Come BMW e Malong utilizzato bordo di AI e di apprendimento automatico per semplificare magazzino e della cassa …IA & Dintorni

Guarda l’ultimo giorno di VB Trasformare in diretta su YouTube!


Durante una conferenza di oggi a VentureBeat è Trasformare il 2020 conferenza, i relatori, tra cui BMW Group Jimmy Nassif, Red Hat Jered Floyd, e Malong CEO Matt Scott discusso le sfide e le opportunità in AI, rispetto al bordo di calcolo e IoT. Mentre ogni proveniva da una prospettiva diversa — Nassif, dalla robotica, Floyd, vendita al dettaglio — tutti e tre erano d’accordo che l’AI ha il potenziale per accelerare il lavoro esistente consentendo di capacità completamente nuove.

BMW produce un auto ogni 56 secondi, Nassif, dice. Milioni di pezzi di flusso in casa automobilistica fabbriche con oltre 4.500 i fornitori che coinvolgono 203.000 abitanti pezzi unici numeri, che si traduce in circa 100 clienti finali opzioni. (Il 99% degli ordini sono assolutamente unici.) Come BMW auto vendita raddoppiato negli ultimi dieci anni a 2,5 milioni di euro nel 2019, questo ha creato una logistica dilemma — quello che è stato risolto in parte da Nvidia Isacco, Jetson AGX Xavier, e DGX piattaforme. Nassif, dice che la BMW sta toccando loro di sviluppare cinque navigazione e manipolazione robot per il trasporto di materiali e magazzini e organizzare le singole parti.

“La cosa più importante che possiamo fare è portare le auto dei nostri clienti nel modo più economico si può fare, ma con la migliore qualità. Abbiamo bisogno di implementare una nuova tecnologia come AI e robotica per … sostenere il nostro popolo sulla linea di produzione per fare il loro lavoro più facile e più veloce per produrre più auto,” Nassif, ha detto, aggiungendo che la BMW spera di avere il cinque di fabbricazione di robot in produzione entro la fine del 2021. “Non voglio dire che è facile convincere la leadership di adottare queste tecnologie, ma non è difficile. Capiscono l’importanza.”

BMW robot — due dei quali sono stati già stato distribuito in quattro fabbriche in Germania — percepire il mondo intorno a loro utilizzando tecniche di computer vision compresa la stima della posa. Per gentile concessione di algoritmi addestrati sia reale e dati sintetici, sono in grado di riconoscere le parti specifiche così come le persone e potenziali ostacoli (anche occluso ostacoli) in una gamma di condizioni di illuminazione difficili. Per sostenere la precisione, gli algoritmi vengono continuamente riqualificato in Nvidia Omniverso simulatore, che gli ingegneri BMW da tutto il mondo possono accedere in remoto.

Malong si applica macchina di apprendimento di un problema diverso: riconoscere i prodotti presso i punti vendita self-checkout. Le telecamere di sovraccarico di alimentazione riprese di oggetti di scansione: letti algoritmi spot, accidentale o intenzionale, mis-scansioni. Malong tecnologia sembra per problemi comuni come occluso codici a barre e prodotti di sinistra in carrelli della spesa così come “biglietto di commutazione,” in cui un prodotto viene analizzato con un più economico codice a barre sollevato da un altro, dissimili prodotto.

Malong gli algoritmi su locali hardware Nvidia — sono addestrati a usare debolmente di apprendimento supervisionato, permettendo loro di imparare a distinguere tra i prodotti da rumorosi, limitata e imprecisa segnali video. Una volta che rileva un problema, piattaforma della società avvisi di un membro del personale, che si confronta con l’offendere il cliente.

Bordo di calcolo qui entra in gioco a causa delle implicazioni per la privacy di memorizzazione a circuito chiuso di riprese in cloud, dice Scott. Ma edge computing rende anche Malong piattaforma altamente scalabile e conveniente, in modo che sia in grado di comprendere migliaia di negozi senza latenza che potrebbe essere introdotta dall’elaborazione lato server.

“Creazione di un sistema di IA scalabile è molto diverso dal farlo eseguire, Scott ha detto. “A volte è un miraggio che succede quando le persone stanno iniziando a giocare con queste tecnologie.”

Indipendentemente dal caso d’uso, Floyd ha sottolineato l’importanza di piattaforme aperte rispetto al bordo di calcolo e AI. Popolare di quadri e di programmazione notebook come TensorFlow e Jupyter sono open source, ha notato, come un contenitore di orchestrazione sistemi come Kubernetes. “Con l’open source, chiunque può portare i loro migliori tecnologie in avanti. Tutti possono venire con le tecnologie che vogliono integrarsi e di essere in grado di immediatamente la spina in questo enorme ecosistema di AI componenti e rapidamente li collegano alle applicazioni,” ha detto.

Red Hat facilita questa collaborazione con Open Data Hub, una piattaforma indipendente da blueprint imballato con gli strumenti che distribuire un end-to-end AI platform. E ‘ il fondamento della scienza di dati software stack di sviluppo, ed è progettato per aiutare gli ingegneri a ideare soluzioni AI senza incorrere in costi elevati o di dover master moderne macchine di apprendimento flussi di lavoro.

“Questo consente il rapido sviluppo di nuove applicazioni e nuove tecnologie”, Floyd ha detto.

social experiment by Livio Acerbo #greengroundit #live https://venturebeat.com/2020/07/17/how-bmw-and-malong-used-edge-ai-and-machine-learning-to-streamline-warehouse-and-checkout-systems/