参与李泽南

联想展示数据智能战略布局,全新工业AI平台即将上线

在最近的一次媒体活动中,联想透露即将在 3 月推出全新工业互联网平台 iLeapCloud。

联想的工业互联网平台 LeapIOT 是这家公司面向智能制造、帮助企业进行数字化转型的重要工具。最近一段时间里,联想对 LeapIOT 旗下的产品进行了很多更新。

联想集团副总裁、数据智能业务集团产品及生态业务总经理田日辉、联想集团技术院士于辰涛也在活动中向我们分享了对于数据智能发展的思考与战略布局、物联网产品线的最新信息、以及在推动行业和企业智能化转型方面取得的进展和突破。

为了给合作伙伴带来更多帮助,联想宣布了即将推出工业互联网平台 iLeapCloud 的消息。iLeapCloud 旨在提供基于公有云的在线服务。将带来多种解决方案,提供业务市场。联想会集合内部多个部门,多个合作伙伴,共同在这一平台上共享信息。

「LeapIOT 产品已经实现了全部自主可控,已经获得了 12 件软件著作权,150 项专利,发表了 200 余篇专业论文。」田日辉表示。「前面几年联想主要是自己开发产品,通过自己的队伍实现端到端的价值。在 2020 年里,联想将试图构建产品和生态的新模式:通过赋能合作伙伴、提供技术支持等方式来提供端到端的价值,并扩展自己的业务。」

联想希望把工业智能领域里最关键的硬件和软件集成起来,形成效率更高的解决方案。在新平台上,联想将为开发者提供支持教程,包括视频,开发文档,在线技术支持人员。整个平台将会为合作伙伴提供全面的产品,全场景云化在线服务。

「国内的很多公司并不适用中台模式,联想的很多上游合作伙伴,包括一些 PC 大厂、手机生产大厂,他们只关心效率。讲智能化生产的还不多。其产业转型局限于自动化,而不是智能化。」于辰涛表示。「目前,国内大量行业存在产能过剩,新一代用户又带来了完全不同的需求。对于工厂来说,希望提供增值服务,如在线运维,随时观察产品使用情况,这为智能化提出了需求。」

在联想看来,今天很多传统企业把自动化和智能化混为一谈。在流程上使用新技术来实现产能优化,需要在机械上增加数据采集传感器,并使用智能化算法进行实时决策,其中应用到的 AI 不仅是深度学习,还包括更多工业界常用的机器学习方法。

联想认为,传统工业的智能化存在着三大挑战:

  • 难以实施处理产线设备及终端的数据,实现实时响应;
  • 信息化基础差,无法实现 IT/OT 数据的有效整合;
  • 难以利用人工智能技术发现数据的潜在价值,实现决策过程的智能化;

此外,在工业领域的部分问题上,数据可能不足以训练 AI,我们还经常会需要可解释的模型。对于开发者来说,工业智能化项目开发需要的技能多种多样,现场实施环境复杂,对于科技公司的开发者来说也存在着难以调试的问题。

联想通过构建 LeapIOT 平台,希望能够打通现场生产设备,跨越系统和设备让智能化生产获得全面的数据接入能力。

目前,LeapIOT 已经实现了完全自主可控的技术,可云化部署、本地化部署,全面支持国产操作系统和硬件平台,其中也包括基于 arm 架构的硬件。

在实践上,联想打通了现场生产设备的数据接入能力,其边缘计算产品即插即用,实现了广泛稳定的现场接入,物理设备和设备孪生模型已经可以在微信小程序、移动端和 pc 端上观察数据。

通过新技术,智能化生产任务的研发过程是一体化完成的,以衡阳钢铁厂钢管生产过程缺陷检测为例:AI 开发研究者在整个过程中没有去到现场,任务就完成了。

「我们的平台在物联网的的场景中有广泛的适用性,我们和其他平台不一样的地方在于我们是以开发者为中心。我们希望为开发者降低门槛。」于辰涛说道。

今年 1 月,联想集团董事长兼 CEO 杨元庆日前盘点了 35 周岁联想的成绩单,他表示,2019 年,是联想战略转型效果明显的一年,智能化转型业务成长迅速,智能物联网、智能基础架构、行业智能、软件和服务业务都在增长。

在 2020 年,联想将在工业物联网方面持续发力,即将推出的新产品,看起来值得我们的期待。

产业AI联想
相关数据
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

边缘计算技术

边缘运算(英语:Edge computing),又译为边缘计算,是一种分散式运算的架构,将应用程序、数据资料与服务的运算,由网络中心节点,移往网络逻辑上的边缘节点来处理。边缘运算将原本完全由中心节点处理大型服务加以分解,切割成更小与更容易管理的部分,分散到边缘节点去处理。边缘节点更接近于用户终端装置,可以加快资料的处理与传送速度,减少延迟。在这种架构下,资料的分析与知识的产生,更接近于数据资料的来源,因此更适合处理大数据。

暂无评论
暂无评论~