英特尔工业人工智能实战简介

臧战,英特尔AI技术解决方案专家,现就职于英特尔AI TSS技术团队。曾先后在华为和爱立信从事数据分析建模工作,主要将AI技术运用到无线网络优化和核心网云化、智能化运维中。目前主要从事AI技术在制造业和金融业的落地及性能优化工作。专长于机器视觉、时间序列以及各种机器学习算法。
议题介绍:介绍英特尔在工业人工智能领域的实践和积累,从实际案例中总结面向工业的主要智能应用和架构等。

展开查看详情

1.臧战 AI 技术解决方案专家

2.如何能够加快实现AI在工业领域的落地? 基于智能的工业4.0必然改变现有的工业结构,制造业必将又一次焕发出新 的生命力 客观条件与现实期望 https://tractica.omdia.com/newsroom/press-releases/artificial-intelligence-technologies- are-quietly-penetrating-a-wide-range-of-enterprise-applications/ 成本和用户需求是部署制造业人工智能的两大动因 人力成本的不断攀升和继续优化生产成本的逐渐开发殆尽,给制造业带来了前所未有的成本压力; 而市场需求趋于个性化、差异化、定制化,用户体验要求越来越高 高级分析和机器视觉是制造业人工智能的两大主流应用 机器学习驱动的高级分析:能源效率预测,最优化参数推荐,设备故障根因等是普及较早的智能 应用;图像数据等非结构化数据在工业缺陷检测,质量控制方面的效果显著 英特尔助力制造行业人工智能落地,提高生产效率和竞争力 • 英特尔有最灵活的产品组合,满足不同性能和功耗要求 • 针对IA架构的AI软件优化工具集 • 将英特尔在制造领域中的AI应用快速复制、扩展到更多的制造企业

3. AI实战手册简介 AI实战手册围绕智能制造行业中的典型应用, 如:缺陷检测、功率预测、故障预测等。总结 从整体上描述了智能制造行业面临的挑 战、机遇和未来市场规模。随着人工智能 技术的引入,制造业必将又一次焕发出新 了英特尔在真实场景中的AI技术和产品优化方 的生命力 案,希望能够帮助制造行业的合作伙伴加速AI 通过多个真实的应用案例,从制造业中最典型 智能化方案的落地 的机器视觉和高级分析预测两大场景,详细描 述了英特尔同制造行业伙伴一同构建的智能制 造典型场景的解决方案。包括:项目背景、架 构方案、算法和代码、以及方案成效等 手册分为三个篇章: 真实应用场景中推荐使用的英特尔相关技术 • 趋势篇 与产品。涉及到硬件、软件以及架构的多种 软硬件产品: 至强处理器、傲腾固态盘、 • 实战篇 3D NAND 固态盘、oneDNN、Analytics Zoo、OpenVINO™工具集以及各种优化框 • 技术篇 架等

4.

5.AI实战手册的正确打开方式 快速查找AI应用场景 快速实现AI应用开发 查看实战篇 查看实战篇 ❑ 快速捕捉制造业和能源行业的AI应用 1 3 ❑ 拓宽提升AI应用开发的思路和方法,例如: 需求 机器学习和深度学习相耦合 ❑ 了解企业引入AI技术时面临的困难和 ❑ 通过灵活组合英特尔产品实现AI应用开发的 挑战 快速落地 AI实战手册 ❑ 了解各种AI算法在真实案例中的性能 ❑ 通过案例中的示例代码快速集成 效果 快速了解AI应用技术 了解英特尔最新的产品 查看实战篇 2 4 查看技术篇 ❑ 了解AI技术的最新研究成果和实际应 ❑ 了解英特尔最新的硬件产品 用效果 ❑ 了解英特尔优化软件的新特性 ❑ 了解AI真实案例中的架构设计以及解 ❑ 了解实际英特尔产品的特性和优势 决的实际问题

6.

7.典型的工业应用 机器视觉 时间序列 光伏功率预测 制造设备震动异常预测 轮胎缺陷 螺丝紧固检测 数据库负载预测 缺陷 检测 预测 分析 树脂喷涂焊点偏移 故障预警 指标监控预测 标 签 检 智能运维 测 线序接反检测

8.项目需求和解决方案 缺陷检测需求 图片样例 解决方案 绝缘层破损等电池缺陷检测 采用图像多分类拓扑区分不同缺陷图片 采用目标检测检测出正负极,通过检测框的 电池正负极交替不重叠检测 重叠来判断缺陷 应用实现的挑战 - 实时性的挑战 Ear 图片的抓取是通过生产线上的工业照相机实时抓取,每条产线每秒钟可以抓取 Roll - 423张图片 + 检测准确度挑战 + 所有的缺陷电池必须全部检出,不能遗漏 Ear + 隔离层 - 绝缘层

9.典型的端-边-云架构智能工厂架构 生产线 (端侧) 总部数据中心 (云侧) 各个分工厂 (边缘侧) • OPENVINO基于酷睿i5/i7 工控机 • 基于Xeon 和 Analytic Zoo复杂模型的分布式训练 • 基于Xeon 6240 分布式训练和预测 • OpenCV 数据预处理 • 高性能和高容量的数据存储方案 • 分类/检测模型的的迁移学习 • OpenCV 简单模型预分类 • 模型/算法库的管理与更新 • 在线的增量学习(Future) • 流数据的实时处理 • 自动机器学习算法和方案的实施 (Future) QC 指令执行 中央存储 图片数据 图片数据 推理结果 流数据预处理 边缘推理 (可扩展) QC系统 (OpenCV) (简单模型) 图片数据集中存储 模型和参数 生产线工业摄像机 预处理后的图片数据 图片数据集中存储 图片数据 推理结果 本地存储 流式数据处理 边缘推理系统 训练好 (过滤明显的错误, 减少时延和网络带宽压力) Analytics Zoo 的模型 预处理图 Analytics Zoo分布式推理 集群模型训练 推理结果 分布式推理 片数据 (底层依赖OpenVINO) 推理结果 +AutoML (复杂模型) 模型的上线和更新 本地 模型的分发 模型管理 中央 模型仓库 模型仓库 每个工厂的边缘AI云 中央AI云数据中心 大型电池制造企业的缺陷检测与分析系统

10.利用深度学习和机器学习的优势进一步 提升准确率 优点 劣势 模型优化过程 基于卷积的 善于提取图像上的复 准确率依赖足够多的训 深度学习分类器 杂特征 练数据 经典的 能够在较少的数据样 准确率依赖于特征工程 机器学习分类器 本上收敛 质量 耦合深度学习和机器学习模型 Resnet50+ Resnet50 SVM Classifier CNN Layers CNN Layers FC Layers ML Classifier

11.

12.客户的诉求和我们的方案 功率预测需求 评价公式 解决方案 • 采用最新的LSTNet拓扑作为时间序列的模 • 预测2个小时后的光伏场的总功率 型,CNN+RNN+AutoRegression • 调和平均准确率指标满足75%的 • 将客户的评价指标关联模型训练的损失函 要求 数,使得模型和评价指标相契合 数据样本 面临的挑战 • 数据缺失较为严重,数据补全方式对最后结果影 响较大 • 需要定义数据标准,对输入数据做治理,保证数 据的准确性 • 选用合适的模型

13. 人工智能+绿色能源 = 更蓝的天 1% 功率预测准确率的提升意味着每个光伏/风电场每天 预测准确率 79.4% 能减少6吨的碳排放 优化目标: 75% 59% 年增长率22% ETL 模型 预测结果 实 kafka 数据的预处 流数据的处 时 理 理 数据库 数 据 原有方案 新方案 LSTNet 模型部署 历史数据 模型的更新 Analytic Zoo 集群 年增长率-3.5%

14.自动机器学习降低建模门槛 5 全自动(数据进,模型出)& 自解释 • 利用Analytics Zoo的高扩展性加速 模型训练 • 利用最新Analytics Zoo平台 4 神经网络结构搜索 AutoML的研究成果,进一步降低 AI应用的使用门槛 3 自动特征工程 2 自动模型选择 1 自动超参数优化 0 无自动化

15. 为何在AI制造上选择英特尔® 技术 ? 使用英特尔全栈解决方案 支持制造行业各种人工智能场景 选择各种智能化方法 从机器学习到深度学习 使用开源人工智能软件 加速开发 随处部署人工智能 前所未有的高性价比的硬件选择 支持端到云的高性能部署 满怀信心地扩展 与英特尔合作加速制造行 业的人工智能之旅

16.英特尔中国制造业AI实战手册 获取电子版

17.