2022年5月25日 - NI(纳斯达克:NATI)在时隔两年再次回归线下的全球用户大会上宣布推出 ActiveUptime™,一款服务型维护(Maintenance-as-a-Service,MaaS)解决方案,用于测试设备和测试设施的状态监测和预测性维护。这是一款交钥匙解决方案,专为用户环境量身定制,提供主动监控系统运行健康状况并防止关键测试设备发生故障所需的信息。作为持续服务的一部分,来自 NI 维护团队的专职技术人员将远程监控系统运行状况、提供技术支持并根据客户需求调整解决方案。该方案提高了用户在设备运行中断发生之前主动预测中断的能力。
设备故障占计划外停机成本的 42%,预计全球制造商因此每年损失500 亿美元。然而,52% 的制造商报告使用电子表格来监控和管理设备。NI的ActiveUptime™ 提供即用型服务,包括收集有价值的环境和系统数据所需的硬件和软件,以及基于边缘的预处理以加快数据收集、聚合和传输。 用于状态监控和预测性维护的特定结果的仪表板将直观展示实时监控系统运行状况并识别需要注意的关键区域,从而消除意外设备故障造成的中断。
NI Portfolio事业部高级副总裁兼总经理 Josh Mueller 表示:“制造商面临的主要挑战之一是了解物理系统以保持其平稳运行、并避免任何损害声誉的产品故障。” “ActiveUptime 能提供这些系统最准确视图。在NI维护专家的协助下,我们的客户可以快速找到问题的根源,快速解决问题、并采取措施防止再次发生。”
ActiveUptime™ 提供维护团队所需的监控工具--从智能环境传感器板和优化的数据处理,到直观的实时仪表板和预测建模,以及随时待命的维护专家。完整的服务可以在几天而不是几个月内启动并运行,将测试变成一项战略资产。
“预测性维护和状态监测正在成为更广泛的制造业数字化转型的关键支柱,”Mueller 解释说: “通过从基于时间的维护转向基于使用的维护,实时连续监控可以最大限度地延长总资产正常运行时间、降低昂贵的备件费用并优化维护成本。”
好文章,需要你的鼓励
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。