以质量检查为例，在过去的人工检查中

khatunzoynab

通常采用 “对产品的目视检查”-> “对视觉可视化图像的判断”-> “好/坏的判断” 的流程。在这个 “判断” → “通过/失败判断” 部分中，熟练的技术人员使用 “大脑” 做出判断。另一方面，在近年来使用自动检测技术的质量检查中，采取了 “用相机拍摄产品”-> “判断拍摄的图像”-> “判断好/坏的判断” 的流程。那么，可以想象在 “对拍摄图像的判断” → “判断好/坏的判断” 部分使用人工智能而不是熟练技术人员的 “大脑”。

在云服务器或边缘服务器上部署人工智能的决定应根据检查是否需要处理速度来做出。例如，如果批量生产不允许有时间对每种产品进行质量检查，则Edge AI可能是合适的。另一方面，如果质量检查需要时间，而您只想节省人力，那么使用云AI代替边缘AI就足够了。

接下来，让我们来看看故障预测（预测性维护）。在这里，熟练的技术人员从 “感觉到设备的声音或振动” → “注意到这些变化” → “考虑自上次故障以来的时间” → “判断” 等流程中推断出故障迹象。人们认为你正在这样做。因此，如果  阿曼电报数据 安装在设备中的传感器捕捉到声音和振动的变化，考虑计时器等时间，并使用人工智能做出综合判断，则理论上可以将其替换为人工智能。（实际上，有 “学习” 的问题和各种小问题。解决这些问题可以说是生产工程部门技能的展示。）

在这种情况下，如果从预测故障到发出警报的时间尽可能短，则更容易制定后续的响应计划（这称为 “维护计划”）。因此，有可能引入边缘AI，这在速度方面具有优势，从而腾出时间制定维护计划。

此外，引入人工智能需要 “学习”，但是这种 “学习” 通常需要熟练的工程师的经验。因此，退休年龄在该领域的熟练技术人员的最终工作很可能越来越多地是将他的经验委托给人工智能。

边缘 AI 是应对工程师短缺的有效手段之一
到目前为止，我们已经概述了边缘AI。Edge AI 是一项旨在尽快实现人工智能优势的技术。在老式的生产线中，生产工程师一直在生产线上，他们根据自己的经验和直觉维护生产线。现在，这些生产工程师供不应求，如果能够成功地将判断和经验转移到人工智能上，边缘AI可以成为解决劳动力短缺问题的有效方法之一。

Server aisle
与专家交谈
Penguin Solutions
在 Penguin，我们的团队设计、构建、部署和管理高性能、高可用性的 HPC 和 AI 企业解决方案，帮助客户实现突破性创新。