AWS 宣布推出五种工业机器学习服务-ESG跨境

西雅图--今天在 AWS re:Invent 大会上，Amazon.com 公司（纳斯达克股票代码：AMZN）的 Amazon Web Services, Inc. (AWS) 宣布了Amazon Monnitron 、 Amazon Lookout for Equipment 、 AWS Panorama Appliance 、 AWS Panorama SDK和Amazon Lookout for Vision 。这五项新的机器学习服务共同帮助工业和制造业客户将智能嵌入到他们的生产过程中，以提高运营效率、质量控制、安全性和工作场所的安全性。这些服务结合了复杂的机器学习、传感器分析和计算机视觉功能，以解决工业客户面临的常见技术挑战，并代表了最全面的云到边缘工业机器学习服务套件。这就是为什么超过 10 万客户使用 AWS 进行机器学习，以及为什么各种规模和所有行业的客户都在使用 AWS 服务将机器学习作为其业务战略的核心。要了解有关 AWS 新的工业机器学习服务的更多信息，请访问。

AWS 宣布推出五种工业机器学习服务

越来越多的公司希望将机器学习功能添加到工业环境中，例如制造设施、履行中心和食品加工厂。对于这些客户而言，数据已成为将其复杂工业系统连接在一起的结缔组织。工业系统通常有许多相互依赖的过程，这些过程对错误的容忍度很小，即使是小问题也可能产生重大影响。能够分析有关其设施中运行的设备的数据有助于客户应对这一挑战，许多客户已经采用 AWS IoT SiteWise 等服务作为一种从其工业设备收集数据和生成实时性能指标的方式。随着客户开始使用云来收集和分析工业数据，他们还要求采用新的方法来结合机器学习来帮助理解数据并进一步提高运营效率。在某些情况下，客户希望使用机器学习来帮助他们实现预测性维护的承诺，从而降低成本并提高运营效率。在其他情况下，在断开连接或对延迟敏感的环境中运行的客户希望在边缘使用计算机视觉来发现产品缺陷并提高工作场所的安全性。随着这些不断变化的需求和机遇，工业公司要求 AWS 帮助他们一起利用云、工业边缘和机器学习，以便从其设备生成的大量数据中获得更多价值。

Amazon Monnitron 和 Amazon Lookout for Equipment 支持机器学习支持的预测性维护

当今工业和制造公司面临的一个主要挑战是设备的持续维护。从历史上看，大多数设备维护要么是被动的（在机器损坏后），要么是预防性的（定期执行以确保机器不会损坏）。反应性维护可能会导致大量成本和停机时间，而预防性维护可能成本高昂，导致过度维护，或者如果执行得不够频繁，则无法防止故障。预测性维护（预测设备何时可能需要维护的能力）是一种更有前途的解决方案。然而，为了使其发挥作用，公司历来需要熟练的技术人员和数据科学家从头开始拼凑一个复杂的解决方案。这包括为用例识别和采购正确类型的传感器，并将它们与物联网网关（一种聚合和传输数据的设备）连接在一起。然后，公司必须测试监控系统并将数据传输到本地基础设施或云端进行处理。只有这样，员工中的数据科学家才能构建机器学习模型来分析数据的模式和异常情况，或者在检测到异常值时创建警报系统。一些公司在其设备上安装传感器以及数据连接、存储、分析和警报所需的基础设施方面投入了大量资金。但即使是这些公司也通常使用基本的数据分析和简单的建模方法，与先进的机器学习模型相比，这些方法成本高昂，而且在检测异常情况方面通常无效。大多数公司缺乏构建和改进机器学习模型的专业知识和人员，这些模型可以实现高度准确的预测性维护。因此，很少有公司能够成功实施预测性维护，而那些已经做到这一点的公司正在寻找进一步利用其投资的方法，同时也减轻了维护其本土解决方案的负担。以下是新的 AWS 机器学习服务如何提供帮助：

• 对于没有现有传感器网络的客户， Amazon Monitron提供由传感器、网关和机器学习服务组成的端到端机器监控系统，用于检测异常并预测工业设备何时需要维护。 Amazon Monnitron 使客户能够从头开始构建复杂的、机器学习驱动的预测性维护系统，从而消除成本和复杂性，并且还使他们能够专注于其核心制造、供应链和运营职能。 Amazon Monnitron 根据振动或温度的异常波动检测机器何时无法正常运行，并通知客户何时检查机器以确定是否需要预防性维护。端到端系统包括用于捕获振动和温度数据的物联网传感器、用于聚合数据并将数据传输到 AWS 的网关，以及可以检测异常设备模式并在几分钟内提供结果的机器学习云服务，无需机器学习或云需要经验。借助 Amazon Monnitron，维护技术人员可以在几个小时内开始跟踪机器运行状况，而无需任何开发工作或专门培训。 Amazon Monnitron 可用于各种旋转设备，例如工业和制造环境中的轴承、电机、泵和传送带。用例范围从监控一些关键机器，如数据中心使用的冷却风扇或水泵，到生产和运输系统的制造设施中的大规模安装。 Amazon Monnitron 还包括一个移动应用程序，供客户的现场维护技术人员实时监控设备行为。借助移动应用程序，技术人员可以接收不同机器上任何异常设备状况的警报，检查机器的运行状况，并决定是否需要安排维护。为了提高系统的准确性，技术人员可以在移动应用程序中输入有关警报准确性的反馈，Amazon Monitron 从该反馈中学习，以随着时间的推移不断改进。 Amazon Monnitron 现已全面上市。要了解有关 Amazon Monnitron 的更多信息，请访问。
• 对于拥有现有传感器但不想构建机器学习模型的客户， Amazon Lookout for Equipment提供了一种将传感器数据发送到 AWS 为他们构建模型并返回预测以检测异常设备行为的方法。首先，客户将他们的传感器数据上传到 Amazon Simple Storage Service (S3)，并将 S3 位置提供给 Amazon Lookout for Equipment。 Amazon Lookout for Equipment 还可以从 AWS IoT SiteWise 提取数据，并与 OSIsoft 等其他流行的机器操作系统无缝协作。 Amazon Lookout for Equipment 分析数据，评估正常或健康的模式，然后使用从所有训练数据中获得的知识来构建针对客户环境定制的模型。然后，Amazon Lookout for Equipment 可以使用机器学习模型来分析传入的传感器数据并识别机器故障的早期预警信号。这使客户能够进行预测性维护，通过防止工业系统生产线崩溃来节省资金并提高生产力。 Amazon Lookout for Equipment 让客户能够从他们现有的传感器中获得更多价值，并帮助客户做出及时的决策，从而显着改善整个工业流程。要了解有关 Amazon Lookout for Equipment 的更多信息，请访问。

AWS Panorama 使用计算机视觉来改善工业运营和工作场所安全

许多工业和制造业客户希望能够在其设施和设备的实时视频源上使用计算机视觉，以自动化监控或视觉检查任务并实时做出决策。例如，客户通常需要检查高速流程以确定是否需要调整（例如精细铣削或激光加工），监控现场和庭院活动以确保运营合规（例如确保行人和叉车留在指定的工作区域），或评估其设施内的工人安全（例如，适当的社交距离或个人防护装备的使用）。然而，当今使用的典型监控方法是手动的、容易出错且难以扩展。客户可以在云中构建计算机视觉模型来监控和分析他们的实时视频源，但工业流程通常需要物理上位于偏远和孤立的地方，那里的连接可能很慢、很昂贵，或者完全不存在。对于涉及人工审查（例如对制造零件或安全馈送的质量检查）的工业流程来说，这个问题更加困难。例如，如果在高产量生产线上出现质量问题，客户希望立即知道，因为让问题持续存在的成本很高。这种类型的视频源可以使用计算机视觉在云中自动处理，但视频源带宽很高，上传速度可能很慢。因此，客户需要实时监控视频源，这很难做到、容易出错且成本高昂。虽然希望使用具有足够处理能力的智能相机来运行这些模型，但从这些相机中获得低延迟性能和良好的准确性可能具有挑战性。大多数客户最终会运行简单的模型，这些模型无法通过编程来运行集成到工业机器中的自定义代码。 AWS 现在可以提供以下帮助：

• AWS Panorama Appliance提供了一种新的硬件设备，允许组织将计算机视觉添加到客户可能已经部署的现有本地摄像头中。客户首先将 AWS Panorama 设备连接到他们的网络，该设备会自动识别摄像头流并开始与现有的工业摄像头交互。 AWS Panorama 设备与 AWS 机器学习服务和 IoT 服务集成，可用于构建自定义机器学习模型或摄取视频以进行更精细的分析。 AWS Panorama 设备将 AWS 机器学习扩展到边缘，以帮助客户在没有连接的情况下在本地进行预测。每个 AWS 全景设备都可以在多个摄像头流上并行运行计算机视觉模型，从而实现质量控制、部件识别和工作场所安全等用例。 AWS Panorama 设备与 AWS 和第三方预训练的计算机视觉模型配合使用，适用于零售、制造、建筑和其他行业。此外，在 Amazon SageMaker 中开发的客户开发的计算机视觉模型可以部署在 AWS Panorama 设备上。
• AWS Panorama 软件开发工具包 (SDK)使硬件供应商能够构建可以在边缘运行有意义的计算机视觉模型的新相机。使用 AWS Panorama SDK 构建的相机运行计算机视觉模型，用于检测快速移动的传送带上的损坏部件或发现机器位于指定工作区之外的用例。这些相机可以使用 NVIDIA 和 Ambarella 为计算机视觉设计的芯片。通过使用 AWS Panorama SDK，制造商可以构建具有计算机视觉模型的摄像头，这些模型可以处理更高质量的视频，并具有更好的分辨率以发现问题。他们还可以在可以通过以太网供电并放置在站点周围的低成本设备上构建更复杂的模型。客户可以在 Amazon SageMaker 中训练自己的模型，只需单击一下即可将它们部署到使用 AWS Panorama 开发工具包构建的摄像头上。客户还可以将 Lambda 函数添加到使用 AWS Panorama SDK 构建的摄像头，以便通过文本或电子邮件向潜在问题发出警报。 AWS 还为 PPE 检测和社交距离等任务提供了预构建模型，并且可以在几分钟内部署这些模型，而无需进行任何机器学习工作或特殊优化。

要了解有关 AWS Panorama 以及支持供应商和合作伙伴的更多信息，请访问。

Amazon Lookout for Vision 以低成本自动快速准确地检测图像和视频的视觉异常

AWS 客户乐于使用他们的相机部署计算机视觉的一个用例是质量控制。工业公司必须保持持续的勤奋以保持质量控制。仅在制造业中，由于疏忽错误导致的生产线停工每年都会导致数百万美元的成本超支和收入损失。工业过程的目视检查通常需要人工检查，这可能是乏味且不一致的。计算机视觉带来了一致识别缺陷所需的速度和准确性，但实施可能很复杂，需要数据科学家团队来构建、部署和管理机器学习模型。由于这些障碍，机器学习驱动的视觉异常系统对于绝大多数公司来说仍然遥不可及。以下是 AWS 现在可以如何帮助这些公司：

• Amazon Lookout for Vision为客户提供高精度、低成本的异常检测解决方案，该解决方案使用机器学习每小时处理数千张图像以发现缺陷和异常。客户将相机图像批量或实时发送到 Amazon Lookout for Vision，以识别异常情况，例如机器部件的裂缝、面板的凹痕、不规则的形状或产品上的不正确颜色。然后，Amazon Lookout for Vision 会报告与基线不同的图像，以便采取适当的措施。 Amazon Lookout for Vision 足够复杂，可以处理因工作环境变化而引起的摄像机角度、姿势和照明变化。因此，客户可以通过提供少至 30 张基准“良好”状态的图像来准确、一致地评估机器零件或制成品。 Amazon Lookout for Vision 也在 Amazon Panorama 设备上运行。从今天开始，客户可以在 AWS 中运行 Amazon Lookout for Vision，从明年开始，客户将能够在 AWS Panorama 设备和其他 AWS Panorama 设备上运行 Amazon Lookout for Vision，这样客户就可以在以下地点使用 Amazon Lookout for Vision互联网连接有限或不存在。要了解有关 Amazon Lookout for Vision 的更多信息，请访问。

“工业和制造业客户不断面临来自股东、客户、政府和竞争对手的压力，要求他们降低成本、提高质量并保持合规性。这些组织希望使用云和机器学习来帮助他们自动化流程并增强其运营中的人员能力，但构建这些系统可能容易出错、复杂、耗时且昂贵，”亚马逊副总裁 Swami Sivasubramanian 说AWS 机器学习。 “我们很高兴为客户带来五种专为工业用途而构建的新机器学习服务，这些服务易于安装、部署、快速启动和运行，并将云连接到边缘以帮助交付未来的智能工厂为我们的工业客户服务。”

Fender Musical Instruments Corporation 是一个标志性品牌，也是世界上最重要的吉他、贝司、放大器和相关设备制造商。 “在过去的一年里，我们与 AWS 合作，帮助开发成功运营制造业务的关键但有时被忽视的部分，了解您的设备状况。对于全球制造商而言，保持设备正常运行时间是在全球市场上保持竞争力的唯一途径。 Fender 全球设施总监 Bill Holmes 表示，由于故障的灭火性质，计划外停机会导致生产和劳动力损失的代价高昂。 “Amazon Monitron 可以让大型行业制造商和小型‘夫妻店’能够预测设备故障，让我们有机会提前安排设备维修。”

RS Components 是工业组件和预测性维护领域的领先企业。 “我们不断尝试创新如何满足客户的维护需求。随着物联网的出现，我们看到我们的客户希望将实时状态监控功能带入工厂环境，以减少被动维护并提高资产可靠性， ” RS Components 技术总监 Richard Jeffers 说。 “我们很高兴与 AWS 合作，将 Amazon Monitron 带给我们的客户，因为它使他们能够部署经济高效、易于使用、不断改进的状态监控解决方案，并在其资产库中的更广泛的设备集上实现预测性维护。虽然我们从 2,500 家不同的供应商那里库存了超过 500,000 种产品，但这是我们产品组合中的第一个端到端无线振动和温度状态监测解决方案。我们计划通过我们的电子商务平台向我们的客户提供 Amazon Monnitron，并利用它通过我们的数据主导的可靠性服务业务 RS Monition 提供基于状态的监控和可靠性服务。与 AWS 合作将使我们能够支持我们的客户努力采用物联网和机器学习作为新兴技术，并加速他们的工业 4.0 战略。 "

GS EPS 是一家韩国工业集团。 GS EPS 执行副总裁 Kang Bum Lee 说：“十多年来，我们一直在为我们的资产生成数据，但只使用基于物理和规则的方法来深入了解我们的数据。” “Amazon Lookout for Equipment 使我们的工厂运营团队能够在我们的设备上构建模型，而无需 ML 专业知识。借助 AWS 和 Amazon Lookout for Equipment，我们正在引领我们的组织转变为数据驱动的工作文化。”

OSIsoft 是用于实时数据管理的应用软件制造商，称为 PI System。 “今天，OSIsoft PI Systems 内部有超过 20 亿个基于传感器的数据流，每天有成千上万的客户依赖 PI System 来运行他们的运营。这些客户一直在寻找方法来轻松提供洞察力以提高他们的竞争力. OSIsoft 产品可以与 AWS 服务集成，帮助客户从数据中释放额外价值。Amazon Lookout for Equipment 通过提供专为设备监控而构建的自动化机器学习，扩大了客户可用的服务范围和洞察力，”总监 Michael Graves 说OSIsoft 的战略联盟。

“每个月，数以百万计的卡车进入亚马逊设施，因此开发自动装载、卸载和停车的技术非常重要，”Amazon.com 的中间一英里生产技术副总裁史蒂夫·阿马托说。“亚马逊的中间一英里产品和技术 (MMPT) ) 已经开始使用 AWS Panorama 来识别这些车辆上的车牌，并自动加快司机的进出。这可以安全、快速地访问亚马逊网站，确保更快地为我们的客户交付包裹。”

BP 是一家全球能源公司，为客户提供运输燃料、热能和光能、保持发动机运转的润滑剂，以及用于制造油漆、衣服和包装等各种日常用品的石化产品。该组织在全球拥有 18,000 个服务站和 74,000 多名员工。 “我们在 bpx 的工程团队正在与 AWS 密切合作，以构建一个物联网和云平台，这将使我们能够不断提高我们的运营效率，”BP America 首席技术官 Grant Matthews 说。 “作为这项工作的一部分，我们探索的一个领域是使用计算机视觉来帮助我们进一步提高安全性和工人安全。我们希望利用计算机视觉来自动化卡车进出我们的设施，并验证它们是否履行了正确的订单。此外，我们看到计算机视觉可以通过多种方式保护我们的工人安全，从监控社交距离到设置动态禁区和检测漏油。 AWS Panorama 提供了一种创新方法，可在具有直观用户体验的单一硬件平台上交付所有这些解决方案。我们的团队很高兴能与 AWS 合作开发这项新技术，并希望它能帮助我们解决许多新的用例。”

Siemens Mobility 为城市、城际和货运提供智能高效的移动解决方案。 “160 多年来，Siemens Mobility 一直是无缝、可持续和安全运输解决方案的领导者。西门子 ITS 数字实验室是一个创新团队，负责为交通行业带来最新的数字化进步，并在为公共机构提供数据分析和人工智能解决方案方面处于独特的地位，”西门子移动 ITS 数字实验室创新经理 Laura Sanchez 说。 “随着城市面临新的挑战，市政当局已经求助于我们来代表他们进行创新。城市想了解如何有效管理其资产并改善拥堵和直接交通。我们希望使用 AWS Panorama 将计算机视觉引入现有的安全摄像头，以监控交通并智能分配路边空间，帮助城市优化停车和交通，并提高其选民的生活质量。”

凌华科技提供硬件/软件平台，使客户能够实施边缘人工智能解决方案，在制造、运输、医疗保健、能源和通信等工业市场实时交付可操作的数据。凌华美国首席执行官伊丽莎白坎贝尔说：“AWS Panorama 与凌华工业视觉系统的集成使得真正的边缘计算机视觉即插即用。2021 年，我们将制造获得 AWS Panorama 认证的凌华霓虹相机由 NVIDIA Jetson AGX Xavier 提供给客户，以更快的速度推动高质量的计算机视觉结果。这使得凌华科技能够在物流、制造、能源和公用事业使用方面更快地为我们的客户提供 ML 数字实验和价值实现时间案件。”

INDUS.AI 是世界上最先进的建筑智能解决方案，使房地产投资者、业主、开发商和总承包商能够对其建筑工地的所有活动、生产力和风险具有实时可见性和可操作的洞察力。 INDUS.AI 力求使建筑工地和项目更安全、更高效和完全透明。 “施工区是动态环境。在任何给定时间，您都有数百个交付和分包商与重型设备共享该站点，并且每天都在变化。 INDUS.AI 专注于为总承包商提供建筑智能，”INDUS.AI 首席执行官 Matt Man 说。 “计算机视觉是一个特别有价值的工具，因为它能够同时处理多项任务。我们期待在类似 SaaS 的体验中为 AWS Panorama 客户提供有关工作现场管理和安全的实时见解。”

Dafgards 在瑞典是家喻户晓的名字，生产种类繁多的食品。他们最成功的品牌之一是Billys Pan Pizza，这是一种以每秒2个比萨饼的速度烘烤和包装的微波炉比萨饼。 “为了维护我们的品牌并提供最新鲜、最美味的客户体验，我们希望确保我们所有的比萨饼都充分覆盖了奶酪和正确的配料。之前，我们安装了一个机器视觉系统来检测比萨饼中奶酪的正确覆盖率Dafgards 卓越运营和工业物联网主管 Fredrik Dafgård 表示，虽然该系统非常适合我们最初的检测要求，但它无法检测包括多种配料的新产品类型的缺陷。 "

GE Healthcare 是全球领先的医疗技术和数字解决方案创新者，开发、制造和分销诊断成像剂、放射性药物、医疗诊断设备（包括 CT 和 MRI 机器）以及由其 Edison 智能平台支持的智能设备。 “今天，我们使用人工检查来验证我们医疗设备的质量。为了维护我们的品牌并提供医疗保健专业人士信赖的一流产品，我们很高兴能够使用 Amazon Lookout for Vision 以编程方式提高我们在日本和日本工厂检测产品缺陷的速度、一致性和准确性。 GE Healthcare Japan 工厂经理、制造部门总经理、运营官 Kozaburo Fujimoto 说。

Nukon 是 SAGE 集团旗下的一家公司，是一家数字化转型咨询和交付公司，提供定制设计的解决方案，将战略、分析和技术相结合，以提供对关键业务流程的可见性，以便对其进行优化。 “我们很高兴 Amazon Lookout for Vision 将如何帮助我们在我们的姊妹公司 SAGE Automation 的制造设施内根据其严格的质量控制计划实时检测产品缺陷。 Nukon 首席技术官 Rafael Amaral 表示，我们很高兴现在将这项技术应用于其他制造商并将其整合到他们的质量体系中。

关于亚马逊网络服务

14 年来，Amazon Web Services 一直是世界上最全面、应用最广泛的云平台。 AWS 为计算、存储、数据库、网络、分析、机器人、机器学习和人工智能 (AI)、物联网 (IoT)、移动、安全、混合、虚拟和增强现实（VR 和 AR）提供超过 175 项功能齐全的服务)、媒体和应用程序开发、部署和管理，来自 24 个地理区域内的 77 个可用区 (AZ)，并已宣布计划在印度、印度尼西亚、日本、西班牙和瑞士再增加 15 个可用区和 5 个 AWS 区域。数以百万计的客户（包括发展最快的初创公司、最大的企业和领先的政府机构）信任 AWS 来支持他们的基础设施、变得更加敏捷并降低成本。

关于亚马逊

亚马逊遵循四项原则：以客户为中心而非以竞争对手为中心、对发明的热情、对卓越运营的承诺以及长期思考。客户评论、一键购物、个性化推荐、Prime、亚马逊物流、AWS、Kindle Direct Publishing、Kindle、Fire 平板电脑、Fire TV、亚马逊 Echo 和 Alexa 是亚马逊率先推出的一些产品和服务。

点击咨询现在有哪些新兴平台值得关注 >>>

特别声明：以上文章内容仅代表作者本人观点，不代表ESG跨境电商观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与ESG跨境电商联系。