あなたの製造業務をオーケストラのように考えてみてください - すべての楽器が完璧な調和を奏でることで傑作が生まれます。しかし、バイオリンやチェロの代わりに、機械、センサー、カメラ、制御システムがそれぞれ重要なデータのストリームを生成しています。何年もの間、製造業者はこれらすべての楽器を一体的なパフォーマンスにまとめることができる指揮者を見つけるのに苦労してきました。
今日のデータとAI技術は、そのダイナミックを完全に変えました。レガシー機器から最新のIoTセンサーまで、あらゆる製造データソースに接続することで、企業はついに全体のオペレーションをCrosserとDatabricksを用いてリアルタイムで統合することができます。これにより、プロセスの変動が始まった瞬間にそれを捉え、品質を維持するためのパラメータ調整を推奨し、問題の検出と修正の間のコストのかかる遅延を排除することができます。結果として、データを単に収集するだけでなく、それを活用して継続的な改善を推進する製造プロセスが生まれました。
プラスチックや製紙などのプロセス製造業者は、エッジクラックや表面欠陥などの品質問題に即座に対応するために、堅牢なリアルタイム監視システムを開発する必要があります。先進的なセンサーネットワークを自動化された意思決定システムに接続することで、オペレーターは欠陥を最初の段階で検出し、迅速な解決のためにオペレーターに警告することができます。この即時の反応性により、小さな裂け目が大きな欠陥に発展するのを防ぎ、大量のスクラップや廃棄物を生じることを防ぎます。最も効果的なソリューションは、エッジコンピューティングを組み合わせて即時分析を行い、クラウドデータプラットフォームを通じて検出精度を時間とともに向上させ、最終的には反応的な品質管理を予防的なメンテナンスに変え、物理的な欠陥として現れる前に潜在的な問題を解決します。
高速生産システムでの亀裂の監視においては、ミリ秒単位の遅延も重要です。Crosserのエッジシンプル性は、製造が実際に行われる場所での即時の欠陥検出と対応を可能にし、ネットワークの遅延を排除し、欠陥が大きな問題に発展する前に対策を講じることができます。Crosserのイベント駆動型プラットフォームの主要な側面:
Crosserのエッジ分析プラットフォームとDatabricksのMosaic AIツールを組み合わせることで、マシンビジョンベースの欠陥検出のためのシームレスなソリューションを得ることができます。それを実装する方法は次のとおりです:
ステップ1:Crosserを使用して画像データを収集し、クラウドにアップロードする
データ収集は効果的なAIモデルの基盤です。CrosserのFlowApp「ビデオキャプチャ」を使用すると、ローカルカメラからのビデオフィードを簡単にキャプチャすることができます。各フレームはJPEG画像に変換され、あなたの好みのクラウドストレージにアップロードされ、モデルの訓練のための堅牢なデータセットが作成されます。
ステップ2:画像データの取り込みと管理
クラウド内で、DatabricksのUnity Catalog volumesは、ユーザーが画像を含むさまざまなタイプのコンテンツを管理または外部ボリューム内に保存することを可能にします。マシンビジョンアプリケーションのために、Databricksは画像をDeltaテーブルにETLすることを推奨します。Auto Loaderを使用します。Auto Loaderはデータ管理を支援し、継続的に到着する新しい画像を自動的に処理します。
ステップ3:AIモデルの訓練とガバナンス
画像がモデル訓練のために準備されたら、Databricks Runtime for Machine Learningは、最も一般的な機械学習と深層学習ライブラリを含む事前構築された機械学習と深層学習のインフラストラクチャを持つクラスタの作成を自動化します。さらに、Managed MLflowを使用することで、DatabricksはMLflowの機能を拡張し、モデルライフサイクル管理とガバナンスを提供します。
このエッジマシンビジョンアプリケーションでは、人気のあるマシンビジョンアルゴリズム、YOLO(You Only Look Once)が考慮されています。YOLOのエッジ推論における人気は、画像を一度で処理する独自のアーキテクチャに由来しています。これは、驚くほど高速な検出速度と小さなモデルのフットプリントを提供しながら、多くの産業用アプリケーションに十分な精度を維持します。これにより、リソースが制約されたエッジデバイスに最適です。
以下の疑似コードは、モデルの訓練とONNXとしてのロギングの論理的なフローを提供し、これについてはステップ4で詳しく説明します。Databricksのドキュメンテーションでは、PyTorchを使用した完全なマシンビジョン訓練の例を提供しています。
ステップ4:エッジデプロイメント用のモデルのエクスポート
お好みの機械学習フレームワークで訓練されたモデルは、エッジデプロイメントのためにエクスポートする必要があります。ONNX(Open Neural Network Exchange)は、その優れたポータビリティにより、エッジデプロイメントのための人気のあるモデル形式として登場しました。ニューラルネットワークの標準化された中間表現を提供することで、ONNXはPyTorchやTensorFlowのようなフレームワークで訓練されたモデルを、フレームワーク固有の依存性なしに幅広いエッジデバイスにデプロイすることを可能にします。さらに、ONNX Runtimeの組み込みパフォーマンス最適化は、モデルをエッジデバイスの具体的なハードウェア特性に自動的に適応させます。これには、CPU、GPU、または特殊なAIアクセラレータが使用されているかどうかに関係ありません。このハードウェアの柔軟性と最適化された推論能力の組み合わせは、ONNXを、異なる計算制約を持つ異種エッジ環境に機械学習ソリューションを展開する組織にとって特に価値あるものにしています。
mlflow.onnxモジュールは、ONNXモデルのログ取りとロードのためのAPIを提供します。Databricks内では、Unity Catalogを使用したホスト型モデルレジストリが、Crosserがモデルをダウンロードしエッジにデプロイするために使用する完全にガバナンスされたAPIを提供します。
ステップ5: Crosserでダウンロードし、エッジ推論とリアルタイムアラートを実行する
ダウンロードされた後、YOLO ONNXモデルはCrosserで推論の準備が整います。CrosserのFlowApp「ビデオクラック検出」は、ローカルカメラからのライブビデオフィードを処理し、リアルタイムでクラック欠陥を検出し、即時に対応する方法を示しています。
亀裂が検出された場合:
ステップ6:DatabricksとCrosserを使用して再トレーニングと再デプロイ
産業機械は厳しい運用環境によりしばしば劣化し、継続的なメンテナンスが必要です。AIモデルも同様で、このアーキテクチャパターンによりCrosserは新しい画像データをインテリジェントにキャプチャしてクラウドに送信し、Databricks Lakehouse Monitoringはデータ品質とモデルパフォーマンスを継続的に追跡します。ドリフトが検出された場合、Databricksのオーケストレーションツールは自動的にモデルを再訓練し、Crosserへの再デプロイをトリガーすることができ、MLOpsライフサイクル全体を満たします。
DatabricksとCrosserのパートナーシップは、エッジ処理とAIモデル訓練の間のシームレスなブリッジを作り出し、製造環境における産業AIオーケストレーションの画期的な進歩を表しています。Crosserのエッジインテリジェンスプラットフォームは、生産ラインでマシンビジョンデータをリアルタイムでキャプチャし、処理します。一方、Databricksは、包括的なモデル訓練とパフォーマンス監視のためのスケーラブルなデータレイクハウスインフラストラクチャを提供します。この統合アプローチは、運用技術と情報技術の間の伝統的な障壁を排除し、製造業者が生産条件の変化に対応する進化するコンピュータビジョンモデルをデプロイすることを可能にします。クロッサーの低遅延エッジ処理とDatabricksの強力なMLflowガバナンスを組み合わせることで、企業は品質問題を即座に検出するだけでなく、自動モデル再訓練サイクルを通じて継続的に改善するビジョンAIソリューションを実装することができます。製造品質プロセスを変革しようとする製造業者にとって、この協力は、即時の運用利益と長期的なAI成熟度の両方を提供する生産準備が整ったソリューションを提供します。これにより、製造業のオーケストラは個々の楽器の集まりから、データ駆動型の卓越性の調和のとれたシンフォニーへと変わります。
製造業向けのデータインテリジェンスプラットフォームは、Crosserのような主要なエコシステムパートナーと共に、製造業者が産業AIをスケールでデプロイするのを支援します。AIアプリを通じて運用マージンを改善し、データ量の指数関数的な成長を管理したいと考えているなら、統一されたプラットフォームがあなたのデータと人々にAIの力をもたらし、すべてのプロセスにAIを組み込む方法を示すために、Databricksのアカウントチームに連絡してください。