인공 지능 및 기계 학습(AI/ML) - AWS 규범적 지침
아키텍처

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

인공 지능 및 기계 학습(AI/ML)

MES, 기계, 디바이스, 센서 및 기타 시스템에서 생성된 데이터에 인공 지능(AI) 및 기계 학습(ML)을 사용하면 제조 작업을 최적화하고 비즈니스의 경쟁 우위를 확보할 수 있습니다. AI/ML은 데이터를 제조 프로세스를 최적화하고, 기계의 예측 유지 관리를 지원하고, 품질을 모니터링하고, 검사 및 테스트를 자동화하는 데 사전에 사용할 수 있는 인사이트로 변환합니다. AWS 는 모든 기술 수준에 대한 포괄적인 AI/ML 서비스를 제공합니다. 기계 학습에 대한 접근 방식에는 AWS 세 가지 계층이 포함됩니다. 시간이 지나면 상당한 기술 역량을 갖춘 대부분의 조직은 세 가지를 모두 사용합니다.

  • 하단 계층은 ML 전문가와 실무자를 위한 프레임워크와 인프라로 구성됩니다.

  • 중간 계층은 데이터 과학자와 개발자를 위한 ML 서비스를 제공합니다.

  • 최상위 계층은 ML 모델을 빌드하지 않으려는 사용자를 위해 인간의 인식을 모방하는 AI 서비스입니다.

다음은 산업을 위한 몇 가지 주요 AWS ML 서비스입니다.

  • Amazon SageMaker AI는 완전 관리형 인프라, 도구 및 워크플로를 사용하여 데이터를 준비하고 모든 사용 사례에 맞게 ML 모델을 빌드, 훈련 및 배포하는 완전 관리형 서비스입니다.

  • Amazon Lookout for Vision은 객체의 시각적 결함을 식별하여 산업 생산 품질을 높이고 운영 비용을 절감하는 데 도움이 되는 ML 서비스입니다. 이 서비스를 사용하여 시각적 결함을 대규모로 식별하고 수동 검사에 대한 의존도를 줄일 수 있습니다. 내 품질 마이크로서비스는 Lookout for Vision에서 추론을 받아 규정 미준수, 재작업 또는 폐기 워크플로를 시작할 MES 수 있습니다.

  • Amazon Lookout for Equipment는 센서의 데이터를 사용하여 비정상적인 장비 동작을 감지하므로 기계 장애가 발생하기 전에 조치를 취하고 예기치 않은 가동 중지를 방지할 수 있습니다. Lookout for Equipment의 추론은 예약 및 계획을 MES 위해에서 응답 작업을 시작할 수 있습니다.

  • AWS Panorama는 ML 어플라이언스를 제공하며 온프레미스 카메라에 컴퓨터 비전(CV)을 SDK 추가하여 높은 정확도와 짧은 지연 시간으로 자동 예측을 수행합니다. 를 사용하면 엣지에서 컴퓨터 전원을 사용하여(비디오를 클라우드로 스트리밍할 필요 없이) 작업을 개선할 AWS Panorama수 있습니다.는 제조 품질 평가, 산업 프로세스에서 병목 현상 발견, 시설 내 작업자 안전 평가와 같은 모니터링 및 시각적 검사 작업을 AWS Panorama 자동화합니다. 프로세스 개선, 품질 검사 계획 및 빌드된 대로 레코드를 위해 이러한 자동화된 작업의 결과를 엔터프라이즈 애플리케이션에 AWS Panorama MES 및를 통해 제공할 수 있습니다.

  • Amazon Monitron은 end-to-end 산업 기계에서 비정상적인 동작을 감지하는 시스템이므로 예측 유지 관리를 구현하고 예상치 못한 가동 중지 시간을 줄일 수 있습니다. Amazon Monitron은 턴키 솔루션이므로 독립 실행형 시스템으로 배포할 수 있습니다. Amazon Monitron의 결과 데이터 세트를에 피드MES하여 이벤트에 응답할 수도 있습니다.

아키텍처

제조 품질 관리에서 자동화된 품질 검사는 컴퓨터 비전 및 기계 학습에서 가장 널리 사용되는 사용 사례 중 하나입니다. 제조업체는 카메라를 컨베이어 벨트, 믹서 슈트, 패키징 스테이션, 창고 또는 실험실과 같은 위치에 배치하여 시각적 객체를 얻을 수 있습니다. 카메라는 시각적 결함 또는 이상 현상에 대한 고품질 그림을 제공하고, 제조업체가 검사 정확도를 개선하여 모든 부품 또는 제품의 최대 100%에 대한 검사를 수행하고, 추가 개선을 위한 통찰력을 얻을 수 있습니다. 다음 다이어그램은 자동화된 품질 검사를 위한 일반적인 아키텍처를 보여줍니다.

MES AI/ML용 아키텍처 사용 사례

  1. 네트워크에서 통신할 수 있는 카메라는 이미지를 공유합니다.

  2. AWS IoT Greengrass 는 로컬에서 호스팅되며 이미지의 이상을 추론하는 구성 요소를 제공합니다.

  3. 품질 관리 엣지 서비스는 지연 시간에 민감한 사용 사례에 대해 이전 단계의 추론 출력 결과를 로컬로 처리합니다.는 컴퓨팅 및 데이터베이스 리소스를 AWS Outposts 호스팅합니다. 제조업체는이 구성 요소 아키텍처를 확장하여 추론 결과에 따라 이해관계자에게 알림 또는 메시지를 보낼 수 있습니다. 제조업체는 호환되는 다른 타사 하드웨어를 사용하여 엣지에서 서비스를 호스팅할 수도 있습니다.

  4. 이러한 서비스의 엣지 구성 요소는 두 컨테이너 인스턴스 간에 Amazon API Gateway 엔드포인트를 통해 클라우드 구성 요소와 동기화할 수 있습니다. 또 다른 옵션은 두 컨테이너 인스턴스 간에 서비스 버스를 설정하여 동기화 상태를 유지하는 것입니다. Amazon Managed Streaming for Apache Kafka(Amazon MSK)를 사용하여 이러한 서비스 버스를 설정할 수 있습니다.

  5. 제조업체는 마이크로서비스의 클라우드 구성 요소를 사용하여 품질 검사를 처리하여 기록 테이블을 채우고 PLM 시스템에 업데이트를 전송하여 향후 프로세스 및 부품 설계 개선을 위한 품질 결과를 얻는 등 지연 시간에 덜 민감한 사례를 처리할 수 있습니다. 클라우드의 경제성, 규모 및 재해 복구 이점으로 인해 고객은 클라우드 마이크로서비스 인스턴스에 장기간 데이터를 저장할 수 있습니다.

  6. Amazon Lookout for Vision 또는 Amazon SageMaker AI와 같은 클라우드 네이티브 ML 서비스를 사용하여 클라우드에서 모델을 구축하고 훈련할 수 있습니다. 추론을 위해 최종 훈련된 모델을 엣지에 배포할 수 있습니다. 엣지 구성 요소는 데이터를 클라우드에 다시 제공하여 모델을 재훈련할 수도 있습니다.