发布于 2021-11-05
这是个很好的问题,数据来源通过传感器或视觉传感器采集,对于传感器数据,综合历史数据量,需要考虑数据清洗等工作,对于因子的分析需要使用到机器学习算法库及模型,建议参考rapids.ai,我们开源的大数据开源加速框架,对于视觉传感器,对于检测的种类和特点,需要在模型选择及模型加速方... (more)
如果是基于AI实现,深度学习是一方面重要的能力,另外平台能力及工程能力也非常重要。
安全生产是一个非常典型的视频应用的场景,采用GPU加速是行业很成熟的解决方案,建议参考英伟达DeepStream框架去快速构建一个视频应用,代码和Demo都可以到NGC访问 https://docs.nvidia.com/metropolis/index.html... (more)
比较常用的是机器视觉和智能AI视觉的方式,两者互相补充,前者实现定位,识别,跟踪,计量等功能,后者更多聚焦业务及缺陷,处理视觉可见维度中更高维的信息并转化价值。
就像之前提及的,需要比较明确的定义问题。
人工智能在制造业信息化中,还是有蛮多的使用场景,简单列举一些如下,工程设计仿真阶段,芯片设计,复杂PCB设计仿真,CAE有限元仿真,智能工厂方面,机器视觉,智能缺陷检测,良率及虚拟量测,安全生产视频分析,自主机器人及仿真,人机交互,供应链优化,设备预防性维护,工业大数据分析,数字孪生等场景... (more)
英伟达推荐采用容器化的方式使用AI计算,建议参考 NGC( ngc.nvidia.com ),这是一个英伟达推荐并免费提供给我们开发者一个容器镜像集合,包括从训练到推理,从脚本到应用部署,都是基于容器化实施,如果提及的AI分析能力是类似大数据分析,建议参考RAPIDS开源加速框架( https://rapids.ai... (more)
这是一个很好的问题,也是一个很大的问题,人工智能在落地的过程中,对于数据,算法,算力及工程都有很高的要求,从学术或技术细节看,每一个因素都会影响算力的需求,目前行业已经具备一个很清晰的共识,尤其在智能检测的场景中,边缘计算是一个非常合适的算力部署位置和形态,所以英伟达从去... (more)
定位,分析和解决问题是非常重要的解题思路和逻辑,还有一个环节也比较重要,就是定义问题及人工智能的边界,首先谈谈定义问题,无论对质量控制,还是AI检测,对于目前企业的痛点和解决该痛点,需要有一个明确的定义和量化的指标,一切不可量化的解决方案都不具备说服力,这个量化的KPI需要... (more)
这个指标比较难估计,每家企业的流程和质量要求不尽相同,从近期最新发布的灯塔工厂白皮书中引用一些KPI,供您参考。3C行业,人员绩效管理方面,劳动生产率提升200%,人员效率提升50%,质量方面,人工检测减少92%,检测成本下降55%,产量提升5%,良率提升2%,PPM下降21%。另一个行业的数据,汽车行... (more)
英伟达(NVIDIA) 公司是全球视觉计算技术的行业领袖及GPU(图形处理器)的发明者。NVIDIA 提供能够重塑行业和社会的核心技术. 加速计算需要的不止是强大的芯片。 通过全栈发明,我们实现了从芯片和系统到其运行的算法和应用的惊人提速。NVIDIA 将 AI 引入 各个行业 AI 从研究实验室开始,然后被云计算提供商采用。 现在我们站在下一波 AI 采用浪潮的尖端:企业 AI 自动化。 AI 的下一波浪潮即将到来,它将彻底改变全球最大的产业。