公开了一种用于自动更新在第一工厂生产线的数据上操作的人工智能模型的方法、设备、系统和制品，该设备包括智能触发器电路系统，用于触发自动模型更新过程；自动模型搜索电路系统，用于响应于模型更新，而生成多个候选人工智能模型；以及智能模型部署电路系统，用于输出人工智能模型组合的预测以随着时间提高预测性能。预测性能。预测性能。
【技术实现步骤摘要】
用于自动更新自主工厂的人工智能模型的方法和装置
相关申请
[0001]本专利要求2021年4月30日提交的美国临时专利申请第 63/182,585号的权益，该临时申请在此通过引用整体结合于此。此处要求对美国专利申请第63/182,585号的优先权。
[0002]本公开总体上涉及机器学习，并且更具体地涉及用于自动更新自主工厂的人工智能模型的方法和装置。
技术介绍
[0003]数据收集和数据分析技术继续快速发展。例如，通过使用装配线制造产品的工厂可能在整个制造过程中收集数据。在一些示例中，第一部件在第一装配(例如，生产)线上生产，而与第一部件相同的第二部件可以在与第一装配线相同的第二装配线上生产。近年来，机器学习算法已被用于对此类数据进行建模。
附图说明
[0004]图1示出了用于边缘计算的边缘云配置的概览。
[0005]图2示出了端点、边缘云和云计算环境之间的操作层。
[0006]图3示出了用于边缘计算系统中的联网和服务的示例方法。
[0007]图4是模型更新控制器电路系统操作以自动更新自主工厂的人工智能模型的示例环境的框图。
[0008]图5是图4的模型更新控制器电路系统的示例实现方式的框图。
[0009]图6是表示可由示例处理器电路系统执行以实现图5的模型更新控制器电路系统的示例机器可读指令的流程图。
[0010]图7是表示可由示例处理器电路系统执行以实现图5的模型更新控制器电路系统的示例机器可读指令的流程图。
[0011]图8是由图4的模型更新控制器电路系统操作的环境执行的过程的流程图。
[0012]图9是由图5的模型更新控制器电路系统的部署电路系统生成的数据表的图示。
[0013]图10A提供用于边缘计算系统中的计算节点处所部署的计算的示例组件的概览。
[0014]图10B提供边缘计算系统中的计算设备内的示例组件的进一步的概览。
[0015]图11是包括被构造用于执行图6和图7的示例机器可读指令以实现图5的模型更新控制器电路系统的处理器电路系统的示例处理平台的框图。
[0016]图12是图11的处理器电路系统的示例实现方式的框图。
[0017]图13是图11的处理器电路系统的另一个示例实现方式的框图。
[0018]图14是示例软件分发平台(例如，一个或多个服务器)的框图，该示例软件分发平台用于将软件(例如，与图6
‑
图7的示例机器可读指令相对应的软件)分发给与终端用户和/
或消费者(例如，用于许可、销售和/或使用)、零售商(例如，用于销售、转售、许可和/或分许可)、和/或原始装备制造商 (OEM)(例如，包括在要分发给例如零售商和/或诸如直接购买客户之类的其他终端用户的产品中)相关联的客户端设备。
[0019]这些图并未按比例绘制。替代地，层或区域的厚度可在附图中被放大。如本文所用，除非另有指示，否则连接参考(例如，附接、耦合、连接和接合)可包括连接参考所参考的元件之间的中间构件和/或这些元件之间的相对运动。由此，连接参考不必推断两个元件直接地连接和/或彼此处于固定的关系。如本文中所使用，记载任何部件与另一部件“接触”被定义成意指在这两个部件之间没有中间部件。
[0020]除非另有特别说明，否则诸如“第一”、“第二”、第三”等的描述符在本文中使用而不以任何方式强加或以其他方式指示优先级、物理顺序、列表中的排列和/或排序的任何含义，但仅用作标签和/或任意名称来区分元素以便于理解所公开的示例。在一些示例中，描述符“第一”可以用于指代具体实施方式中的要素，而在权利要求中可以使用诸如“第二”或“第三”之类的不同描述符来指代同一要素。在此类情况下，应当理解，此类描述符仅用于清楚地标识那些可能例如以其他方式共享相同名称的要素。如本文中所使用，“近似”和“大约”是指由于制造公差和/或其他现实世界缺陷而可能并不精确的尺寸。如本文中所使用，“基本上实时的”是指，认识到针对计算时间、传输等可能存在现实世界延迟，以接近瞬时的方式发生。由此，除非另外指定，否则“基本上实时的”是指实时+/
‑
1秒。如本文所使用，短语“进行通信”(包括其变体)包含直接通信和/或通过一个或多个中间组件的间接通信，并且不需要直接的物理(例如，有线)通信和/或持续通信，而是附加地包括以周期性间隔、预定间隔、非周期性间隔、和/或一次性事件来进行的选择性通信。如本文所用，“处理器电路系统”定义为包括(i)一个或多个特殊用途电路，其构造成用于执行(多个)特定操作并包括一个或多个基于半导体的逻辑器件(例如，由一个或多个晶体管实现的电硬件)，和/或(ii)一个或多个基于半导体的通用电路，用指令编程以执行特定操作并且包括一个或多个基于半导体的逻辑器件(例如，由一个或多个晶体管实现的电硬件)。处理器电路系统的示例包括可编程微处理器、可实例化指令的现场可编程门阵列(FPGA)、中央处理器单元(CPU)、图形处理器单元(GPU)、数字信号处理器(DSP)、XPU或微控制器以及诸如专用集成电路(ASIC)之类的集成电路。例如，XPU可以由异构计算系统实现，该异构计算系统包括多种类型的处理器电路系统(例如，一个或多个FPGA、一个或多个CPU、一个或多个GPU、一个或多个DSP等，和/或其组合)和可将 (多个)计算任务分配给多个类型的处理电路系统中最适合执行(多个)计算任务的一个(多个)处理电路系统的(多个)应用编程接口(API)。
[0021]如本文所使用的，数据是可由处理器电路系统摄取、处理、解释和 /或以其他方式操纵以产生结果、以任何形式的信息。产生的结果本身可是数据。
[0022]如本文所用，“阈值”被表达为数据(诸如以任何形式表示的数值)，其可由处理器电路系统用作比较操作的参考。
[0023]如本文所用，模型是指令和/或数据集，可由处理器电路系统摄取、处理、解释和/或以其他方式操纵以产生结果。通常，模型使用输入数据进行操作，以根据模型中反映的一个或多个关系产生输出数据。该模型可能基于训练数据。在一些示例中，模型是用于人工智能和/或决策逻辑的数字和关系的结构。
[0024]如本文所用，配置是用于标识和定义机器如何设置的数据安排。
[0025]如本文所用，分数可以是数值或无量纲数字，诸如百分比。
具体实施方式
[0026]包括机器学习(ML)、深度学习(DL)和/或其他人工机器驱动逻辑的人工智能(AI)使机器(例如计算机、逻辑电路等)能够使用模型来处理输入数据以便基于模型先前经由训练过程学习的模式和/或关联来生成输出。例如，可以利用数据来训练模型以识别模式和/或关联，并且在处理输入数据时遵循这样的模式和/或关联，使得(多个)其他输入导致与所识别的模式和/或关联一致的(多个)输出。
[0027]存在许多不同类型的AI模型和/或AI架构。通常，适合在本文公开的示例方法中使用的AI模型/架构将是人工神经网络模型(例如，卷积神经网络、循环神经网络等本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于自动更新在第一工厂生产线的数据上操作的人工智能模型的方法，所述方法包括：触发自动模型更新过程；响应于模型更新，而生成多个候选人工智能模型；以及输出人工智能模型组合的预测以随着时间提高预测性能。2.如权利要求1所述的方法，其特征在于，所述方法进一步包括基于以下各项中的至少一项来触发所述模型更新：度量基线、来自在所述第一工厂生产线的所述数据上操作的第一人工智能模型的输出、元数据，以及来自第二人工智能模型的输出，其中所述第二人工智能模型在第二工厂生产线的数据上操作。3.如权利要求2所述的方法，其特征在于，所述元数据包括环境传感器读数、设备配置和过程配置中的至少一个。4.如权利要求1
‑
3中任一项所述的方法，进一步包括第一人工智能模型在所述第一工厂生产线的所述数据上操作；响应于经触发的自动模型更新过程，生成多个候选人工智能模型或从经训练的人工智能模型的储存库中选择多个候选人工智能模型。5.如权利要求4所述的方法，其特征在于，所述多个候选人工智能模型中的第一候选人工智能模型实现在所述第一工厂生产线的所述数据上操作的所述第一人工智能模型的模型架构，进一步包括基于新收集的数据来更新的模型参数。6.如权利要求4所述的方法，其特征在于，所述多个候选人工智能模型中的第二候选人工智能模型实现在所述第一工厂生产线的所述数据上操作的所述第一人工智能模型的类似模型架构，进一步包括超参数更新。7.如权利要求4所述的方法，其特征在于，所述多个候选人工智能模型中的第三候选人工智能模型实现一种模型架构，所述模型架构不基于在所述第一工厂生产线的所述数据上操作的所述第一人工智能模型的模型架构。8.如权利要求4所述的方法，进一步包括基于相似性分数和性能分数来从经训练的人工智能模型的储存库中选择第一候选人工智能模型。9.如权利要求4所述的方法，进一步包括并行运行所述多个候选人工智能模型，并且基于所述多个候选人工智能模型的输出从所述多个候选人工智能模型中移除离群候选人工智能模型。10.一种用于自动更新在第一工厂生产线的数据上操作的人工智能模型的设备，所述设备包括：用于触发自动模型更新过程的装置；用于响应于模型更新而生成多个候选人工智能模型的装置；以及用于输出人工智能模型组合的预测以随着时间提高预测性能的装置。11.如权利要求10所述的设备，其特征在于，所述设备进一步包括用于基于以下各项中的至少一项来触发所述模型更新的装置：度量基线、来自在所述第一工厂生产线的所述数据上操作的第一人工智能模型的输出、元数据，以及来自第二人工智能模型的输出，其中所述第二人工智能模型在第二工厂生产线的数据上操作。12.如权利要求11所述的设备，其特征在于，所述元数据包括环境传感器读数、设备配置和过程配置中的至少一个。
13.如权利要求10
‑
12中任一项所述的设备，进一步包括在所述第一工厂生产线上操作的第一人工智能模型，其中用于响应于用于触发所述自动模型更新过程的装置触发所述自动模型更新过程，进一步包括用于生成...
【专利技术属性】
技术研发人员：侯旻旻，R，
申请(专利权)人：英特尔公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。