Intelligence artificielle et apprentissage automatique (AI/ML)

En utilisant l'intelligence artificielle (IA) et l'apprentissage automatique (ML) sur les données générées par les MES, les machines, les appareils, les capteurs et d'autres systèmes, vous pouvez optimiser vos opérations de fabrication et obtenir des avantages concurrentiels pour votre entreprise. L'IA/ML transforme les données en informations que vous pouvez utiliser de manière proactive pour optimiser les processus de fabrication, permettre la maintenance prédictive des machines, surveiller la qualité et automatiser les inspections et les tests. AWS propose des services complets d'IA/ML pour tous les niveaux de compétence. L' AWS approche de l'apprentissage automatique comprend trois niveaux. À terme, la plupart des entreprises dotées de capacités technologiques importantes utiliseront les trois.

• La couche inférieure comprend des cadres et une infrastructure pour les experts et les praticiens du ML.

• La couche intermédiaire fournit des services de machine learning aux data scientists et aux développeurs.

• Les couches supérieures sont des services d'intelligence artificielle qui imitent la cognition humaine, pour les utilisateurs qui ne souhaitent pas créer de modèles de machine learning.

Voici quelques-uns des principaux services de machine AWS learning pour les industriels :

• Amazon SageMaker AI est un service entièrement géré destiné à préparer les données et à créer, former et déployer des modèles de machine learning adaptés à tous les cas d'utilisation, avec une infrastructure, des outils et des flux de travail entièrement gérés.

• AWS Panoramafournit une appliance ML et un SDK qui ajoutent la vision par ordinateur (CV) à vos caméras sur site pour effectuer des prédictions automatisées avec une grande précision et une faible latence. Vous pouvez ainsi utiliser la puissance informatique à la périphérie (sans avoir besoin de diffuser des vidéos vers le cloud) pour améliorer vos opérations. AWS Panorama AWS Panorama automatise les tâches de surveillance et d'inspection visuelle telles que l'évaluation de la qualité de fabrication, la détection des goulots d'étranglement dans les processus industriels et l'évaluation de la sécurité des travailleurs dans vos installations. Vous pouvez transmettre les résultats de ces tâches automatisées AWS Panorama au MES et aux applications de votre entreprise pour l'amélioration des processus, la planification du contrôle qualité et les enregistrements tels que construits.

  Avis de fin de support

  Le 31 mai 2026, AWS le support de AWS Panorama. Après le 31 mai 2026, vous ne pourrez plus accéder à la AWS Panorama console ni aux AWS Panorama ressources. Pour plus d'informations, voir AWS Panorama fin du support.

Architecture

Dans le domaine de la gestion de la qualité de fabrication, le contrôle qualité automatisé est l'un des cas d'utilisation les plus populaires de la vision par ordinateur et de l'apprentissage automatique. Les fabricants peuvent placer une caméra à un endroit tel qu'un tapis roulant, une goulotte de mixage, une station d'emballage, une salle de stockage ou un laboratoire pour obtenir des images. La caméra peut fournir une image de bonne qualité des défauts visuels ou des anomalies, aider les fabricants à inspecter jusqu'à 100 % de toutes les pièces ou produits avec une précision d'inspection améliorée, et débloquer des informations pour de nouvelles améliorations. Le schéma suivant montre une architecture typique pour le contrôle qualité automatisé.

1. Une caméra capable de communiquer sur le réseau partage l'image.

2. AWS IoT Greengrass est hébergé localement et fournit un composant permettant de déduire toute anomalie dans l'image.

3. Le service de pointe de gestion de la qualité traite le résultat de l'inférence de l'étape précédente localement, pour les cas d'utilisation sensibles à la latence. AWS Outposts héberge les ressources informatiques et de base de données. Les fabricants peuvent étendre cette architecture de composants pour envoyer des alertes ou des messages aux parties prenantes en fonction des résultats des inférences. Les fabricants peuvent également utiliser d'autres matériels tiers compatibles pour héberger des services à la périphérie.

4. Le composant périphérique de ces services peut être synchronisé avec le composant cloud via un point de terminaison Amazon API Gateway entre deux instances de conteneur. Une autre option consiste à configurer un bus de service entre les deux instances de conteneur afin de les synchroniser. Vous pouvez utiliser Amazon Managed Streaming for Apache Kafka (Amazon MSK) pour configurer de tels bus de service.

5. Les fabricants peuvent utiliser la composante cloud des microservices pour traiter les cas moins sensibles à la latence, tels que le contrôle qualité du traitement pour remplir les tables d'historique et l'envoi de mises à jour à un système PLM afin d'obtenir des résultats de qualité pour les futurs processus et les améliorations de conception des pièces. En raison des avantages économiques, de l'évolutivité et de la reprise après sinistre du cloud, les clients peuvent stocker des données pendant de longues périodes dans des instances de microservices cloud.

6. Vous pouvez utiliser des services de machine learning natifs dans le cloud tels qu'Amazon SageMaker AI pour créer et entraîner le modèle dans le cloud. Vous pouvez déployer le modèle finalement entraîné en périphérie à des fins d'inférence. Le composant Edge peut également renvoyer des données vers le cloud pour réentraîner le modèle.