(圖左)Monitron是一個端到端ML機器監控解決方案,它的入門套件含5個感測器和1個閘道器。感測器每小時會偵測一次監控設備的溫度和震動,由藍牙傳送數據至閘道器,接著,閘道器會用Wi-Fi將數據傳至AWS,來用機器學習模型分析數據。若該服務檢測到異常,會即時由專屬App向用戶發送警告通知。(圖右)當感測器偵測到設備出現異常狀態時,企業會獲得由App推播的警報通知,並可進入App查看視覺化的設備感測量值。(圖片來源/AWS)

打從2016年度大會上,AWS推出自家第一波AI服務Polly、Lex和Rekognition後,搭上企業AI應用浪潮,也不斷推出新的AI服務與功能。過去3年,以每年新增超過200項功能的速度,擴充AI產品線,今年更推出5項AI垂直產業服務,將產品線的觸角延伸進更多企業第一線產業現場的商用場景。

時至今日,AWS累計推出數百個AI功能,其中的ML服務SageMaker,更是成長最快的AWS服務之一。去年大會上,AWS執行長Andy Jassy將自家所有機器學習服務,劃分為三個層次,分別是最底層的機器學習框架與基礎架構,還有居中的ML服務,以及上層的AI服務,示意著AWS在AI產品上的布局已有完整的架構。

今年,AWS首場專為ML開設的主題演講上,AWS機器學習副總裁Swami Sivasubramanian再次秀出這個三階層架構的AI產品藍圖,明顯不同的是,中間層ML服務直接更名為SageMaker,顯見該服務具不可撼動的地位,另一個新亮點就是,最頂端的AI服務層新增了工業AI的分類,加入一系列深入產業場域的AI服務。

細看AWS AI產品基礎設施的布建情況,底層涵蓋了各項基礎架構和深度學習框架,包含GPU、FPGA,還有PyTorch、MXNet和TensorFlow。Swami Sivasubramanian興奮地表示,全球有92%以雲端為基礎的TensorFlow框架,以及91%以雲端為基礎的PyTorch框架,是在AWS環境中執行。

位於中間層的全代管機器學習服務SageMaker,可供資料科學家和開發人員建構、訓練與部署進行機器學習模型,推出後,已累計數十種功能。AI產品線頂層則是AI服務,提供不懂機器學習技術運作方式的用戶,不同情境的應用解決方案,像是影像辨識、預測、對話機器人等服務。

如今,AWS AI產品架構加入垂直產業類的AI服務應用,代表著AWS對AI基礎設施層的布局,已告一段落,開始轉向更偏應用面的產業AI需求。AWS人工智慧副總裁Matt Wood表示,機器學習幾乎讓每個產業中,都展開了非比尋常的重塑工程,特別是製造業。他觀察,許多製造業企業正在使用雲端和邊緣節點的數據,來重新思考從生產到成品完成的流程設計,像是監測生產系統以在機器發生故障時,獲得警報。

因為工業流程是一系列的步驟,並且具有一套完整的流程,這些步驟間的耦合度非常緊密,這也意味著產線上任何一段流程或一項設備發生問題,都可能產生巨大的影響。但,他表示,許多監測都是利用固定臨界值,來進行管理,並未真正有效利用工業系統產生的大量數據。

因應產業現場ML分析需求,率先推出工業AI服務

因此,AWS推出了5大AI新服務,瞄準工業流程上設備監控及品管的需求。這5大新服務可分為兩大類,第一類服務聚焦運用機器數據,來執行預測的機器維護工作,包括了Monitron和Lookout for Equipment兩個服務,藉由感測器收集產線設備的運作數據,監控設備狀況,並使用機器學習分析數據,查出異常狀況,以預測設備需進行保養、維修的時間點,減少意外停機情況的發生。

第二類服務則聚焦運用電腦視覺技術,來改善產線流程中的瓶頸,還有評估現場工作人員的安全性,甚至是辨識成品的缺陷,包含了Panorama Appliance、Panorama SDK和Lookout for Vision。

儘管Monitron與Lookout for Equipment這兩類服務,都是用機器資料來檢測異常設備行為,但最大的差別在於,Monitron不僅僅提供了機器學習服務,還提供了硬體設備,包含感測器和閘道器,以及可供企業即時監控設備狀況的手機App,可說是一個端到端的機器監控解決方案,而Lookout for Equipment則只是一項線上ML服務,可用來分析企業自有感測器所收集的資料,來辨識機器異常狀態。

Monitron專用感測器可以每小時偵測一次設備的溫度和震動數據,再由藍芽傳送至專用閘道器中彙整,下一步,閘道器會透過Wi-Fi將整批數據上傳至AWS,接著,再以機器學習模型分析數據。一旦監測到設備出現異常運轉狀態時,App會發送警報通知,警告企業技術人員。

一臺閘道器最多可連結20臺感測器,閘道器與感測器間的距離最多可以達到30公尺,這些專用感測器可監控的工業和製造業設備,包含了馬達、空壓機、風扇、軸承等。Monitron硬體裝置已通過美國、英國和歐盟的認證,企業可搭配現已正式支援該設備套件的AWS北維吉尼亞地區,使用這項新服務。GE、樂器製造商Fender等企業已開始採用。

針對產線已布建了感測器的企業,則是Lookout for Equipment鎖定的使用族群。在企業將感測器數據傳送至AWS S3儲存後,可透過這項新服務來分析數據,建立依機器操作模式打造的機器學習模型,接著,企業專屬模型可分析感測器後續傳入的資料,來辨識機器的異常狀態,讓企業提早檢修。Lookout for Equipment目前在北維吉尼亞州、首爾等AWS地區,提供預覽。

推出具電腦視覺技術硬體,供企業連結攝影機辨識產線狀況

另外,鎖定製造業監測和檢查產線狀況的視訊分析需求,AWS也推出了一款即時監控分析設備Panorama Appliance,可以部署到工廠端環境中來提供電腦視覺技術,改善產線運作情況。企業將產線上設置的攝影機與Panorama Appliance連接後,Panorama Appliance會執行多個電腦視覺模型,來辨識攝影機的串流資料,偵測產線流程的狀況,像是檢查高速運轉流程(如精細銑削),或是評估廠內人員的安全,確保使用防護裝備。

除了應用在製造業產線上,Panorama Appliance也可應用在零售、建築等其他產業的場域內,像是監測人流數量、工地人員安全等。臺灣許多零售門店內都裝有數支攝影機,未來也可成為使用Panorama Appliance的場景之一。AWS臺灣解決方案架構師主管Nicolas Vautier舉例,這套設備還可以用來計算來客數、預防偷竊等。AWS計畫在2021年正式開賣。

另外,AWS還推出軟體開發套件Panorama SDK,讓攝影機製造商將電腦視覺技術嵌入攝影機中,開發可在邊緣端執行電腦視覺模型的攝影機,而閘道器製造業者也可應用此套件,開發可在邊緣端執行電腦視覺模型的閘道器。目前臺灣已有多家廠商開始運用Panorama SDK,開發相關智能設備,包含凌華科技、晶睿通訊等。

新推出利用電腦視覺技術,來偵測製造業產線狀況和產品品質的3項服務中,最後還有一項Lookout for Vision。這是一項機器學習服務,可分析企業傳送的批量或即時影像,來辨識異常,比如說,機器零件上的裂痕,還有成品上的凹痕、不規則形狀、不正確顏色等,並可執行於Panorama裝置上。目前新服務正在預覽版階段。

AWS推出可在邊緣端提供電腦視覺技術的硬體Panorama Appliance,供企業將設備裝載的攝影機與該硬體連接後,來執行電腦視覺模型,辨識攝影機的串流資料,偵測產線流程的異常狀況。(圖片來源/AWS)

推出醫療界專用AI資料湖服務,解決資料格式複雜、分散問題

不只因應製造業生產現場的需求,打造全新AI服務,AWS也針對醫療照護與生命科學領域的企業和組織,推出名為HealthLake的AI資料湖服務,要改善醫療資料種類複雜、分散各處,在進行機器學習分析前,需整理資料的浩大工程。HealthLake可以匯集醫療院所、藥廠旗下分散於各個資料孤島的PB級數據,並將這些不同格式的資料運用機器學習技術,來進行正規化、標註等處理,方便日後做分析及搜尋。目前釋出預覽版。

AWS看到每個產業因為機器學習,都紛紛展開重塑工程。在這次re:Invent上,AWS針對工業、製造業流程推出的5套機器學習服務,以及因應醫療照護界匯集分散、複雜資料需求,所打造的資料湖服務,不會只是特例的工業AI服務或AI相關產業服務,未來將有機會看到AWS持續擴充垂直產業面應用,針對更多產業現場的需求,推出新服務。

 相關報導  AWS後疫新戰略


熱門新聞

Advertisement