Insight Tech

市區街道、大學校園、體育場和工廠的共通之處為何？視訊攝影機。視訊攝影機涵蓋各式各樣地點，服務所有種類的需求，從交通管制、娛樂到製造業員工安全。

然而，這些情境都有一大挑戰。視訊攝影機雖然分布廣泛，但卻不夠智慧靈活，無法滿足企業目標或提供足夠的投資報酬率。

監控影片片段多半是人為即時觀測。即使是最勤快的人也會分心和注意力不集中。然而，拜處理與分析技術進步之賜，企業和市政府可以利用既有的視訊攝影機系統，獲得前所未有的深入解析和資訊。

視訊資料分析公司 AvidBeam 執行長 Hani Elgebaly 表示：「不具分析能力的攝影機，幾乎形同失效的投資。」「由於人類保全人員有天生的侷限，因此組織需要分析能力，才能處理值得注意的事件。」

AI + 深度學習 = 智慧型攝影機

Elgebaly 負責帶領研發專案 19 年之後，於 2014 年共同成立了 AvidBeam。自此之後，該公司便開發出採用大數據工具和深度學習模組的處理引擎，可從即時視訊串流識別及分類物件和模式。Elgebaly 表示：「AvidBeam 有多款應用程式可帶動安全性、工作場所安全、作業效率和商業情資。我們的應用程式利用 AI 和深度學習，從視訊串流擷取實用的深入解析，然後儲存於資料庫，或是透過視覺化的使用者介面向客戶顯示。」

Elgebaly 憑借他的技術與商業背景，看出了利用 Intel^® 這類尖端技術的價值。他表示：「Intel 為從伺服器到智慧型攝影機，再到行動裝置的視訊分析作業，提供了關鍵的強大處理器。」「科技可協助我們提供最佳效能與強化的體驗。」

AvidBeam 解決方案開發工作採用訓練資料，並且利用 TensorFlow、Tensor RT 和 Café 這類傳統 AI 工具。這項解決方案可偵測、追蹤、分類及分析視訊串流，進而擷取物件、人、事件、警報等其它資訊。

擷取的資料會透過網路瀏覽器視覺化，因此您可在任何裝置查看這項資料，例如筆記型電腦、平板電腦或手機。此外，由於該解決方案會合成大數據分析，以近乎即時的方式處理及分析大量視訊串流，因此可配合智慧城市和企業組織擴充。

智慧視訊分析可保護隱私權

在傳統攝影機加入新技術，既可實現安全目標，還能維持隱私權。Elgebaly 表示：「我們尊重個人隱私權，不會保留個人資料。」「我們正提供分析工具，以零售業為例，客戶資料會留在內部。從那個角度來看，我們遵循了 GDPR 和其他隱私權法規。」

透過 AI 技術支援之視訊處理與分析的可擴充性，應用程式可徹底改變各式各樣的使用案例，包括市政府、零售業和製造業。

智慧城市尤其適合利用視訊分析。科技可協助城市打造高效率、更安全且更宜居的環境。

舉例來說，交通管理可同時提供安全與效率，而且基於偵測違規事件以外目的執行視訊分析的城市越來越多。為行人和自行車騎士改善環境、減少道路擁塞，以及改善空氣品質，這些作法都能強化城市生活方式。

Elgebaly 表示：「我們每天都發現新的使用案例，而且我們認為業界對於視訊分析潛力的瞭解還不夠深入。」

夥伴生態系統的價值

透過在現有平台與工作流程整合視訊分析保護企業投資，是他們共同關切的一項問題。AvidBeam 技術不僅能利用企業既有的視訊系統，還能搭配各式各樣的視訊管理解決方案使用。

Elgebaly 表示：「我們整合了 Milestone 這類視訊管理系統，因此 VMS 的使用者介面可顯示警報和警示。」「我們與 Milestone 的夥伴關係至關重要，因為客戶會透過他們的市場找到我們。幸好我們所有的應用程式皆原生整合 Milestone，因此我們可因應目前和未來的使用案例。」

另外，AvidBeam 重視它與解決方案供應商和系統整合商的夥伴關係。Elgebaly 補充：「對於缺乏為客戶部署這類解決方案所需技能的合作夥伴，我們會持續為他們提供新機會。身為純軟體供應商，我們側重的是技術，並且讓合作夥伴可銷售及安裝硬體及提供服務。

視訊處理與分析的未來

雖然視訊分析技術的應用程式可能很多，但我們仍處於早期採用者的階段。「未來十分令人雀躍。除了適用於智慧城市與製造業的應用程式，技術還可望迅速將觸角延伸至各行各業，例如運輸系統、醫院和零售商。」

過去幾年，製造商為了精簡營運方式飽受壓力。徹底改變智慧工廠是其中一個方法。所謂的徹底改變可能涵蓋很多層面，其一是採用攝影機系統締造機器視覺。在機器視覺解決方案採用 AI，但這種解決方案似乎卻比問題本身更嚇人，尤其是身邊若沒有資料科學家或 AI 開發人員則更令人膽戰心驚。

Mariner 是善用物聯網、AI 和深度學習的技術解決方案供應商，該公司的行銷副總裁 David Dewhirst 為我們解析了這個情勢。David 將焦點放在 Mariner 關鍵的專業領域，也就是充分運用機器視覺和 AI，在廠房締造品質保證，因為誠如他所說，品質並非憑空而來。此外，事先在廠房為品質付出代價，遠遠勝過為產品粗製濫造而在商譽上付出代價。

這對智慧工廠來說代表什麼意義？

我習慣區別資料與資訊之間的不同。資料僅僅是輸入，而且無所不在。您必須以某種方式轉換那項資料，才能像利用資訊般充分發揮資料的用途。思考智慧工廠或連線工廠時，我會將廠房固有的所有資訊都納入考量。那麼，您如何連結所有的資料？此外，您如何處理那些資料，從中獲得實用的結果，並取得資訊？此外，利用全新的感應器與技術，能夠真正提升製造業的頂尖水準。

在這趟邁向智慧工廠之旅，製造商的表現如何？

事實上，這個領域的專案失敗率頗高。儘管如此，還是得放手一搏，因為所有的競爭對手紛紛加入這個行列。如果不這麼做，遲早會落於人後。

在我看來，這些專案失敗時，是因為製造商尚未想通他們打算怎麼做。雖然知道必須加入這個行列，但他們的初衷未必是為了解決某個特定問題。不過，我認為任何智慧工廠計畫都該用那種方式進行。如果您的工廠正全力推動數位轉型，雖然尋找使用案例的作法可能並不帥氣，不過卻能解決最大也最嚇人的問題。我們的解決方案極端側重於改善工廠的瑕疵偵測，所以這算一種使用案例。

另外，務必找到可向各層級員工銷售的使用案例，其中包括受該使用案例影響的工程師，也涵蓋負責開立支票的決策者。接著，您便能踏上方向明確的智慧工廠之路。清楚識別使用案例有助於銷售專案，並且幫助您解決它；如果是偵測瑕疵方面的問題，您可以尋找專精此道的公司，例如 Mariner。接著，您或許會識別出之後可以處理的其他使用案例。

找遇到問題的人談談，是識別這類使用案例的最佳方法。找廠房員工、工程師，也就是在現場工作的人聊聊。他們通常都對日常問題略知一二；他們甚至可能會壓抑問題，或是在有解決方案的前提之下，直接設法改善問題。另外，找職位比您高的人談談。對他們說：「我們的錢都花到哪裡去了？」

機器視覺對智慧工廠的重要性為何？

說到工廠環境中的機器視覺或攝影機系統時，通常是指類型和位置固定的固定攝影機。它們是為生產線所量身自訂。為了鎖定該生產線的特定產品，這些攝影機的設計會參考其位置、照明以及設置。攝影機的重要性在於它們改善品質控管程序的能力。

不是有個品質總成本的概念嗎？出廠時若要有優良的品質，就必須投資廠房。或者，如果不這麼做，大量退貨和保固索賠一定會找上門。不在廠房的品質成本上花錢，意味著您日後依舊得為品質成本付出代價；只是到時候的錢是花在取消合約以及不良的品牌聯想。

付出這類代價最便宜且 ROI 最高的方式，就是投資廠房的品質。這並非新穎的概念。自從第一條組裝線在密西根州迪爾伯恩問世以來，就有人在生產線末端檢查產品，負責品管。協助這項工作的機器視覺系統或攝影機系統，早已問世數十年之久。由於這類系統在檢查不同零件時能維持一致，因此極為實用。正如我剛剛說過，系統檢查方式之所以一致，是因為攝影機的位置非常固定。

AI 如何協助讓這個程序更上層樓？

過去幾十年來，機器視覺系統在解決二進位問題方面極為出色。舉例來說，這個零件有孔，或者這個零件沒有孔？這屬於二進位的問題：是或否。使用傳統的程式設計極為容易，仰賴是非題即可得到是/否的答案。

然而，如果不是二進位的問題會發生什麼事？如果問題並非是否有孔會怎麼樣，如果舉例來說，您要瞭解的問題是，這是布料上的油漬還是棉絨呢？兩者都有點模糊。或許油漬稍微比較模糊，棉絨比較不模糊，但您必須在模糊度之間劃出武斷的界線。那麼，如果之後出現比您界定的界線稍微模糊一點的棉絨，又會發生什麼事？這就可稱為瑕疵。如果油漬比您預期的模糊程度稍低，會發生什麼事？這個油漬不會被發現，因為您可能會認為那是棉絨。這正是 AI 派上用場的時候。

有了機器學習和深度學習技術，您無須針對是/否的答案界定武斷的界線。您利用足夠的油漬和棉絨範本就能訓練 AI，而且 AI 會自行學習兩者的差異。AI 可解決過去光靠傳統程式設計無法徹底解決的那種難題，因此您通常可利用視覺系統和攝影機系統為您代勞，改善一直以來差強人意的表現。

如果製造商缺乏 IT 或 AI 支援該怎麼做？

我們 Mariner 會利用工具。我們會請品管人員為有瑕疵的產品拍攝影像、將影像上傳至工具，然後在四周畫一個小盒子。這樣一來，品管人員就能發揮所長，檢視影像後指出瑕疵。我們可以善用這個方法，然後發揮我們的長才，也就是資料科學。我們的資料科學家會建立那個 AI 模型，所以廠房不需要任何資料科學人員。這件事交給我們。

其他公司出品的其他解決方案和其他空間出廠的是預先組裝模型。那些模型未必可行，取決於預先組裝模型與廠房特定情況的相符程度。

資料收集與處理都在哪裡進行，是邊緣還是雲端？

視情況而定。如果全廠有 10,000 個感應器，而且您會產生好幾 TB 的資訊，那麼就必須在雲端進行。若為機器視覺，對於雲端的依賴程度則稍低。Mariner 透過旗下的 Spyglass Visual Inspection 解決方案（SVI），其實是採取混合式解決方案。原因在於，若是即時瑕疵偵測工作，我們來不及往返於雲端。我們實際的瑕疵偵測和 AI 推論工作是在廠房進行，因為這樣一來，即時網際網路中斷連線，生產也不會停擺，廠房也不會關門。

我們也利用雲端。SVI 的設計可在無人監控的情況下執行，但工程師之後可檢討 AI 所做的決定。如果 AI 出錯，工程師可加以修正。修正的結果會上傳至雲端。另外，如果 AI 模型必須重新訓練，我們可以在雲端進行，因為過程無需即時連線。

為了讓所有環節都銜接起來，您如何與這個生態系統的其它合作夥伴合作？

首先，我們不販售攝影機，我們屬於 AI 軟體即服務 (SaaS) 解決方案。如果您需要攝影機，我們合作的視覺整合商可為您挑選合適的攝影機。總體來說，攝影機不是我們關心的環節；我們可以利用您現有的任何攝影機，也可以陪您選購攝影機。

其二是合作夥伴，由於我們需要強大的處理功能，因此我們在廠房與 Intel^® 和 Nvidia 密切合作。我們出廠的是 AI 軟體即服務 (SaaS)，諷刺的是，它將會透過伺服器方塊的方式交付給您。我們之所以採取這個方法，是因為這樣一來我們就能隨心所欲建置這些伺服器方塊。因此，針對重量級處理作業，我們採用 Intel^® Xeon^® 晶片，另外搭配 Nvidia 顯示卡提供額外的 GPU 運算效能。

我們也與 Microsoft 合作，通常是在 Azure 方面。Azure 有很多預建的服務和其他功能供我們使用，而且在安全與速度和其他重要環節方面我們也很放心。

您還有任何要補充的地方嗎？

雖然您未必需要 Mariner 的解決方案，但是您必須有工業物聯網和 AI 才能進步。事實上，雖然有鑑於您的使用案例，您未必需要 AI，但是絕對需要某個種類的工業物聯網。我主要會鼓勵大家思考適合他們的使用案例和情況。找到案例、加入我們的行列，不要成為最後一個上車的人。

相關內容

若要進一步瞭解瑕疵偵測，請閱讀 有保障的機器學習模型，以及收聽您可仰賴的產品瑕疵偵測：與 Mariner 攜手合作。如需瞭解 Mariner 的最新創新技術，請上 Twitter 關注 @MarinerLLC，以及上 LinkedIn 關注 Mariner。

 

本文由Erin Noble編審。

在過去的幾年裡，智慧製造領域一直在迅速發展，以跟上數位時代的需求。邊緣運算是數位化轉型歷程的重要環節。但邊緣不是一個固定的目的地，只是過程的一部分。

而企業在這一歷程中可能仍需方向指引。那麼路線圖由誰掌握呢？這些企業如何得知他們何時實現了必要的目標？全球高效能運算領導品牌 Lenovo 全球 ThinkEDGE 事業總經理 Blake Kerrigan，和 IoT 與邊緣運算服務供應商 ZEDEDA 生態系統副總裁 Jason Shepherd 認為沒有一體適用的方法。

他們探討邊緣運算的整合協調，將公用雲端體驗的最佳優勢帶入邊緣，以及最初雲端運算與邊緣運算之間的關係。

現今製造業領域的數位化轉型是什麼樣貌？

Blake Kerrigan：在過去 15 到 20 年中，大多數工業客戶把重點放在自動化，但現在就我們的觀察，最重大的趨勢都圍繞著電腦視覺和人工智慧使用案例。其他諸如缺陷偵測和安全應用也是我常在製造業和通路業所觀察到的使用趨勢。

問題是：您如何提高現有流程的效率？我們開始發現獨特的解決方案百家爭鳴，客戶也愈來愈容易採納。

這會如何改變邊緣運算和雲端的角色？

Jason Shepherd：只有那些想推銷網路連線的人，才會認為將原始影片直接傳送到雲端是個好主意。重點是能透過電腦視覺，在邊緣查看即時攝影機或影片串流，讓人持續監控，並在需要時以內建智慧觸發人為介入。

製造商如何在這段邊緣歷程中取得最大的成功？

Jason Shepherd：邊緣是一個從極為受限的裝置一路到內部的連續體。最終您會進入雲端，而在這個連續體中執行工作負載是在效能成本、安全性和延遲問題之間取得平衡。

對製造商而言，最重要的是要先了解它是一個連續體，接著理解各種的權衡取捨。如果您位於安全的資料中心，情況會與在廠房時不同，比方對安全性有不同的需求。首要問題是對整體環境有個概念。

若要實際部署，一定要從使用案例開始著手，然後執行 POC。在這個階段，我們看到了很多實驗。但將實驗室的實驗原封不動地搬到現實世界可能非常棘手，例如攝影機的角度改變、光照變化、內容切換等。

重點是要把問題切分成細項，將對於基礎架構和應用層面的投資分開。與能夠靈活設計的供應商合作，並由此展開後續作業。最終彙總為具有一致基礎架構的特定領域專業知識，就像我們與 Lenovo、ZEDEDA 與 Intel^® 所做的一致性基礎架構。

Blake Kerrigan：您可以在實驗室中建構一些東西，但通常工程師都不太會考慮開發或部署解決方案的成本。規模化的最大障礙包含部署、生命週期管理，以及經年累月需要轉換晶片。

第一步是瞭解您想推動怎樣的業務成果，再瞭解與該成果相關的成本。客戶必須先瞭解整個解決方案生命週期中的反覆運算程序， 才能選擇正確的硬體。我們在 Lenovo 與大家一同研究解決方案架構，並思考人們現在需要什麼類型的資源，然後考慮明天、下週、明年甚至未來五年該如何拓展？

告訴我們更多如何處理邊緣運算的方法。

Jason Shepherd：有很多針對特定目的而打造的特殊垂直解決方案。我老是說所有新興市場都是先垂直發展，然後才水平發展。這與領域的專業知識有關。

不同的是，一切都變成由軟體定義，也就是從基礎結構中抽出應用程式。在製造業中，控制系統歷來都非常封閉，他們用這種方式增加黏附性來控制供應商。當然，如果在安全性和程序正常運作時間上沒有嚴格控制，則會產生一些影響。

而在邊緣中，我們能夠利用公用雲端元素，包括平台獨立性、雲端原生開發、持續交付不斷更新和創新的軟體，並將這些工具帶回邊緣。基本上，我們已經採用公用雲端體驗，並將其擴展到廠房中。

我們在 ZEDEDA 所做的是，雖然我們從管理的角度和安全性的角度協助擴展這些工具，但仍必須考慮一件事，那就是儘管套用相同的原則，但在實體安全的資料中心起不了作用。當您在資料中心時，您會有一個經過定義的網路邊界； 如果沒有，我們就會假設您部署在不受信任的網路上。此外，當您不在資料中心時，則必須假設有時會失去和雲端的連線，並且必須能夠承受這種情況。這種情況並沒有一體適用的方法。

那麼何時該使用雲端而不是邊緣呢？

Blake Kerrigan：雲端對不同的人有不同的意義。在 Lenovo，我們認為邊緣最終將成為雲端的延伸。邊緣運算就是將有意義的資料儲存起來，或是應用更密集的人工智慧；我們在做的事，就是試圖梳理平淡無奇或缺乏見解的資料。

有兩個重要考量。第一個是協調：如何遠端建立和協調一個可以在現場外管理應用程式的環境？第二個是進行初始訓練，讓這些模型經年累月更臻完美。訓練是人工智慧和電腦視覺的重要部分，而且訓練所需的資源量和時間都被嚴重低估。最有效率的方法之一是在雲端中協同合作。

讓我們以缺陷偵測為例。假設您在全美有 50 家不同的工廠，每家都在工廠內部執行缺陷偵測電腦視覺應用程式。最終，您會希望將從一家工廠獲得的訓練和知識和另一家工廠分享。唯一可行的方法就是在雲端中進行。

因此，我認為雲端在邊緣運算方面也是不可或缺的，說得更具體一點，是邊緣人工智慧，以處理邊緣運算或邊緣分析資料的巨量資料為形式。然後，訓練人工智慧工作負載以重新分配回邊緣，進而更有效率、更具影響力，並提升使用者的洞察力。

Jason Shepherd：我們在 ZEDEDA 都說邊緣是最後一個要建構的雲端，是雲端的邊緣。有三種方法。一種是以雲端為中心，採用輕量級邊緣運算，然後在雲端中進行大量繁重的運算。第二種是運用雲端的力量來訓練模型，然後將推斷模型部署到邊緣以進行內部操作。所以這是一個雲端支援或雲端輔助的模型。第三種有一個以邊緣為中心的模型，可能在雲端中訓練，但所有繁重的資料工作都在內部進行。正如 Blake 所說，這不是一體適用的。

如果製造商缺乏適當的 IT 專業知識，哪些工具或技術可能會有所幫助？

Jason Shepherd：ZEDEDA 會是正確的解答嗎？

重點是要找到合適的工具，然後在工具中應用領域的專業知識。有很多人擁有領域專業知識，廠房裡的人就是專家。然而，嘗試在現實世界中進行部署時，通常沒有熟稔編寫指令碼且在資料中心空間工作的員工。此外，現實世界也比廠房大得多。這就是 ZEDEDA 存在的原因：簡化這個程序，並提供直通現場的公用雲端體驗。

Lenovo 及其合作夥伴為何在這領域選擇與 Intel^® 合作？

Blake Kerrigan：與 Intel 合作的價值不僅侷限於邊緣運算，就邊緣運算而言，從矽晶片的角度來看，Intel 是我們最大且實力最雄厚的合作夥伴。它在嵌入式領域、工業電腦領域擁有大量堅實的傳統基礎。另一方面，Intel 持續處於業界領先地位。它不斷投資對邊緣而言重要的特性功能，不光只針對資料中心和電腦。

OpenVINO^™ 位於 Intel 較大的工具生態系統中，但 Intel DevCloud 也深受我的青睞，因為它可以幫助我們的客戶快速入門，無須寄送四五台不同的機器給他們。它可讓這些客戶在雲端式開發環境中立即作業。他們可以控制各種不同的參數，然後在環境中執行應用程式和工作負載。這提高了上市或部署方面的效率。

在 Lenovo，我們希望能為嘗試在邊緣部署基礎結構的客戶打造最順暢的體驗，這就是 Lenovo 和 ZEDEDA 與 Intel 結盟時能彼此截長補短的原因。

Jason Shepherd：ZEDEDA 基本上是一家 SaaS 公司：以軟體為主，但來自硬體領域。硬體很複雜，所以與 Lenovo 合作雙方便能相得益彰。與建構可靠基礎結構的人合作非常重要。

最後是否能總結一下邊緣運算歷程的重點？

Blake Kerrigan：正如 Jason 所說，硬體可能會很棘手。依我看，很多人都是從硬體開始著手的，雖然我來自硬體公司，但這麼做未必是最好的第一步。但在 Lenovo，我們仍希望能參與這趟歷程的第一步。聯絡我們的專家，看看我們能如何幫助您瞭解潛在的障礙。然後，我們也會向您開放合作夥伴生態系統，無論是 Intel、ZEDEDA，還是其他公司。

把您的問題，最大和最艱鉅的難題丟給我們，讓我們幫您設計、執行、部署及實現這些深入見解和成果。

Jason Shepherd：重點是生態系統。投資社群，這樣您就可以專注於創造更多價值。

重點不在於免費，重點在於賺錢。夥伴關係也是重要的一環。

相關內容

若想進一步瞭解製造業的邊緣運算，請收聽製造商解鎖邊緣人工智慧：Lenovo 和 ZEDEDA，並閱讀雲端原生將電腦視覺導向關鍵邊緣。有關 Lenovo 和 ZEDEDA 的最新創新，請在 Twitter 追蹤 @Lenovo 和 @ZededaEdge，以及在 LinkedIn 關注 Lenovo 和 Zededaedge。

 

本文由Erin Noble編審。

世界瞬息萬變，製造商必須有能力跟上變化的步調。所幸，透過人工智慧、機器學習、電腦視覺和邊緣運算這類技術，解決方案開發者有了幫助他們跟上變化步調的工具。

另外，工廠內外的重大成果皆已呈現在我們眼前。

產品瑕疵偵測

舉例來說，智慧製造商已開始在廠房部署邊緣人工智慧，以降低非計畫性停機和生產問題的風險。若利用 Intel^® OpenVINO^™ 工具組這類人工智慧平台將製程自動化，就能在智慧工廠設備直接進行影像分析，讓工作人員快速收到任何問題發生的通知。這樣一來，不僅可減少容易出錯的手動工作，還可防患於未然。

另外，透過利用 OpenVINO 的 Hitachi Industrial Edge Computer CE series Embedded AI model 這類工具，在工廠加入這類先進的功能簡直易如反掌。舉例來說，Hitachi 可同時偵測多條生產線與裝置的產品瑕疵和設備問題，加速向操作人員示警及解決問題所需的時間。

供應鏈管理獲得簡化

另外，工廠外也利用 OpenVINO 來解決供應鏈問題。

透過及時生產，製造商腦中早在 2020 年之前就已經浮現超前供需的構想，但這場全球大流行發生時，他們的數位轉型時程卻備受壓力。如今，顯而易見，傳統方式早已無法跟上新供應鏈的需求了。

人們大量採購的情形更勝以往，而且居家修繕計畫的數量暴增。因此，消費者會發現，不是許多貨架空無一物，就是必需品售罄。

雖然製造商無法一貫控制原物料供應，但他們能處理將貨物運送至商店的方式。他們捨棄儘快出貨的方式，改為等到運輸車輛容量達到 100% 時再出貨，既可滿足需求，還能節省費用。

為此，他們需要結合電腦視覺與人工智慧，才能持續監測貨櫃、在車輛裝貨，並且向管理人員通知作業狀態。透過先進的人工智慧演算法與邊緣運算，製造商可以掌握碼頭佔用狀態、位置錯誤偵測，甚至是部署自動機器人處理、裝載和卸載貨物。

為了確保這些人工智慧應用程式不會連累智慧工廠的效能、功率和成本，部分製造商已尋求 Avnet Embedded 這家嵌入式運算和軟體解決方案領導廠商的協助。利用其搭載第 11 代 Intel^® Core^™ 處理器和 OpenVINO 的 MSC C6C-TLU 模組，應用程式可承受惡劣的環境、達成效能需求，以及即時處理資料。

將人工回應自動化

此外，就產品和設備檢查而言，製造商當然必須擔心人為因素。舉例來說，工廠員工通常有自己的一套工作方式，但是當您嘗試讓生產和品質保持一致時，卻可能出問題。

透過電腦視覺、人工智慧和機器學習，製造商現在可以用人類行為分析搭配生產線機器指標，瞭解每位操作人員的效能。

Vecow 利用 Vecow Human Behavior Analysis 解決方案實現了這項功能，而 VHub AI Developer 軟體平台也是這套方案的一環。透過這項解決方案，開發人員可建立有電腦視覺功能的人工智慧模型和應用程式。這類應用程式可連線至工廠現有的攝影機，收集及分析邊緣的資料，並且偵測不一致。Vecow 運用 Intel^® Core^™ i5 和 i7 處理器締造運算能力，利用 OpenVINO 產生人工智慧模型。

在機器人部署人工智慧

最後，如今配備人工智慧和電腦視覺的機器人，也加入了負責品質控管的行列。舉例而言，在汽車業這類高產量用途使用弧焊機器人時，人工檢查員很難將潛在的瑕疵視覺化並且發現這類瑕疵。

然而，若是添加 ADLINK 這家邊緣運算解決方案全球製造商的 Edge Arc Welding Defect Detection 解決方案，便可在製程加入人工智慧和電腦視覺。弧焊機器人搭載 ADLINK Edge IoT 軟體、OpenVINO、Intel Core 處理器和 Intel^® Movidius^™ Myriad^™ X 視覺處理器後，可以在問題惡化之前，先行收集、處理及分析資料，並且採取行動。

這些只是人工智慧和高效能邊緣運算能為智慧製造商提供的少數可能性。對於為了部署部分人工智慧功能和強化工業應用程式吃盡苦頭的人，不妨參考 Intel Edge AI Certification Program，或是參加 30-Day Dev Challenge。

 

本文由 insight.tech 編輯副總監喬治妮．貝內施（Georganne Benesch）編輯。