Bergerak menuju AI berkelanjutan real-time untuk pabrik
TOKYO — Setiap perusahaan yang telah berjanji untuk “manufaktur pintar” menjanjikan harapannya untuk AI.
Dunia baru yang berani ini membutuhkan investasi besar dalam sistem AI berbiaya tinggi, bersama dengan biaya menyiapkan platform "pembelajaran" dan menghubungi penyedia layanan cloud. Rencana besarnya dimulai dengan pengumpulan data besar sehingga mesin dapat mempelajari dan menemukan sesuatu yang sebelumnya tidak diketahui.
Itu teorinya.
Namun, di dunia nyata, banyak perusahaan merasa AI sulit untuk diterapkan. Beberapa menyalahkan kurangnya pengalaman mereka dalam AI, atau kekurangan kabel ilmuwan data internal untuk memanfaatkan AI secara maksimal. Yang lain mengeluh bahwa mereka belum dapat menetapkan bukti konsep sistem AI yang mereka pasang. Bagaimanapun, produsen mulai menyadari bahwa AI bukanlah kesepakatan “jika Anda membuatnya, mereka akan datang”.
Masuk ke Renesas Electronics.
Perusahaan chip Jepang mengklaim posisi terdepan di pasar otomatisasi pabrik global. Ini mengusulkan "AI berkelanjutan real-time" untuk dunia teknologi operasional (OT). Pendekatan ini sangat kontras dengan “AI statistik”, yang sering diajukan oleh perusahaan data besar untuk mempromosikan otomatisasi di dunia teknologi informasi (TI).
klik untuk gambar lebih besar AI Statistik untuk TI vs. AI berkelanjutan untuk OT (Sumber:Renesas)
Yoshikazu Yokota, wakil presiden eksekutif dan manajer umum unit bisnis solusi industri di Renesas, mengatakan kepada EE Times bahwa AI yang disematkan sangat penting untuk deteksi kesalahan dan pemeliharaan prediktif di OT. Ketika anomali muncul di sistem atau proses apa pun, AI yang disematkan dapat “membuat keputusan secara lokal dan waktu nyata,” jelasnya. Renesas mengusulkan ide untuk “AI di titik akhir” tiga tahun lalu dan mulai bereksperimen dengannya di pabrik semikonduktor Naka miliknya sendiri.
“Rencana kami adalah mengaktifkan inferensi waktu nyata di OT, sambil secara bertahap meningkatkan kemampuan AI di titik akhir,” kata Yokota.
Yoshikazu Yokota, wakil presiden eksekutif di Renesas, berencana untuk fokus menawarkan inferensi waktu nyata dalam PL. (Foto:EE Times)
Dengan menghadirkan AI dalam langkah kecil ke lantai pabrik, Renesas berharap dapat membantu pelanggan yang saat ini berjuang untuk menyelesaikan bukti konsep pada implementasi AI mereka sendiri dan memahami pengembalian investasi mereka dalam AI.
Kapan menerapkan AI ke PL Mitsuo Baba, direktur senior divisi strategi dan perencanaan unit bisnis Solusi Industri Renesas, memberi tahu kami bahwa AI paling baik diterapkan pada OT ketika masalah spesifik — di lini produksi misalnya — sudah diidentifikasi.
Misalnya, ada manajer operasional yang sangat terampil yang cukup berpengalaman untuk mendeteksi anomali tertentu di sebuah pabrik. Alih-alih mengirim manajer ini untuk memeriksa setiap tahap proses manufaktur, “Kita dapat menggunakan AI untuk menarik garis — dan menentukan — kapan dan di mana situasi abnormal mulai muncul selama cacat produksi,” kata Baba. AI dapat menjadi mata yang waspada yang memantau jalur produksi secara terus-menerus, untuk menjaga agar produk cacat kecil tidak maju ke tahap produksi berikutnya.
Dalam contoh otomatisasi pabrik seperti itu, AI perlu dilatih hanya sekali berdasarkan masalah yang telah diidentifikasi sebelumnya. Inferensi AI berjalan pada perangkat titik akhir secara real time, tanpa kembali ke cloud. Baba mengatakan 30 Kbyte data biasanya cukup untuk inferensi titik akhir, dibandingkan dengan AI statistik yang melakukan pembelajaran dan inferensi, yang biasanya menuntut pemrosesan data sebesar 300 megabyte di cloud.
Singkatnya, Renesas menganjurkan inferensi AI yang dapat dilakukan di MCU.
Alih-alih mengganti lini produksi yang ada dengan mesin berkemampuan AI baru, yang akan memakan biaya besar, Renesas mengusulkan kit “AI Unit Solution” yang dapat dipasang pada peralatan produksi saat ini.
Baba mengatakan Renesas tidak memiliki rencana untuk menantang perusahaan chip AI seperti Nvidia. “Tujuan kami adalah memimpin segmen pasar baru dari AI tersemat, di mana data yang diperlukan untuk inferensi sangat kecil sehingga bahkan dapat berjalan di MCU/MPU yang ada,” kata Baba.
