● 대규모-문서량 규정 준수 분석(예: ISO 표준, 안전 규정, 수백 페이지에 달하는 기술 사양 문서 해석)
● 글로벌 운영 및 다국어 조정(다양한 지역 및 공급업체 간의 미묘한 언어 차이 포착)
실제 애플리케이션에서 대부분의 제조 기업은 기업의 중앙 측에 대규모 모델을 배포하고 현장 측에 소형 모델을 구현하는 - 하이브리드 AI 아키텍처를 채택할 것입니다.-
4. Industry 4.0 및 엣지 환경에서는 소형 모델이 더 적합합니다.
일부 제조 시나리오에서는 소형 모델이 단순히 "충분"할 뿐만 아니라 많은 경우 유일한 실용적인 옵션입니다. 작은 모델은 다음 기능을 더 잘 달성할 수 있습니다.
머신의 실시간-이상 감지
● 지연 시간이 짧은-교환원 지원
물리적으로 격리되거나 안전이 중요한{0}}환경에서의 오프라인 작업
● 독점 생산 데이터의 데이터 개인정보 보호
이는 무엇보다도 예측 유지 관리, 컴퓨터 비전{0}}지원 검사, 작업장 기술자를 위한 AI 보조에 매우 중요합니다.
70억~130억 개의 매개변수가 있는 미세 조정된-모델은 학습 데이터에 유지 관리 매뉴얼, 오류 모드 기록 데이터, 센서 메타데이터 및 공장별 표준 운영 절차-가 포함된 경우 일반 최첨단 모델보다 성능이 뛰어날 수 있습니다.- 왜냐하면 인터넷보다 공장을 더 잘 알고 있기 때문입니다. 이는 Industry 4.0의 운영에 내재된 '컨텍스트-인식 지능' 원칙과 일치합니다.
제조 산업에는 특정 시나리오에 맞춰 조정되는 AI 도구가 필요합니다.
인공 지능 모델의 크기에 대한 논쟁은 -또는{1}}둘 중 하나의 제로섬 게임이 아닙니다. 핵심은 애플리케이션 시나리오에 적합한지 여부에 있습니다. 대형 모델은 광범위한 탐색적 추론 작업에 탁월합니다. 소형 모델은 산업 시나리오에서 비용, 속도, 배포 가능성 및 신뢰성 측면에서 절대적인 이점을 갖습니다.
스마트 팩토리, 연결된 자산 및 탄력성이 뛰어난 생산을 추구하는 제조 기업의 경우, AI의 미래는 단일 초대형 모델에 의존하는 것이 아니라 클라우드에서 에지까지, 전반적인 기업 계획부터 기기 수준의 실시간 실행에 이르기까지 -규모에 상응하는 AI 생태계를 구축하는 것입니다.-각 링크에 일치하는 모델이 있습니다.
AI 모델이 계속해서 경량화되고 그 기능이 계속 향상됨에 따라 제조 관리자 앞에 핵심 문제가 제기됩니다. Industry 4.0 개발의 다음 단계에서 초-고-효율성, 도메인{3}}특정 AI가 생산 시스템에 깊이 통합되면 생산 효율성, 제품 품질 및 제조 운영 인텔리전스 수준을 어떻게 재정의할 것인가?
