Pense em sua operação de fabricação como uma orquestra – todo instrumento precisa jogar em perfeita harmonia para criar uma obra -prima. Mas, em vez de violinos e violoncelos, você tem máquinas, sensores, câmeras e sistemas de controle, todos gerando seus próprios fluxos de dados críticos. Durante anos, os fabricantes têm se esforçado para encontrar um condutor que possa reunir todos esses instrumentos em um desempenho coeso.

Os dados de hoje e a tecnologia de IA mudaram completamente essa dinâmica. Ao conectar -se a qualquer fonte de dados de fabricação – do equipamento herdado aos mais novos sensores de IoT – as empresas podem finalmente orquestrar toda a sua operação em tempo real com cruzamento e banco de dados. Isso significa variações do processo de captura no momento em que começam, recomendando ajustes de parâmetros para manter a qualidade e eliminar os atrasos caros entre a detecção de problemas e corrigi -los. O resultado é um processo de fabricação que não apenas coleta dados, mas na verdade o coloca para trabalhar impulsionando a melhoria contínua.

Mlops para fabricação orientada a eventos

Os fabricantes de processos em indústrias como plásticos e fabricação de papel devem desenvolver sistemas robustos de monitoramento em tempo real para responder imediatamente a problemas de qualidade, como rachaduras de borda e defeitos de superfície. Ao implementar redes avançadas de sensores conectadas a sistemas de decisão automatizados, os operadores podem detectar defeitos em seus estágios iniciais e alertar os operadores para obter resolução rápida. Essa capacidade de resposta imediata impede que pequenas lágrimas se transformem em grandes defeitos que resultam em sucata e desperdício significativos. As soluções mais eficazes combinam a computação de arestas para análise instantânea com plataformas de dados em nuvem que melhoram continuamente a precisão da detecção ao longo do tempo, transformando o controle de qualidade reativa em manutenção prescritiva que aborda possíveis problemas antes que eles se manifestem como defeitos físicos.

Acelere a detecção de defeitos com simplicidade inteligente de borda no cruzamento

Ao monitorar as rachaduras em sistemas de produção de alta velocidade, até atrasos de milissegundos são significativos. A simplicidade de arestas na complexidade industrial de lutas cruzadas, permitindo a detecção e resposta imediatas de defeitos onde a fabricação realmente acontece, eliminando a latência da rede e permitindo que as ações sejam tomadas antes dos defeitos em cascata em problemas maiores. Alguns aspectos-chave da plataforma orientada por eventos de Crosser:

  • Minimizar a latência para ação rápida – Quando a milissegundos é importante, a inferência de arestas permite uma ação imediata para minimizar o impacto de um defeito. Ao processar dados no local, você reduz significativamente os tempos de resposta, garantindo o mínimo de tempo de inatividade e evitando reparos dispendiosos.
  • Otimize o uso da largura de banda – Os fluxos de vídeo de alta resolução exigem imensa largura de banda para transmitir dados para a nuvem. A execução de modelos mantém localmente os dados em seu ambiente, reduzindo a dependência de Internet de alta velocidade e reduzindo os custos operacionais.
  • Convergência de TI/OT inteligente para desvio do modelo de IA – Os pipelines de dados de ponta a célula inteligentes transferem seletivamente apenas os pontos de dados anômalos mais informativos para os sistemas em nuvem necessários para treinar os modelos ML afetados pela deriva de dados. Essa filtragem inteligente garante que a reciclagem do modelo incorpore casos de arestas emergentes e mudanças nas condições de produção, mantendo a precisão da detecção sem sistemas centrais esmagadores com dados redundantes ou de baixo valor.

Databricks + Crosser: Mlops de visão de ponta a ponta

Ao combinar a plataforma de análise de borda do Crosser com as ferramentas de AI em mosaico da Databricks, você obtém uma solução perfeita para a detecção de defeitos baseada em Machine Vision. Veja como implementá -lo:

Etapa 1: Colete dados da imagem e faça o upload para a nuvem com o cruzamento
A coleta de dados é a base dos modelos de IA eficazes. Usando Flowapp de Crosser “Captura de vídeo”você pode capturar facilmente feeds de vídeo de câmeras locais. Cada quadro é convertido em uma imagem JPEG e Carregado para o seu armazenamento em nuvem preferidocriando um conjunto de dados robusto para treinar seu modelo.

Etapa 2: ingerir e governar dados de imagem
Dentro da nuvem, Databricks Volumes de catálogo de unidades Permita que os usuários governem e armazenem vários tipos de conteúdo, incluindo imagens, dentro de um volume gerenciado ou externo. Para aplicações de visão de máquina, o Databricks recomenda que você ETL imagens em uma tabela delta com o carregador automático. O Carregador automático Ajuda o gerenciamento de dados e lida automaticamente a chegar continuamente novas imagens.

Etapa 3: treinar e governar os modelos de IA
Uma vez que as imagens são preparadas para treinamento de modelo, o Databricks Tempo de execução para aprendizado de máquina automatiza a criação de clusters com aprendizado de máquina pré-construído e infraestrutura de aprendizado profundo, incluindo o aprendizado de máquina mais comum e as bibliotecas de aprendizado profundo. Além disso, com MLFlow gerenciadoDatabricks estende a funcionalidade de Mlflowfornecendo gerenciamento e governança do ciclo de vida do modelo.

Para este aplicativo de visão de máquinas de borda, um algoritmo popular de visão de máquina, YOLO (você olha apenas uma vez), é considerado. A popularidade de Yolo para a inferência de borda decorre de sua arquitetura exclusiva, que processa imagens em um único passe. Isso oferece velocidades de detecção notavelmente rápidas e pegadas de modelo pequenas, mantendo uma precisão suficiente para muitas aplicações industriais, tornando-o ideal para dispositivos de borda com restos de recursos.

O pseudo-código a seguir fornece um fluxo lógico de treinamento e log de modelos como ONNX, que é discutido mais adiante na etapa 4. A documentação do Databricks fornece Um exemplo completo de treinamento em visão de máquina usando pytorch.

Etapa 4: Modelo de exportação para implantação de borda
Uma vez treinado em sua estrutura de aprendizado de máquina preferida, o modelo precisa ser exportado para implantação de arestas. O ONNX (Open Neural Network Exchange) surgiu como um formato de modelo popular para implantações de borda devido à sua portabilidade excepcional em diversos ambientes de hardware. Ao fornecer uma representação intermediária padronizada para redes neurais, o ONNX permite que modelos treinados em estruturas como Pytorch ou TensorFlow sejam implantados em uma ampla variedade de dispositivos de borda sem dependências específicas da estrutura. Além disso, as otimizações de desempenho interno do ONNX Runtime adaptam automaticamente os modelos às características específicas de hardware dos dispositivos de borda, estejam utilizando CPUs, GPUs ou aceleradores de IA especializados. Essa combinação de flexibilidade de hardware e recursos de inferência otimizada torna o ONNX particularmente valioso para as organizações que implantam soluções de aprendizado de máquina em ambientes de borda heterogêneos com restrições computacionais variadas.

O módulo mlflow.onnx Fornece APIs para registro e carregamento de modelos ONNX. Dentro de Databricks, a Registro de modelos hospedado com catálogo de unidades Fornece APIs totalmente governadas usadas por Crosser para baixar o modelo e implantá -lo na borda.

Etapa 5: Baixe e execute inferência de borda e alerta em tempo real com crosser
Depois de baixado, o modelo YOLO ONNX é preparado para inferência no Crosser. O Flowapp “Video Crack Detection” de Crosser demonstra como processar feeds de vídeo ao vivo de câmeras locais, detectar defeitos de crack em tempo real e tomar medidas imediatas.

Quando as rachaduras são detectadas:

  • Acionar notificações para os HMIs locais para revisão do operador.
  • Envie alertas para o pessoal relevante por meio de serviços de notificação.
  • Pare automaticamente a máquina para evitar mais danos.

Etapa 6: re-trep e re-implante com Databricks e Crosser
As máquinas industriais geralmente se degradam devido ao ambiente operacional severo e requer manutenção contínua. Os modelos de IA não são diferentes, e com este cruzador de padrões de arquitetura pode capturar de forma inteligente novos dados de imagem para enviar para a nuvem e Databricks Monitoramento de Lakehouse rastreará continuamente a qualidade dos dados e o desempenho do modelo. Se o desvio for detectado, as ferramentas de orquestração do Databricks podem automaticamente treinar o modelo e acionar a reimplantação para cruzar, cumprindo todo o ciclo de vida do MLOPS.

Desbloqueie todo o potencial da visão de máquina/convergência

A parceria entre Databricks e Crosser representa um avanço na orquestração industrial de IA, criando uma ponte perfeita entre o processamento de borda e o treinamento de modelos de IA para ambientes de fabricação. A plataforma de inteligência de borda de Crosser captura e processa dados de visão de máquina em tempo real na linha de produção, enquanto o Databricks fornece a infraestrutura escalável do Data Lakehouse para treinamento abrangente de modelos e monitoramento de desempenho. Essa abordagem integrada elimina as barreiras tradicionais entre tecnologia operacional e tecnologia da informação, permitindo que os fabricantes implantem modelos sofisticados de visão computacional que evoluem com as mudanças nas condições de produção. Ao combinar o processamento de arestas de baixa latência de Crosser com a poderosa governança do MLFlow do Databricks, as empresas podem implementar soluções de IA Vision que não apenas detectam problemas de qualidade instantaneamente, mas continuamente, melhoram através dos ciclos automatizados de reciclagem de modelos. Para os fabricantes que buscam transformar processos de qualidade de fabricação, essa colaboração oferece uma solução pronta para produção que oferece benefícios operacionais imediatos e maturidade de IA a longo prazo-transformando a orquestra de fabricação de uma coleção de instrumentos individuais em uma sinfonia harmoniosa da excelência orientada a dados.

A plataforma de inteligência de dados para fabricação ajuda os fabricantes a implantar IA industrial em escala com parceiros de ecossistemas principais como Crosser. Se você deseja melhorar as margens operacionais por meio de aplicativos de IA, gerenciando o crescimento exponencial nos volumes de dados, entre em contato com a equipe da conta do Databricks para mostrar como uma plataforma unificada traz o poder da IA ​​para seus dados e pessoas, para que você possa criar IA em todos os processos.