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
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。