မကြာသေးမီက ထုတ်ပြန်ခဲ့သော စက်မှုလုပ်ငန်းသုံး AI နှင့် AI ဈေးကွက် အစီရင်ခံစာ ၂၀၂၁-၂၀၂၆ အရ စက်မှုလုပ်ငန်းဆိုင်ရာ နေရာများတွင် AI ကို အသုံးပြုမှုနှုန်းသည် နှစ်နှစ်ကျော်အတွင်း ၁၉ ရာခိုင်နှုန်းမှ ၃၁ ရာခိုင်နှုန်းအထိ မြင့်တက်လာခဲ့သည်။ ၎င်းတို့၏ လုပ်ငန်းဆောင်တာများတွင် AI ကို အပြည့်အဝ သို့မဟုတ် တစ်စိတ်တစ်ပိုင်း အသုံးပြုထားပြီးသူ ၃၁ ရာခိုင်နှုန်းအပြင် နောက်ထပ် ၃၉ ရာခိုင်နှုန်းသည် နည်းပညာကို စမ်းသပ် သို့မဟုတ် စမ်းသပ်အသုံးပြုနေကြသည်။
AI သည် ကမ္ဘာတစ်ဝှမ်းရှိ ထုတ်လုပ်သူများနှင့် စွမ်းအင်ကုမ္ပဏီများအတွက် အဓိကနည်းပညာတစ်ခုအဖြစ် ပေါ်ထွက်လာနေပြီး IoT ခွဲခြမ်းစိတ်ဖြာမှုအရ စက်မှုလုပ်ငန်းသုံး AI ဖြေရှင်းချက်ဈေးကွက်သည် ကပ်ရောဂါအလွန် နှစ်စဉ်တိုးတက်မှုနှုန်း (CAGR) ၃၅% ရှိပြီး ၂၀၂၆ ခုနှစ်တွင် အမေရိကန်ဒေါ်လာ ၁၀၂.၁၇ ဘီလီယံအထိ ရောက်ရှိမည်ဟု ခန့်မှန်းထားသည်။
ဒစ်ဂျစ်တယ်ခေတ်သည် အရာဝတ္ထုများ၏ အင်တာနက်ကို မွေးဖွားပေးခဲ့သည်။ ဉာဏ်ရည်တု (Artificial Intelligence) ပေါ်ပေါက်လာခြင်းသည် အရာဝတ္ထုများ၏ အင်တာနက် ဖွံ့ဖြိုးတိုးတက်မှု၏ အရှိန်အဟုန်ကို မြှင့်တင်ပေးသည်ကို တွေ့မြင်နိုင်သည်။
စက်မှုလုပ်ငန်းသုံး AI နှင့် AIoT များ တိုးတက်လာရခြင်း၏ အကြောင်းရင်းအချို့ကို ကြည့်ကြပါစို့။
အချက် ၁: စက်မှုလုပ်ငန်းသုံး AIoT အတွက် ဆော့ဖ်ဝဲကိရိယာများ ပိုမိုများပြားလာခြင်း
၂၀၁၉ ခုနှစ်တွင် Iot ခွဲခြမ်းစိတ်ဖြာမှုများသည် စက်မှုလုပ်ငန်းသုံး AI ကို လွှမ်းခြုံရန် စတင်ခဲ့သောအခါ၊ လုပ်ငန်းလည်ပတ်မှုနည်းပညာ (OT) ရောင်းချသူများထံမှ သီးသန့် AI ဆော့ဖ်ဝဲထုတ်ကုန် အနည်းငယ်သာ ရှိခဲ့သည်။ ထိုအချိန်မှစ၍ OT ရောင်းချသူများစွာသည် စက်ရုံကြမ်းပြင်အတွက် AI ပလက်ဖောင်းများပုံစံဖြင့် AI ဆော့ဖ်ဝဲဖြေရှင်းချက်များကို တီထွင်ပံ့ပိုးပေးခြင်းဖြင့် AI ဈေးကွက်သို့ ဝင်ရောက်လာခဲ့ကြသည်။
အချက်အလက်များအရ ရောင်းချသူ ၄၀၀ နီးပါးသည် AIoT ဆော့ဖ်ဝဲကို ပေးဆောင်ကြသည်။ စက်မှုလုပ်ငန်း AI ဈေးကွက်သို့ ဝင်ရောက်လာသော ဆော့ဖ်ဝဲရောင်းချသူအရေအတွက်သည် လွန်ခဲ့သော နှစ်နှစ်အတွင်း သိသိသာသာ မြင့်တက်လာခဲ့သည်။ လေ့လာမှုအတွင်း IoT Analytics သည် ထုတ်လုပ်သူ/စက်မှုလုပ်ငန်းဖောက်သည်များထံ AI နည်းပညာပေးသွင်းသူ ၆၃၄ ဦးကို ဖော်ထုတ်ခဲ့သည်။ ဤကုမ္ပဏီများအနက် ၃၈၉ (၆၁.၄%) သည် AI ဆော့ဖ်ဝဲကို ပေးဆောင်သည်။
AI ဆော့ဖ်ဝဲပလက်ဖောင်းအသစ်သည် စက်မှုလုပ်ငန်းပတ်ဝန်းကျင်များကို အာရုံစိုက်သည်။ Uptake၊ Braincube သို့မဟုတ် C3 AI အပြင်၊ လုပ်ငန်းလည်ပတ်မှုနည်းပညာ (OT) ရောင်းချသူအရေအတွက် တိုးပွားလာနေပြီး သီးသန့် AI ဆော့ဖ်ဝဲပလက်ဖောင်းများကို ပေးဆောင်လျက်ရှိသည်။ ဥပမာအားဖြင့် ABB ၏ Genix Industrial analytics နှင့် AI suite၊ Rockwell Automation ၏ FactoryTalk Innovation suite၊ Schneider Electric ၏ကိုယ်ပိုင်ထုတ်လုပ်မှုအတိုင်ပင်ခံပလက်ဖောင်းနှင့် မကြာသေးမီက သီးခြား add-on များ ပါဝင်သည်။ ဤပလက်ဖောင်းအချို့သည် အသုံးပြုမှုကိစ္စရပ်အမျိုးမျိုးကို ပစ်မှတ်ထားသည်။ ဥပမာအားဖြင့် ABB ၏ Genix ပလက်ဖောင်းသည် လုပ်ငန်းလည်ပတ်မှုစွမ်းဆောင်ရည်စီမံခန့်ခွဲမှု၊ ပိုင်ဆိုင်မှုတည်တံ့ခိုင်မြဲမှု၊ ရေရှည်တည်တံ့ခိုင်မြဲမှုနှင့် ထောက်ပံ့ရေးကွင်းဆက်ထိရောက်မှုအတွက် ကြိုတင်တည်ဆောက်ထားသော အပလီကေးရှင်းများနှင့် ဝန်ဆောင်မှုများအပါအဝင် အဆင့်မြင့်ခွဲခြမ်းစိတ်ဖြာမှုများကို ပေးဆောင်သည်။
ကုမ္ပဏီကြီးများသည် ၎င်းတို့၏ AI ဆော့ဖ်ဝဲကိရိယာများကို အလုပ်ခွင်ကြမ်းပြင်တွင် ထည့်သွင်းနေကြသည်။
ai software tools များ ရရှိနိုင်မှုသည် Microsoft နှင့် Google ကဲ့သို့သော ကုမ္ပဏီကြီးများမှ AWS မှ တီထွင်ထားသော use-case သီးသန့် software tools အသစ်များကြောင့်လည်း မောင်းနှင်ပါသည်။ ဥပမာအားဖြင့်၊ ၂၀၂၀ ခုနှစ် ဒီဇင်ဘာလတွင် AWS သည် Amazon SageMaker JumpStart ကို ထုတ်ပြန်ခဲ့ပြီး၊ ၎င်းသည် Amazon SageMaker ၏ အင်္ဂါရပ်တစ်ခုဖြစ်ပြီး၊ PdM၊ computer vision နှင့် autonomous driving ကဲ့သို့သော အသုံးအများဆုံး စက်မှုလုပ်ငန်းဆိုင်ရာ use case များအတွက် ကြိုတင်တည်ဆောက်ထားပြီး စိတ်ကြိုက်ပြင်ဆင်နိုင်သော ဖြေရှင်းချက်များကို ပေးစွမ်းပြီး ကလစ်အနည်းငယ်နှိပ်ရုံဖြင့် Deploy လုပ်နိုင်ပါသည်။
အသုံးပြုမှုကိစ္စအလိုက် ဆော့ဖ်ဝဲလ်ဖြေရှင်းချက်များသည် အသုံးပြုနိုင်စွမ်း တိုးတက်ကောင်းမွန်လာစေရန် မောင်းနှင်နေပါသည်။
ကြိုတင်ခန့်မှန်းထိန်းသိမ်းမှုကို အာရုံစိုက်သည့် ဆော့ဖ်ဝဲလ်များကဲ့သို့သော အသုံးပြုမှု-ကိစ္စအလိုက် ဆော့ဖ်ဝဲလ်အစုံများသည် ပိုမိုအသုံးများလာပါသည်။ ဒေတာရင်းမြစ်အမျိုးမျိုးနှင့် ကြိုတင်လေ့ကျင့်မှုပုံစံများအသုံးပြုမှု တိုးလာခြင်းအပြင် ဒေတာတိုးမြှင့်မှုနည်းပညာများကို ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုလာခြင်းကြောင့် AI-based product data management (PdM) ဆော့ဖ်ဝဲလ်ဖြေရှင်းချက်များကို အသုံးပြုသော ဝန်ဆောင်မှုပေးသူအရေအတွက်သည် ၂၀၂၁ ခုနှစ်အစောပိုင်းတွင် ၇၃ ခုအထိ မြင့်တက်လာကြောင်း IoT Analytics မှ လေ့လာတွေ့ရှိခဲ့သည်။
အချက် ၂: AI ဖြေရှင်းချက်များ ဖွံ့ဖြိုးတိုးတက်ရေးနှင့် ပြုပြင်ထိန်းသိမ်းမှုကို ရိုးရှင်းအောင် ပြုလုပ်နေပါသည်။
အလိုအလျောက်စက်သင်ယူမှု (AutoML) သည် စံထုတ်ကုန်တစ်ခု ဖြစ်လာနေသည်။
စက်သင်ယူမှု (ML) နှင့် ဆက်စပ်သော လုပ်ငန်းတာဝန်များ၏ ရှုပ်ထွေးမှုကြောင့် စက်သင်ယူမှု အပလီကေးရှင်းများ အလျင်အမြန် တိုးတက်လာခြင်းကြောင့် ကျွမ်းကျင်မှုမရှိဘဲ အသုံးပြုနိုင်သော အသင့်သုံး စက်သင်ယူမှု နည်းလမ်းများအတွက် လိုအပ်ချက်တစ်ရပ် ပေါ်ပေါက်လာခဲ့သည်။ ရလဒ်အနေဖြင့် စက်သင်ယူမှုအတွက် တိုးတက်သော အလိုအလျောက်စနစ်ဖြစ်သည့် သုတေသနနယ်ပယ်ကို AutoML ဟုခေါ်သည်။ ကုမ္ပဏီအမျိုးမျိုးသည် ဖောက်သည်များအား ML မော်ဒယ်များ တီထွင်ရန်နှင့် စက်မှုလုပ်ငန်းအသုံးပြုမှုများကို ပိုမိုမြန်ဆန်စွာ အကောင်အထည်ဖော်ရန် ဤနည်းပညာကို ၎င်းတို့၏ AI ကမ်းလှမ်းမှုများ၏ တစ်စိတ်တစ်ပိုင်းအဖြစ် အသုံးပြုနေကြသည်။ ဥပမာအားဖြင့် ၂၀၂၀ ခုနှစ် နိုဝင်ဘာလတွင် SKF သည် ကုန်ကျစရိတ်များကို လျှော့ချရန်နှင့် ဖောက်သည်များအတွက် စီးပွားရေးပုံစံအသစ်များကို ဖွင့်လှစ်ရန် စက်လုပ်ငန်းစဉ်ဒေတာနှင့် တုန်ခါမှုနှင့် အပူချိန်ဒေတာကို ပေါင်းစပ်ထားသည့် automL-based ထုတ်ကုန်တစ်ခုကို ကြေညာခဲ့သည်။
စက်သင်ယူမှုလုပ်ဆောင်ချက်များ (ML Ops) သည် မော်ဒယ်စီမံခန့်ခွဲမှုနှင့် ပြုပြင်ထိန်းသိမ်းမှုကို ရိုးရှင်းစေသည်။
စက်သင်ယူမှုလုပ်ဆောင်ချက်ဆိုင်ရာ ဘာသာရပ်အသစ်သည် ထုတ်လုပ်မှုပတ်ဝန်းကျင်များတွင် AI မော်ဒယ်များ၏ ပြုပြင်ထိန်းသိမ်းမှုကို ရိုးရှင်းစေရန် ရည်ရွယ်ပါသည်။ AI မော်ဒယ်တစ်ခု၏ စွမ်းဆောင်ရည်သည် စက်ရုံအတွင်းရှိ အချက်များစွာ (ဥပမာ၊ ဒေတာဖြန့်ဖြူးမှုနှင့် အရည်အသွေးစံနှုန်းများ ပြောင်းလဲခြင်း) ၏ သက်ရောက်မှုကြောင့် အချိန်ကြာလာသည်နှင့်အမျှ ယိုယွင်းလာလေ့ရှိသည်။ ရလဒ်အနေဖြင့် စက်မှုလုပ်ငန်းပတ်ဝန်းကျင်များ၏ အရည်အသွေးမြင့်မားသော လိုအပ်ချက်များကို ဖြည့်ဆည်းရန်အတွက် မော်ဒယ်ပြုပြင်ထိန်းသိမ်းမှုနှင့် စက်သင်ယူမှုလုပ်ဆောင်ချက်များ လိုအပ်လာပါသည် (ဥပမာ၊ စွမ်းဆောင်ရည် ၉၉% အောက်ရှိသော မော်ဒယ်များသည် အလုပ်သမားဘေးကင်းရေးကို အန္တရာယ်ဖြစ်စေသော အပြုအမူကို မဖော်ထုတ်နိုင်ပါ)။
မကြာသေးမီနှစ်များအတွင်း DataRobot၊ Grid.AI၊ Pinecone/Zilliz၊ Seldon နှင့် Weights & Biases အပါအဝင် startup လုပ်ငန်းများစွာသည် ML Ops နယ်ပယ်တွင် ပါဝင်လာခဲ့ကြသည်။ တည်ထောင်ပြီးသော ကုမ္ပဏီများသည် Azure ML Studio တွင် data drift detection ကို မိတ်ဆက်ခဲ့သော Microsoft အပါအဝင် ၎င်းတို့၏ လက်ရှိ AI software ကမ်းလှမ်းမှုများတွင် machine learning လုပ်ဆောင်ချက်များကို ထည့်သွင်းခဲ့ကြသည်။ ဤအင်္ဂါရပ်အသစ်သည် အသုံးပြုသူများအား မော်ဒယ်စွမ်းဆောင်ရည်ကို ကျဆင်းစေသည့် input data ဖြန့်ဖြူးမှုတွင် ပြောင်းလဲမှုများကို ထောက်လှမ်းနိုင်စေပါသည်။
အချက် ၃: ရှိပြီးသား အပလီကေးရှင်းများနှင့် အသုံးပြုမှုကိစ္စရပ်များတွင် အသုံးချထားသော အတုဥာဏ်ရည်
ရိုးရာဆော့ဖ်ဝဲလ်ပံ့ပိုးပေးသူများသည် AI စွမ်းရည်များကို ထည့်သွင်းနေကြသည်။
MS Azure ML၊ AWS SageMaker နှင့် Google Cloud Vertex AI ကဲ့သို့သော ရှိပြီးသား အလျားလိုက် AI ဆော့ဖ်ဝဲလ်ကြီးများအပြင်၊ Computerized Maintenance Management Systems (CAMMS)၊ Manufacturing execution systems (MES) သို့မဟုတ် enterprise resource planning (ERP) ကဲ့သို့သော ရိုးရာဆော့ဖ်ဝဲလ်အစုံများကို AI စွမ်းရည်များထည့်သွင်းခြင်းဖြင့် သိသိသာသာတိုးတက်ကောင်းမွန်အောင် လုပ်ဆောင်နိုင်ပါပြီ။ ဥပမာအားဖြင့်၊ ERP ပံ့ပိုးပေးသူ Epicor Software သည် ၎င်း၏ Epicor Virtual Assistant (EVA) မှတစ်ဆင့် ၎င်း၏ရှိပြီးသားထုတ်ကုန်များသို့ AI စွမ်းရည်များကို ထည့်သွင်းနေပါသည်။ ထုတ်လုပ်မှုလုပ်ငန်းများကို ပြန်လည်စီစဉ်ခြင်း သို့မဟုတ် ရိုးရှင်းသောမေးမြန်းမှုများ (ဥပမာ၊ ထုတ်ကုန်ဈေးနှုန်း သို့မဟုတ် ရရှိနိုင်သောအစိတ်အပိုင်းအရေအတွက်အကြောင်း အသေးစိတ်အချက်အလက်များရယူခြင်း) ကဲ့သို့သော ERP လုပ်ငန်းစဉ်များကို အလိုအလျောက်လုပ်ဆောင်ရန် Intelligent EVA agent များကို အသုံးပြုပါသည်။
AIoT ကိုအသုံးပြုခြင်းဖြင့် စက်မှုလုပ်ငန်းအသုံးပြုမှုကိစ္စရပ်များကို အဆင့်မြှင့်တင်လျက်ရှိသည်။
လက်ရှိဟာ့ဒ်ဝဲ/ဆော့ဖ်ဝဲ အခြေခံအဆောက်အအုံများတွင် AI စွမ်းရည်များ ထည့်သွင်းခြင်းဖြင့် စက်မှုလုပ်ငန်းအသုံးပြုမှုကိစ္စရပ်များစွာကို မြှင့်တင်လျက်ရှိသည်။ ထင်ရှားသော ဥပမာတစ်ခုမှာ အရည်အသွေးထိန်းချုပ်မှုအပလီကေးရှင်းများတွင် စက်မြင်နိုင်စွမ်းဖြစ်သည်။ ရိုးရာစက်မြင်နိုင်စွမ်းစနစ်များသည် အရာဝတ္ထုများတွင် ချို့ယွင်းချက်များရှိမရှိ ဆုံးဖြတ်ရန် ကြိုတင်သတ်မှတ်ထားသော ကန့်သတ်ချက်များနှင့် ကန့်သတ်ချက်များ (ဥပမာ၊ ဆန့်ကျင်ဘက်မြင့်မားသော) ကို အကဲဖြတ်သည့် အထူးပြုဆော့ဖ်ဝဲတပ်ဆင်ထားသော ပေါင်းစပ်ထားသော သို့မဟုတ် သီးခြားကွန်ပျူတာများမှတစ်ဆင့် ရုပ်ပုံများကို လုပ်ဆောင်သည်။ ကိစ္စရပ်များစွာတွင် (ဥပမာ၊ ဝါယာကြိုးပုံသဏ္ဍာန်အမျိုးမျိုးရှိသော အီလက်ထရွန်းနစ်အစိတ်အပိုင်းများ)၊ မှားယွင်းသောအပြုသဘောဆောင်သည့်အရေအတွက်သည် အလွန်မြင့်မားသည်။
သို့သော် ဤစနစ်များကို အတုဥာဏ်ရည်ဖြင့် ပြန်လည်အသက်သွင်းနေပါသည်။ ဥပမာအားဖြင့်၊ စက်မှုလုပ်ငန်းသုံး စက်ရုပ်အမြင်အာရုံပံ့ပိုးပေးသူ Cognex သည် ၂၀၂၁ ခုနှစ် ဇူလိုင်လတွင် Deep Learning ကိရိယာအသစ် (Vision Pro Deep Learning 2.0) ကို ထုတ်ပြန်ခဲ့သည်။ ကိရိယာအသစ်များသည် ရိုးရာအမြင်အာရုံစနစ်များနှင့် ပေါင်းစပ်ထားပြီး အသုံးပြုသူများအား ခြစ်ရာများ၊ ညစ်ညမ်းမှုများနှင့် အခြားချို့ယွင်းချက်များကို တိကျစွာတိုင်းတာရန် လိုအပ်သည့် လိုအပ်ချက်များသော ဆေးဘက်ဆိုင်ရာနှင့် အီလက်ထရွန်းနစ်ပတ်ဝန်းကျင်များကို ဖြည့်ဆည်းရန် တူညီသောအပလီကေးရှင်းတွင် ရိုးရာအမြင်အာရုံကိရိယာများနှင့် deep learning ကို ပေါင်းစပ်နိုင်စေပါသည်။
အချက် ၄: စက်မှုလုပ်ငန်းသုံး AIoT ဟာ့ဒ်ဝဲ ပိုမိုကောင်းမွန်လာခြင်း
AI ချစ်ပ်များသည် အလျင်အမြန် တိုးတက်ပြောင်းလဲလာနေပါသည်။
Embedded hardware AI ချစ်ပ်များသည် အလျင်အမြန် ကြီးထွားလာနေပြီး AI မော်ဒယ်များ ဖွံ့ဖြိုးတိုးတက်ရေးနှင့် ဖြန့်ကျက်မှုကို ပံ့ပိုးရန် ရွေးချယ်စရာအမျိုးမျိုး ရရှိနိုင်ပါသည်။ ဥပမာများတွင် NVIDIA ၏ နောက်ဆုံးပေါ် ဂရပ်ဖစ်ပရိုဆက်ဆာယူနစ်များ (Gpus)၊ A30 နှင့် A10 တို့ ပါဝင်ပြီး ၎င်းတို့ကို ၂၀၂၁ ခုနှစ် မတ်လတွင် မိတ်ဆက်ခဲ့ပြီး အကြံပြုချက်စနစ်များနှင့် ကွန်ပျူတာအမြင်စနစ်များကဲ့သို့သော AI အသုံးပြုမှုကိစ္စရပ်များအတွက် သင့်လျော်ပါသည်။ နောက်ထပ်ဥပမာတစ်ခုမှာ Google ၏ စတုတ္ထမျိုးဆက် Tensors Processing Units (TPus) ဖြစ်ပြီး ၎င်းတို့သည် သီးခြား AI workloads (ဥပမာ၊ အရာဝတ္ထုရှာဖွေခြင်း၊ ရုပ်ပုံခွဲခြားခြင်းနှင့် အကြံပြုချက် benchmarks) အတွက် မော်ဒယ်ဖွံ့ဖြိုးတိုးတက်ရေးနှင့် ဖြန့်ကျက်မှုတွင် ၁၀၀၀ ဆအထိ ပိုမိုထိရောက်မှုနှင့် အမြန်နှုန်းကို ရရှိနိုင်သော အစွမ်းထက်သော အထူးရည်ရွယ်ချက်ပေါင်းစပ်ဆားကစ်များ (ASics) ဖြစ်သည်။ သီးသန့် AI ဟာ့ဒ်ဝဲကို အသုံးပြုခြင်းသည် မော်ဒယ်တွက်ချက်မှုအချိန်ကို ရက်များမှ မိနစ်အနည်းငယ်အထိ လျှော့ချပေးပြီး ကိစ္စများစွာတွင် ဂိမ်းပြောင်းလဲမှုတစ်ခုဖြစ်ကြောင်း သက်သေပြခဲ့သည်။
အစွမ်းထက်သော AI ဟာ့ဒ်ဝဲကို တစ်ကြိမ်အသုံးပြုလျှင် ငွေပေးချေသည့် မော်ဒယ်မှတစ်ဆင့် ချက်ချင်းရရှိနိုင်ပါသည်။
Superscale လုပ်ငန်းများသည် ၎င်းတို့၏ဆာဗာများကို cloud တွင် computing resource များရရှိနိုင်စေရန် အဆက်မပြတ် အဆင့်မြှင့်တင်နေကြပြီး end user များသည် industrial AI application များကို အကောင်အထည်ဖော်နိုင်မည်ဖြစ်သည်။ ဥပမာအားဖြင့် ၂၀၂၁ ခုနှစ် နိုဝင်ဘာလတွင် AWS သည် ကွန်ပျူတာအမြင်နှင့် အကြံပြုချက်အင်ဂျင်များအပါအဝင် ML application အမျိုးမျိုးအတွက် NVIDIA A10G Tensor Core GPU မှ စွမ်းအားပေးသည့် ၎င်း၏ နောက်ဆုံးပေါ် GPU-based instance များဖြစ်သည့် Amazon EC2 G5 ကို တရားဝင်ထုတ်ပြန်ကြေညာခဲ့သည်။ ဥပမာအားဖြင့်၊ ထောက်လှမ်းစနစ်ပံ့ပိုးပေးသူ Nanotronics သည် microchips နှင့် nanotubes များထုတ်လုပ်ရာတွင် ပိုမိုတိကျသော ထောက်လှမ်းမှုနှုန်းများရရှိရန်နှင့် processing ကြိုးပမ်းမှုများကို အရှိန်မြှင့်တင်ရန် ၎င်း၏ AI-based quality control solution ၏ Amazon EC2 ဥပမာများကို အသုံးပြုသည်။
နိဂုံးချုပ်နှင့် အလားအလာ
AI ဟာ စက်ရုံကနေ ထွက်ပေါ်လာနေပြီး AI-based PdM လိုမျိုး application အသစ်တွေမှာရော၊ ရှိပြီးသား software နဲ့ use case တွေကို မြှင့်တင်မှုတွေအနေနဲ့ပါ နေရာတိုင်းမှာ ရှိနေမှာပါ။ ကြီးမားတဲ့ Enterprise တွေဟာ AI use case အများအပြားကို စတင်အသုံးပြုနေပြီး အောင်မြင်မှုတွေ ရရှိနေတယ်လို့ သတင်းပို့နေကြပြီး project အများစုဟာ ရင်းနှီးမြှုပ်နှံမှုအပေါ် အကျိုးအမြတ် မြင့်မားကြပါတယ်။ အားလုံးကို ခြုံငုံကြည့်ရင် cloud၊ iot platform တွေနဲ့ အစွမ်းထက်တဲ့ AI chip တွေရဲ့ တိုးတက်မှုက software နဲ့ optimization မျိုးဆက်သစ်အတွက် platform တစ်ခုကို ပံ့ပိုးပေးပါတယ်။
ပို့စ်တင်ချိန်: ၂၀၂၂ ခုနှစ်၊ ဇန်နဝါရီလ ၁၂ ရက်