利用AI邊緣運算 學習偵測設備異常

SAS賽仕電腦軟體資深顧問分析師林育宏。

隨著工業物聯網(IIoT)的導入，製造業將邁向數位化轉型，進而發展智慧製造。SAS賽仕電腦軟體資深顧問分析師林育宏指出，工廠數位化會衍生三種情境：資料的高度整合、設備對設備的溝通協作及大量客製化產品。再進一步，大量的數位化資料及串流資料，可透過大規模且多維度的AI分析技術為數位化工廠或製造業服務更添智慧。達到智慧化將助益工廠完成自動最佳化設備參數、製品缺陷即時偵測及設備預測保修，這體現的就是物聯網與人工智慧的結合，即AIOT。

林育宏指出，機器學習是目前人工智慧領域內最強的分析技術，模型可從大量數據中迭代組合出各式強解釋力特徵，超越傳統分析人員能力，來理解IIoT大數據的特定模式，達到製造業AI的應用目的。而根據IDC報告指出，2019年儲存、處理及分析的大數據，將有超過40%是由物聯網產生，甚至在邊緣裝置被有效處理。邊緣運算是指資料分析發生在近乎於資料產生的終端裝置內，可大幅降低往返雲端的流量及儲存成本、資料不落地以確報資安，以及更即時地回饋數據價值於終端裝置，展現人工智慧面貌。

目前國外已有不少業者開始發展邊緣運算應用。像是芬蘭鐵路的1,500輛火車，各搭載30,000個輪軸組，加以夏冬季溫度劇變，定期性保修為其帶來巨額成本。為此SAS協助其以AI機器學習模型，即時分析輪軸組及車門上的IoT感測器資料，估計最大可能損壞時間做到預測性保修，降低33%的保修及零件庫存成本。而日本多功能事務機Konica Minolta也與SAS攜手，打造串連各類事務機的物聯網，以感測資料建立超過60個進階模型，最佳化各種機型的預測維修與零件替換，降低客戶原先定期就要取走零件或停機維修的困擾。