吉祥坊手机官网

首页 > 正文

TCL研究院俞大海:我从智能制造实践中总结出的几点经验丨CCF-GAIR 2019

www.martialartssummerprogram.com2019-07-25
吉祥坊手机投注网站

  

雷锋网艾迪金志出版社:2019年7月12日至7月14日第四届全球人工智能与机器人峰会(CCF-GAIR2019)在深圳正式召开。此次峰会由中国计算机学会(CCF)主办,由雷锋网和香港中文大学(深圳)主办,由深圳人工智能与机器人研究所共同主办。

会议的第三天,“智能商务特刊”,阿里巴巴集团副总裁,首席执行官助理肖丽华,京东零售首席科学家,技术副总裁胡露辉,德州农工大学数据挖掘实验室主任,胡霞,苏宁零售技术研究院长王俊杰,TCL研究院(香港)研究院总经理于海,延伸了智能CTO柯岩发表精彩演讲,分享他们对智能业务的理解和实践。

其中,TCL研究院(香港)研究院总经理于大海分享了TCL在智能制造领域的实践和经验,主题为《AIxIoT-TCL人工智能技术在智能制造的应用》。

根据余大海的说法,制造业的数据极不平衡,样本数量较多,样本数较少。使用传统机器学习实践训练模型非常差。 TCL的方法是生成一个反网络来模拟真实的生产环境,生成更多的负样本,然后通过强化学习训练模型。

他指出,该行业目前的做法是将人工智能应用于现有业务流程,效果有限。由于现有业务流程适用于人员,因此未来我们还可以尝试为机器学习服务设计一组业务流程。

于大海还提到,许多工厂不方便将数据上传到公共云,但人工智能在私有云上的应用成本太高。这个问题可以通过边缘计算来解决。首先,在边缘处理数据,仅将特征信息上载到云,并且一些功能直接在边缘实现。

我很高兴来到这里分享我在智能制造方面的经验。我今天分享的主题是“人工智能技术在智能制造中的应用实践”。我们为什么要强调“应用实践”?因为智能制造是一个非常大的话题,你可以打开一个这样大小的论坛进行讨论。智能制造不是一个新概念,每个人都熟悉它。无论是中国的智能制造2015还是欧洲的工业4.0,其内涵都非常接近。所以我今天不给你科学,而是专注于我们在某些应用中的实践。

智能制造不是一件容易的事。特别是,人工智能在制造业中的应用并不像安全和零售行业那样直接。因为从数字化和信息的角度来看,制造领域的过程非常复杂。

人工智能在制造领域可以发挥什么作用?我们多年来一直在这方面进行研究并做了很多试验,特别是TCL,它在过去十年中一直在努力。我来自TCL研究所,我们专注于人工智能可以为生产,测试和其他方面带来的变化。今天,我想与大家分享我们的一些实践并思考未来趋势。

谈到TCL,每个人都首先想到的是电视,但实际上我们不只是做电视。 TCL有两个业务集团:第一个是智能终端和新兴业务部门,包括刚才提到的电视。目前,我们已超越LG,在全球排名第二,仅次于三星;此外,我们还有手机和家用电器,如黑莓和阿尔卡特等品牌都归TCL所有。第二个是半导体显示器和材料部分。我们非常深入地探索了这一领域,并处于先进制造业的前沿。半导体显示器不同于传统的组装和OEM工业。它属于精密制造,对自动化和信息化有很高的要求。这为我们开发智能制造奠定了良好的基础。

我院技术布局简介主要有三个方向:一是人工智能和大数据;另一种是半导体显示技术和材料,后者包括材料研发和制造;第三是智能制造和工业互联网。 TCL在香港,欧洲,美国,西安,武汉和深圳设有六个研发中心。许多科学家和算法工程师共同致力于TCL的新材料开发,智能制造和工业互联网服务。

下图显示了我们的一些具体研究方向,涵盖了所有与人工智能相关的技术,无论是图像识别,机器学习,数据分析建模,还是NLP,ASR等。其中一些用于智能终端,包括电视,移动手机,智能家居等。

下图显示了我们智能制造的物联网平台。我们拥有自己的工业云,大数据云,物联网云和人工智能平台。后者可以在TCL的工业物联网中提供机器学习,计算机视觉,NLP,BI和其他功能,为我们的智能工厂,供应链,市场前端甚至研发提供服务。每个部分都有很多内容,这里不再赘述。

下图显示了我们的AI服务。最底层是我们团队在过去五六年中积累的能力。它可以集成到单个高性能计算解决方案中,用于统一输出,也可以导出到第三方平台。这种高性能计算解决方案可以移植并转换为不同的应用场景。我们知道人工智能由非常复杂的算法组成,必须移植和转发才能应用于特定场景。我们的解决方案可以完美地应用于应用层中的每个产品,包括移动电话,电视等;这是我们独特的优势。

作为TCL的产品,工业物联网不仅服务于自身,还可以出口到上游和下游合作伙伴。除了云解决方案,我们还提供边缘端解决方案。不同的算法和技术可以根据客户的需求形成个性化的解决方案。

接下来,分享一些具体案例。我们在这方面有很多案例,例如与中国最好的电池公司和原始设备制造商合作,以提高他们的制造能力。但我认为半导体显示器行业是TCL勘探的一个非常深刻的领域,它具有很强的代表性。由于时间关系,我们只使用自己的工厂。

首先,回顾TCL对半导体显示器的投资。 2009年,我们建立了第一家半导体显示工厂,仅用了十年时间。目前,TCL共有8家半导体显示工厂,3家在深圳,2家在武汉,2家在建,其中一家刚刚成立。一般而言,半导体显示器是显示屏。我们的产品线涵盖各种电子设备的显示屏,大小屏幕以及柔性屏幕。已投入生产的五家工厂,T1,T2和T3都是智能制造2025的示范单位。

当我们建造这些工厂时,我们想到了很远,如何优化智能制造。自2016年以来,我们为所有工厂进行了自动化和数据转换,转型工作已经完成。自2017年以来,我们已成功构建了物联网平台。基于此平台,所有工厂都能够收集,管理和分析我们想要的数据,并真正实现可视化。从去年开始,我们也在人工智能领域花了很多时间,逐渐取得成效;我们希望明年将所有工厂应用人工智能技术。

在智能制造领域,我们专注于三个核心部分:

一个是物联网平台。如果您的工厂充分自动化,信息化水平很高,精益管理也没有问题。如果您希望它真正智能化,您必须开发物联网平台。由于您的数据是多维和多模式的,如果没有物联网平台来收集数据并将其与机器相关联,则无法实现后者的智能。这对工厂构成了巨大的挑战。

第二个是大数据平台。很多数据都在进来。它可能有用而且有些无用。清理和管理数据并将数据转换为服务非常重要。

最后,它是人工智能的平台。将数据与生产流程相结合,提供智能服务,帮助提高效率并降低成本。它为什么聪明?

所有制造公司面临的最基本问题是降低成本,提高效率,实现产能和产量之间的最佳平衡。这些问题在精益制造之前已经解决,现在智能也是如此。

挑战非常大。智能制造过程很复杂,我们已经通过精益制造和自动化提高了我们的生产能力和产量,但仍有改进的空间。在智能化过程中,我们依靠每个设备生成的数据来优化每个链路,并驱动数据以实现有效的管理和准确的判断。

降低成本,提高效率并提高产量。怎么做?以下是每个人都可以回答的两个例子。

该生产线包含约20个流程,每天可生成700,000张图像。我们希望在保证产品的情况下使用这些图像来提高产量。怎么做?

在过去,我们手动总结了100多个缺陷,派出10个人到三个班次(即30个人)来检查这些图像,并在发现问题时进行修复。当我们第一次建造工厂时,这种方法仍然非常有效,这使我们在同行中的高产量非常高。但随着产能和产量的增加,我们意识到我们不能再这样做了。首先,成本非常高,其次,人工方法难以改进。

我们该怎么做呢?使用深度学习技术分析机器产生的大量图像,这个过程并不复杂,问题很快得到解决。

在过去,手动过程用了五年时间来总结经验以达到完美效果。现在我们用人工智能技术取代了一年,效率更高。

让机器自动从数百万张图片中学习,而不是手动总结问题和注释,您可以自动找到这些缺陷,并找到新的缺陷。我们原本需要10个人,我们只需要一个人。它只需要确保机器没有大问题。

这甚至产生了一些边际效应。通过长期的数据积累和自学习,我们可以在某些方面提前发现问题,在解决之前我们不必等到产量错误。我们甚至可以提前一两个小时发出警告,以解决婴儿期的问题。因此,我们的检测效率提高了20%,同时节省了大量人工成本。

看另一个案例。我们刚才说的是使用算法来检查产品的缺陷。我们来谈谈如何使用数据和算法来发现生产过程中的问题。过去,这个问题完全依赖于专家。一位工作了十多年的老工人判断哪台机器有问题。在过去,我们觉得AI不能这样做。后来发现它不是因为人类经验是数据和知识积累的过程。只要知识和信息被数字化并且算法找到过程和数据之间的相关性,它就可以做到。

下图是传统的深度学习或机器学习方法。使用机器学习方法进行建模,对大量数据进行分类或回归以发现问题并进行一些简单的分类预测。这种方法需要非常高的数据,需要非常干净的数据,并且需要人们进行注释并改变人们的知识。

但我们不这样做。我们使用反生成网络生成具有历史数据的环境并模拟数据生成过程。使数据更接近实际情况。你为什么要这样做?由于制造业中的数据非常不平衡,因此存在大量正常数据,并且负数样本很少,99%可能是正样本。如果您只是使用这些样品进行分析,效果非常差。如果我模拟一个环境,我可以让他在网上学习,就像玩Go一样,让机器自己玩3000万游戏。这将产生更接近实际情况的负样本,并且我们将其用于强化学习以训练预测模型。这个预测模型可以根据你的任务进行调整,最终得到预期的效果。

举一个泵寿命预测的例子。这项工作过去完全依赖人类经验。没有多年生产线工作经验的人不能这样做。手动检测,轻微判断错误会导致停机,一小时的停机会给企业带来巨大损失。我们现在正在通过机器学习来完成它,并且没有停机时间。它仍然提前预测其健康生活,提前维护和修理,以确保它永远不会崩溃。

我之前介绍了TCL在工厂中应用人工智能的两个例子。让我们分享一些经验。

人工智能在工厂可以做些什么?我认为有三件事:发生了什么,为什么,发生了什么;这是我们在实践中证明的。接下来我们要考虑的是如何更好地将人工智能应用于这些链接。在此过程中存在相当多的挑战,因为我们面临着大量结构化和非结构化数据。如何有效地结合数据和人工智能,充分发挥其价值是我们需要思考的命题。

此外,人工智能可以做出决策,可以做认知智能,怎么做,这是很多人关心的话题。从实际的角度来看,我们还没有做到,但值得研究方向吗?会有一些新的应用程序吗?

还有一张知识地图。在调查了大量制造公司之后,我们发现知识地图对于智能决策和智能预测至关重要。没有知识地图,您就不知道您的生产过程。我们希望每个人都可以建立自己的知识地图,而不是绘制的文本,而是真正的数字知识地图。

我们的实践证明深度学习非常容易使用。它可以在未来与自动学习或强化学习相结合吗?从我们这个时代开始,这是有效的。我认为这个方向值得进一步研究。

就数据而言,标记数据太重要了。即使我们做了一些自动学习解决方案,我们仍然依赖于标记数据。带有标签的数据越多,效果就越快。

我们目前的方法是在现有的生产过程中添加人工智能,这可以发挥一些作用,但并非所有价值。所以我们开始考虑现有的生产过程是否可以改进?改变整个生产框架和过程,并将人工智能作为核心组成部分。因为现有的流程是在一开始就为人们服务,如果人工智能有效,你能否专门为它设计一个流程?我认为这不仅仅是智能制造业。在零售等其他领域也值得考虑。

此外,我认为边缘计算将是人工智能的关键。许多公司,特别是工厂,难以将数据上传到公共云,并且他们都拥有自己的私有云。但如果一切都在私有云上完成,那么成本太高,边缘计算就可以工作。我们希望未来的人工智能不需要将所有数据上传到云端,但是已经在机器端处理过,只上传了一些功能信息,甚至一些功能都可以直接在机器端实现。

最后,插入一个小广告。 TCL与香港大学合作,成立人工智能联合研究中心。我们投入了大量资源,得到了香港政府和香港大学的大力支持。希望对人工智能感兴趣的朋友可以联系我们寻找合作机会。 TCL已经开设了13个项目,包括智能终端,智能制造,半导体显示材料等。我们将提供自己的优势,如数据和应用场景,并欢迎大家合作。

热门浏览
热门排行榜
热门标签
日期归档