Google Cloud近日推出了两个行业特定的平台,即Manufacturing Data Engine和Manufacturing Connect平台,旨在帮助工厂运营企业将每天生成的大量数据汇集起来,并对数据进行处理。让制造企业能够从基于分析的洞察力、预测性维护和机器级异常检测中受益。
尽管工厂设备会产生大量信息,但其中大部分数据仍然是孤立的,这让那些会对运营带来有意义影响的分析和人工智能工具无法轻松读取这些数据。除此之外,大多数分析和AI工具都是为数据科学家设计的,制造业企业领导者很难使用这些工具。
Google Cloud这次推出的新产品正是为了解决这个问题。Manufacturing Data Engine服务主要针对保存在Google Cloud上的工厂数据,其中包括了很多易于配置且自定义的蓝图,用于数据摄取、转换、存储和访问。最重要的是,该服务与Cloud Dataflow、BigQuery、Looker、Apigee、Vertex AI等其他Google Cloud产品进行了集成,让制造企业也可以使用这些产品中的数据。
另外一款产品Manufacturing Connect,是由Google Cloud和Litmus Automation共同开发的工厂边缘平台。工厂运营方借助Manufacturing Connect可以快速将任何工业系统或设备连接到Google Cloud,并从云中接近实时地传输数据,以便处理信息,随后这些数据在Manufacturing Data Engine中汇集和协调,使其可用于许多关键用途。
例如,工厂运营方可以对他们的数据进行分析,收集有关运营的有价值的洞察,还可以可视化每台机器或整个设施的关键性能指标,轻松共享这些指标,从中发现提高运营效率的新机会。
Manufacturing Data Engine还能帮助制造企业在异常发生的时候识别出这些异常情况,根据噪声、振动或温度等数据发出实时警报。此外,该服务还有助于预测性维护,让管理人员可以更好地安排个别机器的维修时间,从而减少停机时间,降低维护成本。
Constellation Research分析师Holger Mueller表示,Google Cloud正在提供越来越多像Manufacturing Data Engine这样的垂直解决方案,因为这正是客户所需要的。他说:“企业是垂直的,他们需要加速实践,也就是快速前进并且变得更加敏捷。针对垂直行业需求的开箱即用性功能将为企业提供帮助,而且谷歌产品一如既往地以数据、分析和人工智能为核心。”
作为Google Cloud最新产品的早期客户,以工厂装配线创新著称的百年车企福特汽车(Ford Motor)正在进行新一轮创新。该公司制造技术开发总监Jason Ryska表示,福特汽车的生产线不断生成越来越多的传感器数据,为实现更智能的分析创造了机会,不仅可以提高产品质量,还可以提高生产效率,改善设备健康监测。
他说,新数据的获取和管理对大多数企业来说都是一个挑战。“我们与Google Cloud合作实施了一个数据平台,该平台目前运行在两个工厂100多台互连的关键机器上,每周传输和存储超过2500万条记录。我们从数据中获得了深刻的洞察,这将帮助我们实施预测和预防措施,持续提高制造工厂的效率。”
Google Cloud供应链和制造业董事总经理Hans Thalbauer表示,这些信息都是关于系统连接把易于使用的AI交到工程师手中。他说:“这些新解决方案可以为员工转型计划提供支持,为工程师们提供了自助使用的工具,而无需数据科学家或者额外的集成代码。”
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。