近期，希捷科技聯手英偉達(NVIDIA)及慧與(Hewlett Packard Enterprise)等合作伙伴共同打造了一個人工智能平臺，旨在幫助企業(yè)提高生產效率，保障產品質量。

希捷科技的智能制造參考架構起源于工廠車間。在希捷工廠，智能制造的應用加強了硬盤生產過程中對晶片圖像質量的控制能力。希捷科技采用此項技術提高工作效率及產品質量。在希捷科技位于泰國工廠的項目中，工程師預計通過應用智能制造，將潔凈室投資降低20%，制造產出時間縮短10%，獲得投資回報率高達300%。

專注工廠

實現智能制造的首要因素是人類思維——我們通過人類思維看待并理解這個世界。正是人類思維使得各種智能應用成為可能。

人類的大腦天生具備自主模型檢測的能力，并根據觀察結果主動采取措施。我們可以把它看作是某種自我編程。神經網絡是大腦自帶的技能，可識別模式，自主學習并預防風險、危害和異常。一直以來，它都是程序員、工程師和數據科學家的靈感來源。幾十年來，他們一直致力于將神經網絡導入到算法中。

1959年，斯坦福大學電氣工程師Bernard Widrow和Marcian Hoff首次成功創(chuàng)造了神經網絡并將其應用在過濾器中以幫助消除電話線中的回音。該系統(tǒng)目前仍在商用。但由于神經網絡領域的實際應用情況與預期不符，該領域面臨重重難關。盡管如此，隨著時間的推移，數學以及計算的發(fā)展不斷推動其進步。

另一個重大突破發(fā)生在2012年，多倫多大學的計算機科學家Geoffrey Hinton、Ilya Sutskever和Alex Krizhevsky贏得了ImageNet大型視覺識別挑戰(zhàn)賽。他們提交的項目是AlexNet深度卷積神經網絡架構，現今仍在使用中，并以10.8%的優(yōu)勢擊敗現有模型。該項目使用深度學習和圖形處理單元來設計圖像評估軟件。ImageNet包含來自數千個不同類別的數百萬張圖片，如狗、貓、汽車等。

希捷智能制造平臺項目負責任人，數據科學技術專家布魯斯·金回憶道：“這是一個分水嶺，幾十年來，人們一直夢想著這樣的突破。而這一突破就是希捷現今的數據科學、IT及工廠工程團隊能在我們的工廠車間部署人工智能的原因。”

多倫多大學的科學家們成功地應用了人工智能神經網絡，并將其稱之為深度學習。而羅伯特D·霍夫在《麻省理工學院技術評論》中寫道：“深度學習在試圖模仿大腦皮層中神經元層的活動，而人類80%的思維形成均來自大腦皮層。”

布魯斯·金表示：“深度學習是希捷雅典娜項目的核心，該項目最初旨在提升希捷制造的質量，隨之我們將其發(fā)展為希捷邊緣RX參考架構。正是這種實時邊緣計算集群，使得希捷能在工廠車間部署機器學習功能。”

有章可循的方法與深度學習

精密制造是一個復雜且艱苦的迭代過程。希捷在工廠生產其產品，作為生產的一部分，平均每天可產生約1000萬張圖像。磁頭是采用與半導體晶片制造類似的工藝生產的。晶片被切割成微小的讀寫記錄頭，然后再組裝成驅動器。

布魯斯·金表示：“生產晶片需要幾個月的時間，包括大約1000個單獨的步驟。且其中許多步驟都與質量檢驗相關，其中包括各種形式的圖像獲取。當圖片顯示產品質量發(fā)生變化時，工程師必須及時抓住那個點。”

與其他傳統(tǒng)的、基于規(guī)則的工具相比，最先進的深度學習軟件可以更準確地檢測這些圖像中的問題。

新工具有什么不同?布魯斯·金表示：“算法本身即可從數據中學習‘什么是規(guī)則’以及‘何時違反了規(guī)則’。工程師無需對其進行編程。”這是否意味著工程師是多余的? 并非如此。新的深度學習工具并不能取代工程師。相反，它們將工程師解放出來去研究更高層次的解決方案。

希捷邊緣RX參考架構的建立得益于希捷的IT基礎設施知識、存儲業(yè)務專長、與慧與(HPE)的合作伙伴關系、對英偉達(NVIDIA)深度學習的持續(xù)研究以及Kubernetes和Docker的集群管理工具。

除神經網絡，圖形處理單元(GPU)的興起也引領了智能制造時代的到來。由英偉達(NVIDIA)構建的圖形處理單元(GPU)是進行智能計算的理想工具，因為它能以比中央處理單元(CPU)快幾百倍地速度進行深度的數學學習。Insight64的負責人NathanBrookwood說道：“圖形處理單元(GPU)不同于PC微處理器，它可以快速地反復獲取大量數據并執(zhí)行相同的操作。”

雖然希捷的深度學習是針對數據存儲行業(yè)的制造流程而實施的，但通常情況下，其也適用于其他類型的流程，尤其是具有以下特征的流程：

生產半導體、電子、汽車零件、機器零件等工具的大批量、高精度、分布式的制造工藝

使用高成本資本設備的高價值制造產品

生產大量無法用傳統(tǒng)方法分析圖像的垂直行業(yè)

安全、智慧城市和自動駕駛汽車中的異常檢測

具有多個階段的高度復雜的制造流程

能收集設備、流程并檢驗數據的自動化制造流程

由質量控制和檢驗驅動的制造流程

冗長的制造流程

多站點全球制造業(yè)

希捷Lyve 數據實驗室分享希捷邊緣RX參考架構，希望該參考架構能夠啟發(fā)其他業(yè)內人士，并部署在更廣泛的業(yè)務范圍中。

希捷新興垂直領域資深總監(jiān)Rags Srinivasan說道：“希捷相信，整個行業(yè)和生態(tài)系統(tǒng)可以互相借鑒、取長補短、合作共贏。因此，希捷非常愿意與有類似需求的企業(yè)分享邊緣參考架構。”