ВЫБОР РЕДАКЦИИ

Перспективы развития микроконтроллеров с краевым искусственным интеллектом

Проблемы разработки программно-управляемого аппаратного обеспечения

Искусственный интеллект – перспективы развития

Наступление эры искусственного интеллекта реального масштаба времени

Искусственный интеллект и увеличение интереса к краевым вычислениям

Бесшовная связь – становой хребет Четвертой промышленной революции

Использование биометрии в Сухопутных войсках США

Вопросы развития краевых вычислений

Машинное обучение открывает новые возможности FPGA

Материалы Симпозиума SEMI по промышленной политике

Современное состояние и перспективы развития рынка САПР

Teraki совершает «квантовый скачок» в сфере больших данных

Бум стартапов во Франции

Материалы Симпозиума SEMI по промышленной политике

Вопросы развития краевых вычислений

Экономические аспекты развития технологий искусственного интеллекта

О перспективах рынка потребительской электроники

Средства искусственного интеллекта учатся распознавать звуки

Превосходство КНР в области искусственного интеллекта: правда или миф?

Некоторые проблемы развития памяти с высокой пропускной способностью

Человеко-машинный интерфейс умных домов и краевой искусственный интеллект

Проблемы использования Wi-Fi в Интернете вещей

Переход от полноразмерных облачных хранилищ к клаудлетам

Вопросы обеспечения безопасности Интернета вещей

В Корал-Гейблс запущена платформа Smart City Hub

Проблемы кибербезопасности Интернета вещей

Новая политика регулирования Интернета вещей ОАЭ

Состояние и перспективы рынка 300‑мм пластин: прогноз специалистов SEMI

Платформа Microchip Trust призвана упростить аппаратную безопасность Интернета вещей

Высокоэффективные макетные платы для разработки приборов Интернета вещей

Искусственный интеллект и модели обмена знаниями

Искусственный интеллект и модели обмена знаниями

Выпуск 21 (6720) от 29 октября 2020 г.
РУБРИКА: ИНТЕРНЕТ ВЕЩЕЙ

Достижения в области искусственного интеллекта, облачных вычислений, технологии больших данных, краевых вычислений и Интернета вещей порождают футуристические модели обмена знаниями в области искусственного интеллекта. Множество умных производственных приложений на основе искусственного интеллекта подпитывают дальнейшее развитие микроэлектронной промышленности. Объединение таких моделей может оказать значительное влияние на существующие способы обмена знаниями.


Меняться знаниями – ​значит разбираться в проблемах

Методы накопления знаний и обмена ими среди всего инженерно-технического персонала предприятия имеют большое значение для поддержания и наращивания общей эффективности и конкурентоспособности. Одна из проблем, мешающих обмену знаниями в рамках предприятия, – ​отказ от сотрудничества в области обмена данными и освоения новых данных из-за ложной самонадеянности (рис. 1). Такое поведение подчеркивает разницу между опытными и неопытными инженерами. Опытные инженеры стараются извлекать пользу из отраслевых знаний и практических навыков. Компаниям выгодно организовывать обмен этими знаниями между всеми инженерно-техническими работниками предприятия. К числу задач, стоящих перед предприятием будущего, относится минимизация разрозненных знаний, следовательно, необходимо поощрять участие ИТР в накоплении и обмене данными в рамках предприятия. Важность этой работы повышается в связи с повышением среднего возраста персонала, занятого в производстве полупроводниковых приборов. Старение работников полупроводниковой промышленности в развитых странах напрямую связано с общим старением населения, из-за чего становится все труднее привлекать новые таланты.



Источник: Semiconductor Digest

Рисунок 1. Основные проблемы, мешающие обмену знаниями

* Племенные знания (tribal knowledge) – коллективное ноу-хау организации, распространенное явление, когда сумма определенных знаний, умений, навыков сотрудников содержится внутри компании, но неизвестна вне ее.


Чтобы принимать более разумные решения, избавиться от избыточных операций и более эффективно справляться с возникающими проблемами, инженерный персонал должен быть наделен соответствующими полномочиями (рис. 2). При этом крайне важно, чтобы у специалистов были инструменты обмена знаниями в рамках всей организации.



Источник: Semiconductor Digest

Рисунок 2. Условия принятия более разумных решений и эффективной работы с проблемами


Процесс принятия решений начинается со сбора необходимых данных и информации. Далее следуют этапы их преобразования в новые знания и оценки на основе уже накопленных знаний и опыта, постановки проблемы и нахождения путей ее решения (рис. 3). По мере роста объемов данных, информации и знаний база оценки проблем и постановки задач расширяется. Исходя из этого инженеры получают все больше возможностей принимать более продуманные и обоснованные решения, накапливать знания, опыт и мудрость. При достижении некоторого критического объема знаний происходит качественное улучшение возможностей оценки данных и принятия решений, оптимизации ранее принятых решений.


Источник: Semiconductor Digest

Рисунок 3. Факторы, необходимые для решения проблем


Модели обмена знаниями как средство расширения возможностей инженеров

Последние достижения в области интеллектуальных производственных приложений с ИИ привели к созданию эффективных технологий, существенно расширивших возможности обмена знаниями. Технологии искусственного интеллекта, облачных и краевых вычислений, больших данных и Интернета вещей позволяют собирать и хранить огромные объемы данных и помогают инженерам принимать более быстрые и обоснованные решения. Это путь к повышению эффективности. Сегодня есть возможность собрать гораздо больше информации, чем когда-либо, а затем переработать и преобразовать эти данные в знания и практические идеи.

Современное интеллектуальное производство основывается на предпосылке, что принятие решения следует за независимыми процессами обнаружения, анализа и прогнозирования. На стадии обнаружения выявляется проблема, инженеры получают сигнал о том, что что-то идет не так. Анализ проводится с целью определить первопричину проблемы. Прогнозирование требуется, чтобы выявить проблему до того, как она возникнет, а также используется для определения оставшегося срока эксплуатации критически важного оборудования. Соответствующие типы приложений теперь включают в себя элементы ИИ, которые способствуют ускорению и интеллектуализации процесса (рис. 4). Умные приложения позволяют провести более точный и исчерпывающий анализ. Благодаря интеграции ИИ в интеллектуальные приложения типа BISTel инженеры получают возможность более эффективно выявлять проблемы. Понимание этих проблем помогает создавать решения, которые могут предсказать поведение определенных инструментов и процессов. В ходе этого эволюционного развития предприятия могут перейти на действительно всеобъемлющую модель обмена знаниями, в которой все данные и идеи будут доступны и понятны.


Источник: Semiconductor Digest

Рисунок 4. Интеллектуальные приложения позволяют проводить более точный и исчерпывающий анализ


DSS и перспективы их развития

Появление и освоение средств ИИ и машинного обучения позволило приступить к созданию самообучающихся систем. Так, например, корпорация BISTel (Сеул, Южная Корея) недавно представила новую систему поддержки принятия решений (decision support system, DSS) для завода по обработке пластин, способную осуществлять диагностику, самооптимизацию, и, если это оправдано, самокорректировку. В 2020 г. BISTel продемонстрировала первую в отрасли центральную платформу искусственного интеллекта для обмена знаниями в масштабе предприятия и производственной экосистемы (рис. 5). Новая DSS достаточно интеллектуальна, чтобы и обучаться, и действовать на основе обучения. В ней обнаружение, анализ и прогнозирование интегрированы в единую систему искусственного интеллекта, которая продолжает накапливать знания и делиться ими. Система DSS концептуализирована как своего рода мозг, способный обнаруживать и фиксировать все постоянные фрагменты данных, экстраполированных из производственной среды.



Источник: Semiconductor Digest

Рисунок 5. Примерная структура автономной самообучающейся системы


Технология, обеспечивающая системы поддержки принятия решений, способна с легкостью выйти за пределы предприятия (рис. 6) и произвести революцию во всех областях деятельности. Подобные системы открывают новые данные, явления и объекты, изучают взаимосвязь между причиной и следствием, а также используют эти знания для обеспечения автономной деятельности на их основе. DSS могут использоваться для соединения предприятий, организаций и отраслей, включая цепочки поставок, финансы, информационные технологии, логистику и многое другое. Это не просто приложения, действующие в пределах завода по обработке пластин или предприятия. DSS способны обмениваться знаниями между различными типами производственных организаций.



Источник: Semiconductor Digest

Рисунок 6. Перспективы развития систем поддержки принятия решений


Первые модели обмена знаниями

Первая модель обмена знаниями в масштабе завода по обработке пластин каждое утро предоставляет на ПК всех ИТР персонализированную информацию о текущем статусе предприятия (объем отгруженной продукции в натуральном выражении, длительность производственного цикла, коэффициент выхода годных и т. д.). Ключевые отображаемые рубрики DSS – ​«Деятельность», «Рекомендации», «Обзор» и «Открытия».

Раздел «Деятельность» предоставляет инженеру информацию о состоянии технологического оборудования и техпроцессов. При профилактическом обслуживании (на основе прогнозирования состояния оборудования) обмен знаниями позволяет сразу же влиять на работу заводов по обработке пластин и их структурных подразделений. Например, DSS обнаруживает неисправность в конкретном насосе. Проблема, способная повлиять на производительность инструмента и выход годных, отображается на ПК конкретного специалиста. Система прогнозирует остаточный срок полезного использования актива (RUL), а затем создает поток рабочих заданий и вводит его в систему планирования ресурсов предприятия (ERP), которая осуществляет заказ запчастей или планирует техническое обслуживание. Этот прогноз также включает действия и рекомендации конкретным специалистам. Возможность предсказать, когда тот или иной актив выйдет из строя, имеет огромную важность для фармацевтики, производства полупроводниковых приборов, добычи нефти и газа – ​таким образом обеспечивается сокращение времени простоя системы и существенная экономия затрат на техническое обслуживание. Система регистрирует действия и произведенные исправления, отображает инцидент и результат, а также извлекает из произошедшего уроки.

В разделе «Рекомендации» определяются проблемы и генерируется набор решений, который затем предоставляется инженеру. Некоторые рекомендации могут потребовать одобрения. Вся работа выполняется системой, и человек принимает решения на основе этой информации.

Следующий функциональный раздел – ​«Обзор». При появлении новой последовательности событий DSS извещает конкретных инженеров или операторов о необходимости входа в систему и осуществления каких-либо действий. Если, например, система фиксирует повторное извещение по той же проблеме или распознается новая проблема, то проводится анализ всех имеющих отношение к этому событию данных и формируется обзор, предоставляемый целевым специалистам. На этой основе, с учетом реакции человека и внесенных им изменений, может быть сформирован новый протокол или обновлен существующий. В дальнейшем DSS сможет действовать по ним автономно (до возникновения необходимости внесения новых изменений).

Раздел «Открытия» связан с самостоятельным расширением знаний. Например, DSS регистрирует сигнал о неисправности, записывает, когда она произошла, в какой партии, на какой пластине, в каком перечне операций и на каком инструментальном средстве, а также какие меры были приняты для исправления. Все это заносится в базу знаний. В аналогичных случаях на основе наблюдаемого поведения людей и процессов система сможет самостоятельно «соединить точки» и сформулировать решение, т. е. она учится сама. Наличие DSS облегчает функционирование завода по обработке пластин, способствуя более быстрому принятию решений.

Системы DSS на основе ИИ в ближайшие несколько лет могут получить широкое распространение. Предполагается, что новые модели обмена знаниями с использованием ИИ будут играть ведущую роль в формировании структуры перспективных заводов по обработке пластин. Таким образом, «автономное мышление» ускоряет путь к предприятиям будущего.


Singer Pete. Fab Models Built on AI Collaborative Knowledge Sharing. Semiconductor Digest, September 24, 2020: https://www.semiconductor-digest.com/2020/09/24/fab-models-built-on-ai-collaborative-knowledge-sharing/


ЧИТАЙТЕ ТАКЖЕ