Dürr သည် ဆေးသုတ်ဆိုင်များအတွက် ပထမဆုံးစျေးကွက်အသင့်ရှိသော AI အပလီကေးရှင်းဖြစ်သော Advanced Analytics ကို တင်ဆက်သည်။DXQanalyze ထုတ်ကုန်စီးရီးရှိ နောက်ဆုံးပေါ် module ၏တစ်စိတ်တစ်ပိုင်း၊ ဤဖြေရှင်းချက်သည် နောက်ဆုံးပေါ် အိုင်တီနည်းပညာနှင့် စက်မှုအင်ဂျင်နီယာကဏ္ဍရှိ Dürr ၏အတွေ့အကြုံကို ပေါင်းစပ်ပြီး၊ ချို့ယွင်းချက်များ၏ရင်းမြစ်များကို ဖော်ထုတ်ပေးကာ အကောင်းဆုံးသောပြုပြင်ထိန်းသိမ်းမှုပရိုဂရမ်များကို သတ်မှတ်ပေးသည်၊ ယခင်က မသိသောဆက်စပ်မှုများကို ခြေရာခံကာ လိုက်လျောညီထွေဖြစ်အောင်ရန် ဤအသိပညာကို အသုံးပြုသည်။ ကိုယ်တိုင်သင်ယူမှုနိယာမကို အသုံးပြု၍ စနစ်ဆီသို့ algorithm
အပိုင်းများသည် အဘယ်ကြောင့် တူညီသော ချို့ယွင်းချက်များကို မကြာခဏပြသသနည်း။စက်ရုပ်တွင် ရောနှောစက်ကို စက်မရပ်ဘဲ အစားထိုးနိုင်သည့် နောက်ဆုံးပေါ် အချိန်ကား မည်သည့်အချိန်တွင် ဖြစ်သနည်း။ဤမေးခွန်းများအတွက် တိကျသေချာသော အဖြေရှိခြင်းသည် ငွေကုန်သက်သာခြင်း သို့မဟုတ် ထုတ်ကုန်အရည်အသွေးကို ရှောင်ရှားနိုင်သော ချို့ယွင်းချက်တိုင်း သို့မဟုတ် မလိုအပ်သော ထိန်းသိမ်းမှုတိုင်းကြောင့် ရေရှည်တည်တံ့သော စီးပွားရေးအောင်မြင်မှုအတွက် အခြေခံကျပါသည်။“ယခင်က၊ အရည်အသွေးချို့ယွင်းချက် သို့မဟုတ် ချို့ယွင်းချက်များကို ချက်ခြင်းသိရှိနိုင်စေမည့် ခိုင်မာသောဖြေရှင်းနည်းများ အလွန်နည်းပါးပါသည်။အကယ်၍ ရှိခဲ့ပါက၊ ၎င်းတို့သည် ယေဘုယျအားဖြင့် ဒေတာ၏ တိကျသေချာသော လက်စွဲအကဲဖြတ်မှု သို့မဟုတ် အစမ်းသုံးခြင်းနှင့် အမှားအယွင်းပြုလုပ်ခြင်းများကို အခြေခံထားသည်။ယခု လုပ်ငန်းစဉ်သည် Artificial Intelligence ကြောင့် ပိုမိုတိကျပြီး အလိုအလျောက်ဖြစ်လာသည်” ဟု Dürr မှ MES & Control Systems ၏ ဒုတိယဥက္ကဌ Gerhard Alonso Garcia က ရှင်းပြသည်။
ထုတ်လုပ်မှုဒေတာကိုရယူရန်အတွက် ဒေတာရယူခြင်းအတွက် ဒေတာဝယ်ယူမှု modules၊ Visual Analytics နှင့် Streaming ပိုင်းခြားစိတ်ဖြာချက်တို့ပါဝင်ပြီးဖြစ်သော Dürr ၏ DXQanalyze ဒစ်ဂျစ်တယ်ထုတ်ကုန်စီးရီးများသည် ယခုအခါတွင် ကိုယ်တိုင်သင်ယူမှုအဆင့်မြင့် ပိုင်းခြားစိတ်ဖြာချက်အသစ်နှင့် လုပ်ငန်းစဉ်စောင့်ကြည့်ရေးစနစ်တို့ကို ထည့်သွင်းတွက်ချက်နိုင်ပြီဖြစ်သည်။
AI အပလီကေးရှင်းတွင် ၎င်း၏မှတ်ဉာဏ် ရှိသည်။
Advanced Analytics ၏ထူးခြားချက်မှာ ဤ module သည် machine learning နှင့် သမိုင်းဝင်ဒေတာအပါအဝင် ဒေတာအများအပြားကို ပေါင်းစပ်ထားခြင်းဖြစ်သည်။ဆိုလိုသည်မှာ ကိုယ်တိုင်သင်ယူခြင်း AI အပလီကေးရှင်းတွင် ၎င်း၏ကိုယ်ပိုင်မှတ်ဉာဏ်ပါရှိပြီး ထို့ကြောင့် ဒေတာအမြောက်အမြားရှိ ရှုပ်ထွေးသောဆက်စပ်ဆက်နွယ်မှုများကို အသိအမှတ်ပြုရန်နှင့် လက်ရှိပေါ်အခြေခံ၍ တိကျသောအဆင့်မြင့်စွာဖြင့် အနာဂတ်တွင် ဖြစ်ရပ်တစ်ခုကို ကြိုတင်ခန့်မှန်းနိုင်ရန် အတိတ်မှအချက်အလက်များကို အသုံးပြုနိုင်သည်။ စက်၏အခြေအနေများ။ဆေးသုတ်ဆိုင်များတွင် အစိတ်အပိုင်း၊ လုပ်ငန်းစဉ် သို့မဟုတ် အပင်အဆင့်တွင်ဖြစ်စေ သုတ်ဆေးဆိုင်များတွင် ဤအရာအတွက် အသုံးချမှုများစွာရှိသည်။
ကြိုတင်ပြင်ဆင်ထိန်းသိမ်းခြင်းသည် အပင်ရပ်နားချိန်ကို လျှော့ချပေးသည်။
အစိတ်အပိုင်းများနှင့်ပတ်သက်လာသောအခါ၊ Advanced Analytics သည် ပေါင်းစပ်ကိရိယာတစ်ခု၏ကျန်ရှိသောဝန်ဆောင်မှုသက်တမ်းကို ခန့်မှန်းခြင်းဖြင့်၊ ဥပမာအားဖြင့် ကြိုတင်ပြင်ဆင်ထိန်းသိမ်းမှုနှင့် ပြုပြင်မှုအချက်အလက်များမှတစ်ဆင့် စက်ရပ်ချိန်များကို လျှော့ချရန် ရည်ရွယ်သည်။အစိတ်အပိုင်းကို စောစီးစွာ အစားထိုးပါက အပိုပစ္စည်း ကုန်ကျစရိတ်များ များလာပြီး အထွေထွေ ပြုပြင်စရိတ်များ မလိုအပ်ဘဲ တိုးမြင့်လာပါသည်။အခြားတစ်ဖက်တွင်၊ ၎င်းသည် ကြာရှည်စွာလည်ပတ်နေပါက၊ ၎င်းသည် coating process နှင့် စက်ရပ်တန့်နေစဉ်အတွင်း အရည်အသွေးပြဿနာများကို ဖြစ်စေနိုင်သည်။Advanced Analytics သည် ကြိမ်နှုန်းမြင့် စက်ရုပ်ဒေတာကို အသုံးပြု၍ ဝတ်ဆင်မှုဆိုင်ရာ ညွှန်ကိန်းများနှင့် ဝတ်ဆင်မှု၏ ယာယီပုံစံကို လေ့လာခြင်းဖြင့် စတင်သည်။ဒေတာကို စဉ်ဆက်မပြတ် မှတ်တမ်းတင်ပြီး စောင့်ကြည့်နေသောကြောင့်၊ စက်သင်ယူမှု မော်ဂျူးသည် အမှန်တကယ်အသုံးပြုမှုအပေါ် အခြေခံ၍ သက်ဆိုင်ရာအစိတ်အပိုင်းအတွက် အသက်အရွယ်ကြီးရင့်မှုလမ်းကြောင်းများကို တစ်ဦးချင်းအသိအမှတ်ပြုပြီး ဤနည်းဖြင့် အကောင်းဆုံးအစားထိုးချိန်ကို တွက်ချက်ပေးပါသည်။
စက်သင်ယူမှုဖြင့် ပုံဖော်ထားသည့် ဆက်တိုက်အပူချိန်မျဉ်းကွေးများ
အဆင့်မြင့် ပိုင်းခြားစိတ်ဖြာချက်သည် ကွဲလွဲချက်များကို ဖော်ထုတ်ခြင်းဖြင့် ဥပမာအားဖြင့် မီးဖိုရှိ အပူရှိန်ကွေးခြင်းကို ပုံဖော်ခြင်းဖြင့် လုပ်ငန်းစဉ်အဆင့်တွင် အရည်အသွေးကို မြှင့်တင်ပေးပါသည်။ယခုအချိန်အထိ ထုတ်လုပ်သူများသည် တိုင်းတာမှုလုပ်ဆောင်နေစဉ်အတွင်း အာရုံခံကိရိယာများမှ ဆုံးဖြတ်သည့် ဒေတာများသာ ရှိခဲ့သည်။သို့သော်လည်း၊ ကားကိုယ်ထည်၏ မျက်နှာပြင်အရည်အသွေးသတ်မှတ်ချက်များတွင် အခြေခံအရေးကြီးသည့် အပူ-တက်မျဉ်းကွေးများသည် တိုင်းတာမှုလုပ်ဆောင်သည့်ကြားကာလများတွင် မီးဖိုခေတ်ကတည်းက ကွဲပြားသည်။ဤဝတ်ဆင်မှုသည် လေဝင်လေထွက်ပြင်းထန်မှုတွင် ဥပမာအားဖြင့် ပတ်ဝန်းကျင်အခြေအနေများကို အပြောင်းအလဲဖြစ်စေသည်။“ယခုအချိန်အထိ ခန္ဓာကိုယ်တစ်ခုချင်းစီကို အပူပေးထားသည့် အပူချိန်အတိအကျကို မသိဘဲ ထောင်ပေါင်းများစွာသော အလောင်းများကို ထုတ်လုပ်လျက်ရှိသည်။စက်သင်ယူမှုကို အသုံးပြု၍ ကျွန်ုပ်တို့၏ Advanced Analytics module သည် မတူညီသောအခြေအနေများအောက်တွင် အပူချိန်ပြောင်းလဲမှုကို တုပသည်။၎င်းသည် ကျွန်ုပ်တို့၏ဖောက်သည်များအား တစ်ဦးချင်းစီ၏ အစိတ်အပိုင်းတစ်ခုစီအတွက် အမြဲတမ်းအရည်အသွေးသက်သေကို ပေးဆောင်ပြီး ကွဲလွဲချက်များကို ဖော်ထုတ်နိုင်စေသည်” ဟု Gerhard Alonso Garcia က ရှင်းပြသည်။
ပထမပြေးနှုန်း မြင့်မားခြင်းသည် စက်ကိရိယာ တစ်ခုလုံး၏ ထိရောက်မှုကို တိုးစေသည်။
implant အတွက်၊ DXQplant.analytics ဆော့ဖ်ဝဲလ်ကို စက်ပစ္စည်းများ၏ အလုံးစုံထိရောက်မှုကို တိုးမြှင့်ရန်အတွက် Advanced Analytics module နှင့် ပေါင်းစပ်အသုံးပြုပါသည်။ဂျာမန်ထုတ်လုပ်သူ၏ ဉာဏ်ရည်ထက်မြက်သောဖြေရှင်းချက်သည် မော်ဒယ်အမျိုးအစားများ၊ သီးသန့်အရောင်များ သို့မဟုတ် ခန္ဓာကိုယ်အစိတ်အပိုင်းတစ်ခုချင်းစီတွင် ထပ်တလဲလဲဖြစ်နေသော အရည်အသွေးချို့ယွင်းချက်များကို ခြေရာခံသည်။ယင်းကြောင့် ဖောက်သည်အား ထုတ်လုပ်မှု လုပ်ငန်းစဉ်တွင် မည်သည့်အဆင့်မှ သွေဖည်မှုများအတွက် တာဝန်ရှိကြောင်း နားလည်နိုင်စေပါသည်။ထိုသို့သောချို့ယွင်းချက်နှင့် အကြောင်းအရင်းဆက်စပ်မှုများသည် အလွန်စောသောအဆင့်တွင် ဝင်ရောက်စွက်ဖက်မှုကို ခွင့်ပြုခြင်းဖြင့် အနာဂတ်တွင် ပထမပြေးနှုန်းကို တိုးစေမည်ဖြစ်သည်။
စက်ရုံအင်ဂျင်နီယာနှင့် ဒစ်ဂျစ်တယ်ကျွမ်းကျင်မှုတို့အကြား ပေါင်းစပ်မှု
AI-သဟဇာတဖြစ်သော ဒေတာမော်ဒယ်များကို တီထွင်ခြင်းသည် အလွန်ရှုပ်ထွေးသော လုပ်ငန်းစဉ်တစ်ခုဖြစ်သည်။တကယ်တော့၊ စက်သင်ယူမှုနှင့်အတူ ဉာဏ်ရည်ထက်မြက်သောရလဒ်တစ်ခုထွက်ရှိရန်၊ သတ်မှတ်ထားသောမသတ်မှတ်ထားသောဒေတာပမာဏများကို "smart" algorithm တွင် ထည့်သွင်းရန် မလုံလောက်ပါ။သက်ဆိုင်ရာ အချက်ပြမှုများကို စုဆောင်း၊ ဂရုတစိုက် ရွေးချယ်ပြီး ထုတ်လုပ်မှုမှ အပိုဆောင်း အချက်အလက်များဖြင့် ပေါင်းစပ်ရပါမည်။Dürr သည် မတူညီသော အသုံးပြုမှုအခြေအနေများကို ပံ့ပိုးပေးသည့် ဆော့ဖ်ဝဲလ်တစ်ခုကို ဒီဇိုင်းဆွဲနိုင်ခဲ့ပြီး၊ စက်သင်ယူမှုပုံစံအတွက် အလုပ်လုပ်ချိန်ပတ်ဝန်းကျင်ကို ပံ့ပိုးပေးကာ မော်ဒယ်လေ့ကျင့်မှုကို စတင်လုပ်ဆောင်နိုင်ခဲ့သည်။“တရားဝင်စက်သင်ကြားမှုပုံစံမရှိ၍ ကျွန်ုပ်တို့အသုံးပြုနိုင်သည့် သင့်လျော်သော runtime ပတ်ဝန်းကျင်မရှိသောကြောင့် ဤဖြေရှင်းချက်ကို ဖော်ဆောင်ခြင်းသည် တကယ့်စိန်ခေါ်မှုတစ်ခုဖြစ်သည်။စက်ရုံအဆင့်တွင် AI ကိုအသုံးပြုနိုင်စေရန်အတွက် ကျွန်ုပ်တို့၏စက်ပိုင်းဆိုင်ရာနှင့် စက်ရုံအင်ဂျင်နီယာဆိုင်ရာအသိပညာများကို ကျွန်ုပ်တို့၏ Digital Factory ကျွမ်းကျင်သူများနှင့် ပေါင်းစပ်ထားပါသည်။ဒါက ဆေးသုတ်ဆိုင်တွေအတွက် ပထမဆုံး ဉာဏ်ရည်တုဖြေရှင်းချက် ဖြစ်လာစေတယ်” ဟု Gerhard Alonso Garcia ကဆိုသည်။
အဆင့်မြင့် ပိုင်းခြားစိတ်ဖြာမှုကို ဖွံ့ဖြိုးတိုးတက်စေရန် ကျွမ်းကျင်မှုနှင့် အသိပညာ ပေါင်းစပ်ထားသည်။
ဒေတာသိပ္ပံပညာရှင်များ၊ ကွန်ပျူတာသိပ္ပံပညာရှင်များနှင့် လုပ်ငန်းစဉ်ကျွမ်းကျင်ပညာရှင်များဖြင့် ဖွဲ့စည်းထားသည့် ဆက်စပ်အဖွဲ့တစ်ဖွဲ့သည် ဤဉာဏ်ရည်ထက်မြက်သောဖြေရှင်းချက်ကို တီထွင်ခဲ့သည်။Dürr သည် အဓိက မော်တော်ယာဥ် ထုတ်လုပ်သူ အများအပြားနှင့် ပူးပေါင်းဆောင်ရွက်သည့် မိတ်ဖက်များ တွင်လည်း ပါဝင်ခဲ့သည်။ဤနည်းအားဖြင့်၊ developer များသည် မတူညီသော အပလီကေးရှင်းကိစ္စများအတွက် ထုတ်လုပ်မှုတွင် လက်တွေ့ဘဝထုတ်လုပ်မှုဒေတာနှင့် ဘီတာဆိုက်ပတ်ဝန်းကျင်များရှိသည်။ပထမဦးစွာ၊ algorithms များကိုစမ်းသပ်မှုအများအပြားကိုအသုံးပြု၍ ဓာတ်ခွဲခန်းတွင်လေ့ကျင့်သင်ကြားခဲ့သည်။နောက်ပိုင်းတွင်၊ algorithms များသည် လက်တွေ့ဘဝလည်ပတ်မှုအတွင်း ဆိုက်တွင်းလေ့လာသင်ယူမှုကို ဆက်လက်လုပ်ဆောင်ပြီး ပတ်ဝန်းကျင်နှင့် အသုံးပြုမှုအခြေအနေများနှင့် ၎င်းတို့ကိုယ်တိုင် လိုက်လျောညီထွေဖြစ်အောင် လုပ်ဆောင်ခဲ့သည်။ဘီတာအဆင့်ကို မကြာသေးမီက အောင်မြင်စွာပြီးမြောက်ခဲ့ပြီး ၎င်းတွင် AI အလားအလာမည်မျှရှိသည်ကို ပြသခဲ့သည်။ပထမဆုံး လက်တွေ့အသုံးချမှုများသည် Dürr မှ ဆော့ဖ်ဝဲလ်သည် အပင်ရရှိနိုင်မှုနှင့် ဆေးခြယ်ထားသော ခန္ဓာကိုယ်များ၏ မျက်နှာပြင်အရည်အသွေးကို အကောင်းဆုံးဖြစ်စေကြောင်း ပြသနေသည်။
စာတိုက်အချိန်- မတ်လ ၁၆-၂၀၂၂