近期，希捷科技聯手英偉達（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，旨在幫助企業提高生產效率，保障產品質量。

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

專注工廠

實現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，并根據觀察結果主動采取措施。我們可以把它看作是某種自我編程。神經網絡是大腦自帶的技能，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、工程師和數據科學家的靈感來源。幾十年來，他們一直致力于將神經網絡導入到算法中。

1959年，斯坦福大學電氣工程師Bernard Widrow和Marcian Hoff首次成功創造了神經網絡并將其應用在過濾器中以幫助消除電話線中的回音。該系統目前仍在商用。但由于神經網絡領域的實際應用情況與預期不符，該領域面臨重重難關。盡管如此，隨著時間的推移，數學以及計算的發展不斷推動其進步。

另一個重大突破發生在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大型視覺識別挑戰賽。他們提交的項目是AlexNet深度卷積神經網絡架構，現今仍在使用中，并以10.8％的優勢擊敗現有模型。該項目使用深度學習和圖形處理單元來設計圖像評估軟件。ImageNet包含來自數千個不同類別的數百萬張圖片，如狗、貓、汽車等。

希捷智能制造平臺項目負責任人，數據科學技術專家布魯斯·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今的數據科學、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用了人工智能神經網絡，并將其稱之為深度學習。而羅伯特D·霍夫在《麻省理工學院技術評論》中寫道：“深度學習在試圖模仿大腦皮層中神經元層的活動，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量，隨之我們將其發展為希捷邊緣RX參考架構。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。希捷在工廠生產其產品，作為生產的一部分，平均每天可產生約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的。晶片被切割成微小的讀寫記錄頭，然后再組裝成驅動器。

布魯斯·金表示：“生產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量檢驗相關，其中包括各種形式的圖像獲取。當圖片顯示產品質量發生變化時，工程師必須及時抓住那個點。”

與其他傳統的、基于規則的工具相比，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：“算法本身即可從數據中學習‘什么是規則’以及‘何時違反了規則’。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參考架構的建立得益于希捷的IT基礎設施知識、存儲業務專長、與慧與（HPE）的合作伙伴關系、對英偉達（NVIDIA）深度學習的持續研究以及Kubernetes和Docker的集群管理工具。

除神經網絡，圖形處理單元（GPU）的興起也引領了智能制造時代的到來。由英偉達（NVIDIA）構建的圖形處理單元（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據并執行相同的操作。”

雖然希捷的深度學習是針對數據存儲行業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

使用高成本資本設備的高價值制造產品

生產大量無法用傳統方法分析圖像的垂直行業

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

能收集設備、流程并檢驗數據的自動化制造流程

由質量控制和檢驗驅動的制造流程

冗長的制造流程

多站點全球制造業

希捷Lyve 數據實驗室分享希捷邊緣RX參考架構，希望該參考架構能夠啟發其他業內人士，并部署在更廣泛的業務范圍中。

希捷新興垂直領域資深總監Rags Srinivasan說道：“希捷相信，整個行業和生態系統可以互相借鑒、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分享邊緣參考架構。”

文章來源：中國IDC圈

何洋/整理、推薦