestación industrial de IA, creando un puente sin problemas entre el procesamiento de borde y la capacitación del maniquí de IA para entornos de fabricación. La plataforma de inteligencia de Edge de Crosser captura y procesa los datos de visión de máquina en tiempo verdadero en la cadena de producción, mientras que Databricks proporciona la infraestructura escalable de Data Lakehouse para capacitación integral de modelos y monitoreo del rendimiento. Este enfoque integrado elimina las barreras tradicionales entre la tecnología operativa y la tecnología de la información, lo que permite a los fabricantes implementar modelos sofisticados de visión por computadora que evolucionan con las condiciones de producción cambiantes. Al combinar el procesamiento de borde de pérdida latencia de Crosser con la poderosa gobernanza de MLFLOW de Databricks, las empresas pueden implementar soluciones de IA de visión que no solo detectan problemas de calidad al instante, sino continuamente, a través de ciclos de capacitación modelos automatizados. Para los fabricantes que buscan alterar los procesos de calidad de fabricación, esta colaboración ofrece una decisión serie para la producción que ofrece beneficios operativos inmediatos y virilidad de IA a abundante plazo, convirtiendo la orquestina de fabricación de una colección de instrumentos individuales en una sinfonía armoniosa de excelencia basada en datos.
La plataforma de inteligencia de datos para la fabricación ayuda a los fabricantes a desplegar IA industrial a escalera con socios líderes del ecosistema como Crosser. Si está buscando mejorar los márgenes operativos a través de aplicaciones de IA mientras gestiona el crecimiento exponencial en los volúmenes de datos, comuníquese con su equipo de cuentas de Databricks para mostrarle cómo una plataforma unificada aporta el poder de IA a sus datos y personas, para que pueda construir IA en cada proceso.