Autorzy: Michał Grzejdziak-Zdziarski, starszy menedżer ds. nauczania maszynowego; Markus Wulfmeier, główny naukowiec
Upewnienie się, że każde zamówienie wysyłane do klienta jest prawidłowe, brzmi jak rozwiązany problem, jeśli nie pojawimy się temu, faktycznie dzieje się na hali magazynowej. W zależności od procesu, około 1% nadal jest rozpowszechnianych z błędami: generowanie dodatkowych kosztów, złożoności operacyjnych i niezadowolenia klientów. Obecnie wykrycie tych błędów sprowadza się do głównej kontroli wagowych, ale wagi nie są idealnym rozwiązaniem: problemy z lekkimi przedmiotami i zastosowaniami danych technicznych dotyczących każdego z nich. Właśnie tutaj pojawia się problem z wagą wizualną. Weryfikacja oparta na sztucznej inteligencji może mieć realny wpływ. Zadanie jest proste do wykonania – przed wprowadzeniem zamówienia należy potwierdzić, czy w zamówieniu pojawiło się prawidłowa liczba produktów – ale dane już nie zostały dostarczone. Produkty, które docierają do sieci elektrycznej w tekturze, często z widocznymi fragmentami, to system, który musi być zweryfikowany.
Spot, nasz system sprawdzenia sprawdzenia, kolejne rozwiązanie testu akceptacji dla tego zadania w intralogistyce farmaceutycznej i jest aktualnie wdrażany na następnej wersji, weryfikując 150 tys. codzienny, osiągając wykryto wskaźnik błędów powyżej 98% w wskaźnik pojedynczych alarmów poniżej 0,8%. Poniżej znajdują się informacje na temat tego, co było trudne i co było potrzebne, aby to znaleźć.
Zadaniem polegającym na wykryciu dwóch błędów, które na siebie wpływają, są dwa bezpośrednie koszty operacyjne.
Wyważony współczynnik błędów Wycofanie błędów – wśród wszystkich podejrzanych, które rzeczywiście popełnił błąd, Spot udostępnienie flagi. “Błąd” oznacza błąd w liczeniu: brakujący lub dodatkowy element. W przypadku 98%+ mniej niż 2 na 100 innych błędów, które przechodzą bezpowrotnie.
Wskaźnik bezprzewodowych alarmów to wynik fałszywych wyników – jak często PRZY Zamówienie zostało oznaczone jako własność. Każdy numer alarmowy powoduje konieczność zejścia przez operatora z linii do kontroli, która była w nakazie, więc ta liczba bezpośrednio przekłada się na koszt robocizny. Poniżej 0,8% oznacza, że Spot jest praktycznie niewykonany przez klienta.
Napięcie między nimi stanowi o całej trasie. Obniżenie progu decyzyjnego w celu wykrycia większej liczby zwykłych błędów powoduje zwiększenie liczby liczby alarmów; zaostrzenie go w celu tłumienia zakłóceń alarmów powoduje przesunięcie nieprawidłowych błędów. Systemy mogą być jednym z tych celów. Siedząc w początkowym punkcie, Zarówno Wysokie wykrywanie i fałszywe zyski wyników poniżej 1% w danych produkcyjnych - do części, której nie można uzyskać za darmo.
Każdy produkt w rozwiązaniu jednego głównego pytania: ile ich jest? W przypadku realizacji błędów farmaceutycznych, z udziałem których występuje liczba odpowiadająca za ponad 95% błędów w zamówieniach, które następnie przechodzą.
Liczenie jest przyczyną, która powoduje: model musi, ilekroć występuje, co wymaga zniszczenia:
Przykłady zrozumienia
Te historie rozpadu modeli ostatecznego rozstrzygnięcia. W naszych testach porównawczych najnowocześniejsze, generalistyczne modele wizyjno-językowe, które wyznaczają współczynniki alarmowe w tych warunkach – na tyle wysokie, że koszt obsługi tych alertów przewyższa wartość automatyzacji kontroli.
Różnica nie jest możliwa do polerowania. W tych samych zamówieniach Spot ma statystyki użytkowników alarmów w ramach 1% – granica, która jest odłączana, zaczyna się opłacać – podczas gdy wydzielasza ogólne VLM-y testowaliśmy usiądź powyżej 8%, około osiem razy wyższe. Modele generalistyczne, które mogą pochodzić, co następuje w czystym środowisku; nie potrafią jednak podzielić poprawnych upakowanych, zasłoniętych aplikacji, które są rzeczywistością hali magazynowej. Dowodzi to, że odłączone jest to jedno zadanie w środowisku produkcyjnym, do klucza do zmiany systemu z “imponującego w wersji demonstracyjnej” na “możliwy do uruchomienia na linii produkcyjnej”.
Wynik był około rocznej, dostępnyj pracy, w trzech filarach. Każdy z nich jest rozwiązany inny problem i każdy określony na mierniku wynikającym z alarmów, przy pomocy którego następuje ujawnienie.
1. Silnik danych zaangażowanych w realizację, realnych obsługi. Dokładność na ogonie z konsekwencjami uczenia się na najważniejszych konsekwencjach, a nie z bardziej uśrednionych danych. Silnik danych Nomagic ścisłą, wysokiej jakości dźwignia zwrotnego z produktami produkcyjnymi na żywo, dzięki przesłoniętym, podzielonym i niemal zduplikowanym zamówieniom, które wprowadzają model w błąd, są wykrywaniane, oznaczane i przekaznie zwrotnie, a nie uśredniane. Ta metoda oparta na danych, skoncentrowana na twardym ogonie, ma wpływ na skutki uboczne alertów, które pozwalają na zastosowanie.
2. Architektura weryfikacyjna do czyszczenia. Detektory ogólne wspólne, że obliczone obiekt jest widoczny. Wprowadź przepis farmaceutyczny, który nie jest taki. Przeprojektowaliśmy model główny, aby jawnie zastosować tryby okluzji – widoki częściowe, instancje podzielone, stosy tylko z boku – i aby umożliwić wyodrębnienie wariantów na podstawie przypadku, które istnieją, które istnieją, zamiast trudnych problemów jako szum. Traktowanie ich jako wystąpienie pierwszej klasy, w wersji z kluczem do stosowania danych w punkcie, do dodatkowego elementu zmniejszającego liczbę pojedynczych alertów.
3. Uporządkuj metadane tak, aby były wcześniejsze – bez sądów, które zwykle wprowadzają. Każde zamówienie zawiera metadane opisujące, co powinien być w polu, co jest silnym priorytetem, jeśli używa się go ważne. Zauważyliśmy coś wartego uwagi: kiedy ustaliliśmy najnowocześniejsze systemy VLM na tych samych metadanych, ich wykryty współczynnik błędów zawalił się. Zakotwiczenie połączone z potwierdzeniem treści – błąd potwierdzający, w którym znajduje się model startu, gdy tylko pojawi się oczekiwanie na wiadomość.
Ten trzeci punkt jest dostępny. Ostatni moduł nie został uzyskany dzięki większemu modelowi ani większej mocy obliczeniowej – dostępnej ze Dlaczego Oczywiste wcześniejsze rozwiązania po cichu poziomu zdrowotnego i inżynierii wokół tej szczególnej kategorii. Krótko mówiąc: wcześniejsze rozwiązanie powinno zostać rozwiewane nie jednoznaczności, nigdy nie u dotyczy.
W wersji demonstracyjnej kilku punktów procentowych wynik wygląda jak niedokończenie prac wykończeniowych. W produkcji mającej bezpośredni wpływ na strukturę kosztów. Błędy wykryte na awarie, które mogą zapobiec zapobieganiu – np. wymagania dotyczące produktu dla pacjenta; powodują alerty do powtarzających się kosztów pracy, które rosną wraz z przepustowością. Autonomiczny etap weryfikacji jest uruchamiany tylko wtedy, gdy jest uruchomiony, dzięki czemu można zaufać bez konieczności sprawdzania przez człowieka, co oznacza konieczność zastosowania się do kontroli krzywej wycofywania produktu. I jednocześnie na dole krzywej niezależnychch alarmów.
Umiejscowienie tego punktu w realizacji środków farmaceutycznych wprowadzonych do wspólnego zastosowania problemu: pierwsze dane, które stwarzają trudne zdarzenia, architektury, które obsługują okluzję, oraz głównego traktowania danych wejściowych, które wspomagają model, a nie zaślepiają. To właśnie działa, a za Spot: i powoduje, że sprawdza się w przypadku zdarzenia, które faktycznie zakłócają działanie innych systemów.
Powszechne założenia – mogą zostać zastosowane do zadania „najpierwszego stopnia” – jest to, że wyzwaniem jest zastosowanie sztucznej inteligencji, która jest tworzenie modeli generalistycznych – wymagane do wykonania wielu zadań i określone, które wymagają zastosowania z zastosowaniami zadań od razu po zainstalowaniu. Nasze doświadczenie wskazuje na coś innego. Najsilniejsze modele generalistyczne, które testowaliśmy, faktycznie zostały utworzone, ale brakowało im szeregu wyników osiąganych przez alarmów, które można wdrożyć. Szerokość jest dostępna, ale nie wystarczająca do pełnej autonomiczności i początkowego zwrotu z inwestycji (ROI) w środowisku magazynowym.
To, co zamknęło tę lukę, to przeciwny zakład: najpierw opanowanie. Zagłębianie się w jedno zadanie, w przypadku wystąpieniach, aż do systemu obsłuży zdarzenia występujące tylko w środowisku produkcyjnym. Tego typu elementy nie są kontrolowane przez całe ciało, przednie biegi. Przypadki, które je definiują, stanowią wyłącznie w zwykłych operacjach; jest rozpoczynane w etapie wstępnym. Wdrożenia na żywo prezydenta twardego, długi ogon – budując fundament pod dokładnym modelem. Każdy kolejny ruch kumuluje się. To jest koło zamachowe uruchomienia i to spowodowało, że miejsce wydajności na poziomie ogólnym do określonych alarmów powyżej 98% przy alarmach poniżej 1%.
To jest nasz zakład na ryzyko rozwoju sztucznej inteligencji w analizie. Autonomia w świecie fizycznym jest ograniczona przez zwykłą kompetencję, ale przez długi ogon, który ujawnia się dopiero w produkcji. Systemy o ograniczonych możliwościach działania i zbudowane tak, aby się na nich znaleźć, będą uruchamiane – udostępniane od ograniczonego zasięgu do coraz szerszego zakresu zasięgu. Jest też to podejście nie tyle dla nowego laboratorium, co dla firmy, która już opublikowała w uzyskanych wynikach i posiada posiadanych wyników. Miejsce do jednego z istniejących, gdzie już widzieliśmy. Nie ostatni.
