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
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
西安交通大学团队提出Fast-LeWM,用动作前缀并行预测替代逐步推演,将AI世界模型规划速度提升近4倍,同时平均成功率从85.8%提升至90.5%。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
CoffeeBench是Sakana AI与毕马威联合构建的多智能体经济基准测试,让六个AI企业在90天咖啡供应链模拟中自主经营,评估大语言模型的长期商业决策能力。