微软:解耦工业互联网+AI

简介: 微软:解耦工业互联网+AI

“我们想要确保振华成为一个一流的公司,所以我们想要做数字化。”上海振华重工(集团)股份有限公司总裁黄庆丰说,“自动化港口将是我们未来的一个主要产品,而远程操作的能力将会让工作变得更安全、更快捷、更精简。值得一提的是,振华重工作为全球港机设备的领头羊,主动求变,在全球范围与微软Azure智能云合作,利用IoT技术和AI技术,打造了新的产品、 新的服务和新的模式。

image.png

实际上,微软Azure智能云不仅在全球处于技术领先地位,助力中国企业扬帆出海,而且还积极与包括与两化融合服务联盟在内的智囊机构合作,参与撰写工业互联网人工智能应用白皮书等项目,为中国工业企业的数字化、智能化转型贡献力量。


场景化AI应用落地


众所周知,港机设备都是大型机械设备,不仅设备价值高,承担着生产过程的核心任务,而且安装、维护、修理等各个环节,都要耗费大量的时间和人力成本。因此,港机设备如何确保安全持续运营,是提升客户满意度的关键。早在几年前,振华重工就开始与微软Azure智能云在全球几十个国家和地区进行合作,在上百个港口的振华重工港机设备上基于各种传感器打造的设备物联网,结合微软Azure智能云平台上的大数据分析和微软机器学习等人工智能服务,对设备进行预测性维护,并且进行远程实时监测运营。除了预测性维护场景,振华还建立一个全新的客户综合门户,不仅让用户可以管理设备的采购订单,还可以在线追踪集装箱从出发地到目的地的状态。这些已经成为振华整体数字战略的一部分,让振华在市场上拥有独特的竞争优势,为客户提供智能的、 端到端的物流监控服务。人工智能在工业领域的应用场景还有很多,但这些应用场景除了预测性维护、物流监控等通用场景之外,更多的是专业领域的细分应用

image.gifimage.png

举个例子,洪朴信息的某清洁能源客户,在其信息化总监的带领下对光伏电池和组件的工艺流程各个环节进行数据分析和挖掘,发现了最降本增效的应用场景是:对生产调配的数据进行分析,却意外发现此时原料的投入发生了不应有的高配,如果把原料配量调归正常,每一片产品可节省部分关键原料,在每天十几万片的产能背景下,节省的资金量是非常可观的。


解耦支撑生态发展


洪朴信息是微软的生态合作伙伴。实际上,洪朴信息的这家清洁能源客户从2016年起,就选取了预测分析、智能化工厂和数字化设计仿真技术作为智能制造的落地点。通过大数据及机器学习技术使用,该客户探索数据之间的关联关系,在自溶工艺流程的良品率及生产效率均有了显著的提升,在扩散工艺流程及PECVD良品率方面也实现了预期的提升目标,形成了行业差异化的竞争优势。“在制造业,老师傅的经验或企业特有的个性化的东西,是很难用人工智能完全替代的。因此需要用机器学习建立特征,将制造业Know-How的内容形成知识库固化下来,与深度学习和其他算法相结合,实现相关环节的智能化。”微软全渠道事业部创新技术总监崔宏禹表示,机器学习也会反过来推动制造业Know-How内容的丰富与提升。

image.png

微软全渠道事业部创新技术总监崔宏禹


在从数据收集到数据分析的智能制造最佳实践的指引下,洪朴信息的清洁能源客户,在两年内将自动化产线覆盖率提升到了百分之九十以上,对所有产线的数据设备进行了数字化,也据此将数据获取能力相较之前有了数百倍的提升。据介绍,微软近期提出了推动工业互联网人工智能应用的新方法论:解耦。即在新的耦合框架下,以数据为基础、以目标为导向解耦工业互联。

image.png

“我们的核心思想就是把大系统拆分成小系统降低系统的复杂性,从而让各个系统各司其职,实现快速更新迭代” 崔宏禹认为,“解耦不仅是数据,还有能力,这样才能抽象共性的东西,建立落地标准解耦的方法论,催生了工业互联网生态的新运作方式。通过与微软Azure平台的连接,像洪朴信息这样的生态合作伙伴可以充分发挥专业优势,在擅长的领域深耕细作,将场景的颗粒度降到最落地,加速解决方案的快速复制。


共建赋能平台


实际上,微软从几年前在设立面向初创企业的各种赋能扶持计划以来,就一直特别重视联合生态的力量一起赋能。包括微软加速器,也包括微软的创新技术合作部门,都开始面向更多的大型客户,包括制造业、政府行业的客户,提供越来越多的线下创新大赛、培训、扶持和共同开发的合作支持。

“我们叫做‘1+3+N’计划。”微软公共事业部行业市场总监胡伟解释说,“我们希望直接去影响个地方最有影响力的开发者和工业企业,实现知识和能力的转移,从而产生出技术沉淀和最佳实践,进而再逐步提升整个生态的智能化能力。”

image.png

微软公共事业部行业市场总监胡伟


此外,微软还越来越深入地与地方政府合作,帮助地方政府赋能其城市定位下的产业发展需求,帮助工业企业进行新旧动能的转换。举个例子,微软在过去5年在20多个城市落地微软“云暨移动技术孵化计划”,就是为了结合当地的产业发展规划。该计划的服务对象不仅面向初创企业,也面向老牌制造企业。按照“做出特色、形成示范、走在前列” 的总体布局,打造创新驱动带动数字化转型的变革

image.png

微软“云暨移动技术孵化计划”——萧山智能制造孵化基地揭牌


可以说,微软的工业互联网模式,是搭建在一个可以将诸多智能应用场景整合在一起的耦合框架基础之上的,这样来方便行业ISV对数据进行整合、贯通,快速搭建可落地的人工智能应用,实现智能制造和工业互联网平台的建设并落地。工业互联网,微软在路上。

相关文章
|
8月前
|
人工智能 自然语言处理 监控
基于DeepSeek R1改进的AI安全模型!MAI-DS-R1:微软开源AI安全卫士,敏感话题响应率高达99.3%
微软开源的MAI-DS-R1是基于DeepSeek R1改进的AI模型,通过后训练优化将敏感话题响应率提升至99.3%,同时将有害内容风险降低50%,保持原版推理能力并增强多语言支持。
879 3
基于DeepSeek R1改进的AI安全模型!MAI-DS-R1:微软开源AI安全卫士,敏感话题响应率高达99.3%
|
8月前
|
机器学习/深度学习 存储 人工智能
Qlib:华尔街颤抖!微软开源金融AI量化投资神器,助力智能投研
Qlib是微软亚洲研究院推出的开源AI量化投资平台,提供从数据处理、模型训练到组合管理的全流程支持,内置高性能数据基础设施和多种机器学习模型。
3131 87
Qlib:华尔街颤抖!微软开源金融AI量化投资神器,助力智能投研
|
10月前
|
人工智能 自然语言处理 数据可视化
Data Formulator:微软开源的数据可视化 AI 工具,通过自然语言交互快速创建复杂的数据图表
Data Formulator 是微软研究院推出的开源 AI 数据可视化工具,结合图形化界面和自然语言输入,帮助用户快速创建复杂的可视化图表。
1031 10
Data Formulator:微软开源的数据可视化 AI 工具,通过自然语言交互快速创建复杂的数据图表
|
10月前
|
机器学习/深度学习 人工智能 搜索推荐
BioEmu:微软黑科技炸场!生成式AI重构蛋白质模拟:千倍效率碾压传统计算,新药研发周期砍半
BioEmu 是微软推出的生成式深度学习系统,可在单个 GPU 上每小时生成数千种蛋白质结构样本,支持模拟动态变化、预测热力学性质,并显著降低计算成本。
573 2
BioEmu:微软黑科技炸场!生成式AI重构蛋白质模拟:千倍效率碾压传统计算,新药研发周期砍半
|
10月前
|
人工智能 安全 数据中心
D1net阅闻 | 微软CEO对话特朗普和马斯克:豪掷800亿美元建AI数据中心
D1net阅闻 | 微软CEO对话特朗普和马斯克:豪掷800亿美元建AI数据中心
|
9月前
|
缓存 人工智能 自然语言处理
微软发明全新LLM语言,AI智能体交互效率翻倍!
微软发布DroidSpeak技术,优化大型语言模型(LLM)间的通信,显著提升AI智能体交互效率。该技术通过嵌入缓存和键值缓存重用,减少预填充延迟,降低高达50%的延迟,同时保持高质量生成。DroidSpeak适用于多种AI任务,提高协作效率,但在资源受限环境和处理模型差异性方面仍面临挑战。
388 3
|
11月前
|
人工智能 运维 Prometheus
AIOpsLab:云服务自动化运维 AI,微软开源云服务 AI 框架,覆盖整个生命周期
AIOpsLab 是微软等机构推出的开源框架,支持云服务自动化运维,涵盖故障检测、根本原因分析等完整生命周期。
538 13
AIOpsLab:云服务自动化运维 AI,微软开源云服务 AI 框架,覆盖整个生命周期
|
10月前
|
机器学习/深度学习 人工智能 自然语言处理
Magma:微软放大招!新型多模态AI能看懂视频+浏览网页+UI交互+控制机器人,数字世界到物理现实无缝衔接
Magma 是微软研究院开发的多模态AI基础模型,结合语言、空间和时间智能,能够处理图像、视频和文本等多模态输入,适用于UI导航、机器人操作和复杂任务规划。
667 2
|
11月前
|
人工智能 自然语言处理 JavaScript
微软开源课程!21节课程教你开发生成式 AI 应用所需了解的一切
微软推出的生成式 AI 入门课程,涵盖 21 节课程,帮助开发者快速掌握生成式 AI 应用开发,支持 Python 和 TypeScript 代码示例。
1021 15
|
11月前
|
机器学习/深度学习 人工智能
微软华人领衔AI²BMD登Nature,AI生物分子模拟双突破!继AlphaFold后又一里程碑
AI²BMD(AI-driven Biomolecular Dynamics)是由微软华人科学家团队领衔的研究,发表于《自然》杂志。该方法通过将蛋白质分解为21种常见单元,并利用机器学习模型预测其相互作用,实现高效精准的生物分子模拟。相比传统方法,AI²BMD在能量和力预测上精度更高,计算速度提升数个数量级,尤其适用于大规模蛋白质模拟,为药物设计等领域提供了有力工具。未来研究将扩展至更多生物分子类型并优化效率。论文地址:https://www.nature.com/articles/s41586-024-08127-z
221 8