近期，希捷科技聯(lián)手英偉達(NVIDIA)及慧與(Hewlett Packard Enterprise)等合作伙伴共同打造了一個人工智能平臺，旨在幫助企業(yè)提高生產(chǎn)效率，保障產(chǎn)品質(zhì)量。

希捷科技的智能制造參考架構(gòu)起源于工廠車間。在希捷工廠，智能制造的應(yīng)用加強了硬盤生產(chǎn)過程中對晶片圖像質(zhì)量的控制能力。希捷科技采用此項技術(shù)提高工作效率及產(chǎn)品質(zhì)量。在希捷科技位于泰國工廠的項目中，工程師預計通過應(yīng)用智能制造，將潔凈室投資降低20%，制造產(chǎn)出時間縮短10%，獲得投資回報率高達300%。

專注工廠

實現(xiàn)智能制造的首要因素是人類思維——我們通過人類思維看待并理解這個世界。正是人類思維使得各種智能應(yīng)用成為可能。

人類的大腦天生具備自主模型檢測的能力，并根據(jù)觀察結(jié)果主動采取措施。我們可以把它看作是某種自我編程。神經(jīng)網(wǎng)絡(luò)是大腦自帶的技能，可識別模式，自主學習并預防風險、危害和異常。一直以來，它都是程序員、工程師和數(shù)據(jù)科學家的靈感來源。幾十年來，他們一直致力于將神經(jīng)網(wǎng)絡(luò)導入到算法中。

1959年，斯坦福大學電氣工程師Bernard Widrow和Marcian Hoff首次成功創(chuàng)造了神經(jīng)網(wǎng)絡(luò)并將其應(yīng)用在過濾器中以幫助消除電話線中的回音。該系統(tǒng)目前仍在商用。但由于神經(jīng)網(wǎng)絡(luò)領(lǐng)域的實際應(yīng)用情況與預期不符，該領(lǐng)域面臨重重難關(guān)。盡管如此，隨著時間的推移，數(shù)學以及計算的發(fā)展不斷推動其進步。

另一個重大突破發(fā)生在2012年，多倫多大學的計算機科學家Geoffrey Hinton、Ilya Sutskever和Alex Krizhevsky贏得了ImageNet大型視覺識別挑戰(zhàn)賽。他們提交的項目是AlexNet深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，現(xiàn)今仍在使用中，并以10.8%的優(yōu)勢擊敗現(xiàn)有模型。該項目使用深度學習和圖形處理單元來設(shè)計圖像評估軟件。ImageNet包含來自數(shù)千個不同類別的數(shù)百萬張圖片，如狗、貓、汽車等。

希捷智能制造平臺項目負責任人，數(shù)據(jù)科學技術(shù)專家布魯斯·金回憶道：“這是一個分水嶺，幾十年來，人們一直夢想著這樣的突破。而這一突破就是希捷現(xiàn)今的數(shù)據(jù)科學、IT及工廠工程團隊能在我們的工廠車間部署人工智能的原因。”

多倫多大學的科學家們成功地應(yīng)用了人工智能神經(jīng)網(wǎng)絡(luò)，并將其稱之為深度學習。而羅伯特D·霍夫在《麻省理工學院技術(shù)評論》中寫道：“深度學習在試圖模仿大腦皮層中神經(jīng)元層的活動，而人類80%的思維形成均來自大腦皮層。”

布魯斯·金表示：“深度學習是希捷雅典娜項目的核心，該項目最初旨在提升希捷制造的質(zhì)量，隨之我們將其發(fā)展為希捷邊緣RX參考架構(gòu)。正是這種實時邊緣計算集群，使得希捷能在工廠車間部署機器學習功能。”

有章可循的方法與深度學習

精密制造是一個復雜且艱苦的迭代過程。希捷在工廠生產(chǎn)其產(chǎn)品，作為生產(chǎn)的一部分，平均每天可產(chǎn)生約1000萬張圖像。磁頭是采用與半導體晶片制造類似的工藝生產(chǎn)的。晶片被切割成微小的讀寫記錄頭，然后再組裝成驅(qū)動器。

布魯斯·金表示：“生產(chǎn)晶片需要幾個月的時間，包括大約1000個單獨的步驟。且其中許多步驟都與質(zhì)量檢驗相關(guān)，其中包括各種形式的圖像獲取。當圖片顯示產(chǎn)品質(zhì)量發(fā)生變化時，工程師必須及時抓住那個點。”

與其他傳統(tǒng)的、基于規(guī)則的工具相比，最先進的深度學習軟件可以更準確地檢測這些圖像中的問題。

新工具有什么不同?布魯斯·金表示：“算法本身即可從數(shù)據(jù)中學習‘什么是規(guī)則’以及‘何時違反了規(guī)則’。工程師無需對其進行編程。”這是否意味著工程師是多余的? 并非如此。新的深度學習工具并不能取代工程師。相反，它們將工程師解放出來去研究更高層次的解決方案。

希捷邊緣RX參考架構(gòu)的建立得益于希捷的IT基礎(chǔ)設(shè)施知識、存儲業(yè)務(wù)專長、與慧與(HPE)的合作伙伴關(guān)系、對英偉達(NVIDIA)深度學習的持續(xù)研究以及Kubernetes和Docker的集群管理工具。

除神經(jīng)網(wǎng)絡(luò)，圖形處理單元(GPU)的興起也引領(lǐng)了智能制造時代的到來。由英偉達(NVIDIA)構(gòu)建的圖形處理單元(GPU)是進行智能計算的理想工具，因為它能以比中央處理單元(CPU)快幾百倍地速度進行深度的數(shù)學學習。Insight64的負責人NathanBrookwood說道：“圖形處理單元(GPU)不同于PC微處理器，它可以快速地反復獲取大量數(shù)據(jù)并執(zhí)行相同的操作。”

雖然希捷的深度學習是針對數(shù)據(jù)存儲行業(yè)的制造流程而實施的，但通常情況下，其也適用于其他類型的流程，尤其是具有以下特征的流程：

生產(chǎn)半導體、電子、汽車零件、機器零件等工具的大批量、高精度、分布式的制造工藝

使用高成本資本設(shè)備的高價值制造產(chǎn)品

生產(chǎn)大量無法用傳統(tǒng)方法分析圖像的垂直行業(yè)

安全、智慧城市和自動駕駛汽車中的異常檢測

具有多個階段的高度復雜的制造流程

能收集設(shè)備、流程并檢驗數(shù)據(jù)的自動化制造流程

由質(zhì)量控制和檢驗驅(qū)動的制造流程

冗長的制造流程

多站點全球制造業(yè)

希捷Lyve 數(shù)據(jù)實驗室分享希捷邊緣RX參考架構(gòu)，希望該參考架構(gòu)能夠啟發(fā)其他業(yè)內(nèi)人士，并部署在更廣泛的業(yè)務(wù)范圍中。

希捷新興垂直領(lǐng)域資深總監(jiān)Rags Srinivasan說道：“希捷相信，整個行業(yè)和生態(tài)系統(tǒng)可以互相借鑒、取長補短、合作共贏。因此，希捷非常愿意與有類似需求的企業(yè)分享邊緣參考架構(gòu)。”