Seagate Edge RX 平台使用 NVIDIA EGX 將 AI 推論帶入了工廠車間。
Seagate 科技每個季度都會交付數千萬個 硬碟。確保每個硬碟質量是首要之務，但並非易事。
硬碟的製造過程非常複雜。例如，僅製造磁盤機磁頭就需要1400個步驟。即使最小的錯誤也可能導致產品缺陷。
Seagate 全球市場資深總監 Raghavan Srinivasan 說：“錯誤的代價很高。該公司生產的硬碟比任何其他製造商都要多。 如果有任何異常情況，我們以後將以低劣的產量告終，直到漫長的過程完成，我們才知道這一點。”
為了解決這個問題，Seagate 正在使用 基於 GPU 的 AI 和機器學習 對記錄的磁頭浮動塊圖像進行異常檢測，從而可以更快地發現潛在的問題。
夥伴關係帶來的解決方案
最初，Seagate 尋找一種產品可以在高產量的製造環境中幫助基於圖像的異常檢測，但目前尚無商用產品。該公司開始與 NVIDIA 和慧與科技公司(Hewlett Packard Enterprise）討論業務問題。
公司採取的第一步是了解正在使用的數據量。將這個想法付諸實踐，需要一家工廠每天能夠處理1700萬張圖像，並以每秒20個位置進行推論。
Srinivasan 說：“這就像是一架波音747，以100倍的音速從地面飛出幾英寸。”
在一年的時間裡，這些公司建構了一種解決方案，可以捕獲和分析磁盤機磁頭的圖像，這些磁盤機磁頭僅僅是旋轉硬碟表面上的分子。
Seagate將該解決方案部署在 Seagate 工廠之一的硬碟讀寫磁頭製造中使用的機器視覺缺陷檢查系統中，並計劃將該解決方案擴展到其他地區。
由於所討論的異常模式在不斷變化，因此基於規則的AI並不是一種選擇。需要一種深度學習方法。
更重要的是，Seagate 知道在工廠之間來回移動這麼多數據的頻寬成本是高得驚人的，因此它開發了一種平行參考架構，即 Seagate Edge RX。這種架構將每個工廠都建立運算的“邊緣”，從而使推論過程可以在工廠車間使用重量更輕的運算資源進行。
持續的深度學習模型訓練在離線進行中，由數據科學家執行，然後提供更新的模型。
Seagate 精密製造成果助力的可能性
隨著這項技術被納入 Seagate 的所有製造流程中，Seagate 希望通過提高效率和提高質量，使無塵室投資減少多達20％，製造吞吐時間減少10％，並獲得高達300％的投資回饋。
Srinivasan 說，種種跡象顯示，該項目最終將在質量上帶來重大改進，為 Seagate 所 有製造工廠的努力提供了足夠的養份。
Seagate非常清楚若沒有NVIDIA和HPE的技術就不可能實現這一切。這些產品包括堅固耐用的 HPE Edgeline 系統 和 NVIDIA T4 GPU，可在工廠現場進行數據採集和實時AI推論，以及HPE Apollo 系統 和 NVIDIA V100 Tensor Core GPU 用於AI訓練。 NVIDIA EGX 平台 可在這些系統上運行，並允許企業在邊緣或資料中心安全地部署和管理AI工作負載。
Srinivasan 表示：“ NVIDIA 已成為AI和深度學習的代名詞，並能夠助力其背後的流程。”
Seagate 認為可以在多個方向都有進行這項工作的潛力。目前，該公司致力於將智慧製造平台推廣到其所有製造基地。它還計劃探索該解決方案如何影響其他製造過程。順帶一提，Seagate 將探索基於物聯網感測器的批次記錄過程工具的預測性維護。
對於其他製造商來說，好消息是 Seagate 不想將所有這些創新都保留給自己。該公司已經發布了 Seagate Edge RX 平行參考架構，讓其他製造商可以在自己的製造環境中建構類似的圖像異常檢測解決方案。
Srinivasan 說：“我們希望推動對話。我們發現，如果您將數據付諸實踐，將會有更多的機會改善整體製造業。”
您可以在 GTC Digital 註冊，了解有關Seagate與NVIDIA合作的更多訊息，點播” EGX上的AI：從全球製造地點的生產部署中獲得的創新和教訓”。