亚马逊网络服务公司(AWS)为其工业物联网产品阵容增添了一系列新工具,旨在提高机器性能和正常运行时间。
首先,该公司宣布推出Amazon Monitron,这是一种针对目前还没有现成的传感器网络的客户的状态监控服务。该系统及其传感器阵列可以检测关键设备上的潜在故障,因此可以执行预测性维护程序。
对于那些已经拥有传感器网络的客户,AWS引入了基于API的机器学习服务,该服务名为Amazon Lookout for Equipment,它可以作为一条路径,将传感器的数据发送到AWS进行预测性建模。和Monitron一样,Lookout for Equipment可以分析传感器数据以检测工业机器的异常行为。
该服务可以汇总工业设备的历史事件序列数据和过往的维护事件,自动测试可能的组合,并且建立一个优化过的机器学习模型来学习设备的正常行为。通过这里,客户可以执行机器学习推理以检测设备的异常行为,并将结果集成到现有的监控软件之中进行可视化或者报警。
AWS推出的其他工业物联网产品还包括AWS Panorama,这是一种新的硬件设备,让企业可以为现有的摄像头增加计算机视觉,并且将AWS的计算机视觉扩展到边缘。一旦连接到网络上之后,AWS Panorama设备将自动地识别摄像头的视频流并对其运行计算机视觉模型。
同时,AWS Panorama SDK意在帮助硬件供应商构建可以在边缘运行机器视觉模型的摄像头。
亚马逊还推出了Amazon Lookout for Vision,这是一种新的检查软件,它使用了机器学习技术,每小时可以处理数千张图片,通过这种方式查找缺陷和异常。
AWS机器学习副总裁Swami Sivasubramanian表示:“工业和制造业客户一直面临着来自股东、客户、政府和竞争对手的压力,他们要求降低成本,提高质量并保持合规性……我们很高兴为客户提供五种新的、工业用途的机器学习服务。这些服务非常易于安装、部署、启动和运行,并将云连接到边缘,可以帮助我们的工业客户打造未来的智能工厂。”
好文章,需要你的鼓励
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。