Cette architecture décrit comment développer, déployer et exploiter des modèles d'IA en usine à l'aide de Siemens Industrial Edge. AI Suite fournit l'infrastructure pour connecter des équipements, capturer des données de production, exécuter l'inférence IA sur des appareils de périphérie et gérer des solutions d'IA sur plusieurs sites.
C'est une condition préalable pour avoir un modèle d'IA prêt à utiliser la Siemens Industrial AI Suite, donnant aux utilisateurs la liberté de choisir un flux de travail mLOPS de leur choix ou de l'étendre pour apporter des modèles d'IA à l'atelier.
Le SDK Siemens AI gère l'empaquetage de vos modèles d'IA existants dans un artefact d'exécution qui peut être exécuté hors ligne sur des appareils d'atelier, avec définition des interfaces d'échange de données avec d'autres systèmes à partir d'environnements cloud ou sur site. Le gestionnaire d'actifs AI agit en tant que centre opérationnel pour la distribution, le déploiement et la surveillance des modèles. Le serveur d'inférence AI exécute les modèles localement sur le périphérique périphérique, à proximité de la machine.
Connectez les équipements d'atelier indépendants des fournisseurs à Industrial Edge via des connecteurs préconfigurés.
Exécutez des applications d'IA et industrielles sur Industrial Edge, sans cas d'utilisation - vision, séries chronologiques ou inférence de données par lots.
AI Asset Manager fonctionnant sur un appareil Industrial Edge (virtuel), agissant comme guichet unique pour toutes les activités liées à l'IA. Gestion, distribution et opérations de solutions d'IA.
Développez, validez et emballer des modèles d'IA avec le SDK Siemens AI dans des environnements cloud ou sur place.
Pour la plupart des fabricants, l'obstacle à la mise à l'échelle de l'IA n'est pas la qualité des modèles, c'est l'infrastructure nécessaire pour que ces modèles fonctionnent sur des équipements de production et qu'ils fonctionnent de manière fiable sur de nombreux sites. Chaque machine, ligne ou usine présente de nouveaux défis d'intégration, et l'écart entre les environnements de science des données et les systèmes d'automatisation n'a pas de pont naturel dans la plupart des organisations.
La suite AI élimine cet obstacle en fournissant une infrastructure complète et en couches spécialement conçue pour les opérations d'IA industrielle. Les appareils Industrial Edge se connectent aux équipements de n'importe quel fournisseur et exécutent l'inférence IA localement, sans nécessiter de connectivité cloud pour les décisions en temps réel. L'AI Asset Manager fournit un point de contrôle unique pour le déploiement des modèles, la gestion des versions et la surveillance sur n'importe quel nombre d'appareils. Le SDK Siemens AI permet aux data scientists d'emballer et de valider les modèles dans l'environnement de leur choix — AWS, Azure ou sur site — et de les emballer dans des artefacts que AI Asset Manager peut distribuer à la flotte.
Le résultat est un chemin reproductible et évolutif allant des données de production brutes à l'inférence IA déployée, construit sur des normes ouvertes et utilisable par des ingénieurs en automatisation sans expertise approfondie des mLOP.
Les appareils Industrial Edge se trouvent directement dans l'atelier et se connectent aux automate, aux variateurs, aux robots, aux caméras et à tout autre équipement d'automatisation à l'aide de connecteurs préconfigurés pour PROFINET, S7, OPC UA, Ethernet/IP, Modbus TCP et autres. Parce que la bibliothèque de connecteurs couvre l'équipement de n'importe quel fournisseur, l'architecture s'adapte également aux environnements de friches industrielles sans nécessiter de remplacement matériel.
Un ensemble d'applications locales s'exécute sur le périphérique périphérique à côté des connecteurs :
cas
Databus, basé sur MQTT, connecte ces applications les unes aux autres sur l'appareil et fournit l'épine dorsale publie-abonnement pour transmettre les résultats d'inférence, les lectures de capteurs et les événements jusqu'au niveau de l'usine. Les données de vision entre le connecteur de vision et le serveur d'inférence sont transmises à l'aide de ZMQ pour gérer des charges utiles à haute fréquence plus grandes.
Le gestionnaire d'actifs AI fonctionne sur un appareil Industrial Edge virtuel au niveau de l'usine et agit comme guichet unique pour toutes les activités liées à l'IA dans l'atelier. Il se situe entre l'environnement de développement ci-dessus et les périphériques périphériques ci-dessous, coordonnant le cycle de vie opérationnel complet des solutions d'IA.
Le travail du gestionnaire d'actifs AI consiste à recevoir des modèles d'IA emballés de l'environnement de développement, à les déployer sur les instances appropriées du serveur d'inférence IA à travers la flotte, et à collecter des métriques sur les performances des modèles et l'activité d'inférence. Il gère le versionnage des solutions d'IA, surveille l'état du déploiement au niveau de l'appareil et fournit l'interface opérationnelle à travers laquelle les équipes d'automatisation gèrent l'IA sans avoir besoin d'interagir avec les chaînes d'outils de développement.
Utilisez le gestionnaire d'actifs AI pour :
L'IA Asset Manager n'est pas un outil de développement. Il ne forme pas les modèles, ne valide pas les ensembles de données, ni ne gère l'infrastructure de développement. Ces responsabilités appartiennent au flux de travail mLOP dans le cloud ou l'environnement de développement sur place. Le SDK AI regroupe le modèle d'IA et fournit des artefacts prêts à déployer à la couche d'architecture au niveau de l'usine, où la portée de AI Asset Manager commence [AN1] et se termine lorsque les métriques opérationnelles sont réintroduites dans le cycle de développement.
Industrial Edge Management (Virtual, Pro ou Cloud) gère la couche plus large de gestion des appareils : déploiement d'applications, mise à jour du micrologiciel et de la configuration, surveillance de la santé des appareils et gestion de l'Industrial Edge Hub en tant que référentiel mondial d'applications. Il fonctionne aux côtés de AI Asset Manager plutôt que de le remplacer — Edge Management gère la plateforme ; le gestionnaire d'actifs AI gère les solutions d'IA fonctionnant sur cette plateforme.
Le développement de modèles a lieu dans des environnements cloud ou sur site à l'aide du SDK Siemens AI. Le pipeline à ce niveau couvre le cycle de vie complet du développement avant que les modèles n'atteignent l'usine.
Le SDK IA fournit aux scientifiques des données les outils nécessaires pour emballer et valider leurs modèles d'IA dans un environnement de leur choix. C'est une bibliothèque python qui fournit des méthodes pour définir des interfaces de données pour les modèles d'IA avec d'autres systèmes (automatisation, par exemple), définir les exigences d'exécution et empaqueter le modèle d'IA avec la logique métier dans un artefact qui peut être exécuté complètement hors ligne dans l'atelier.
Utilisez le SDK AI pour :
Une fois emballés, les modèles sont tirés par le gestionnaire d'actifs AI et distribués à la flotte. Les modèles mis à jour entraînés sur les nouvelles données de production suivent le même chemin, fermant la boucle du développement au déploiement.
Un déploiement réaliste utilise les trois niveaux en combinaison parce qu'ils gèrent des problèmes distincts. Envisagez un déploiement d'inspection visuelle de la qualité sur une chaîne d'assemblage électronique :
convient aux systèmes de gestion de la qualité ou aux tableaux de bord des opérateurs
Sans le serveur d'inférence IA, l'inférence nécessite une connectivité cloud et introduit une latence incompatible avec l'inspection de la vitesse de ligne, en dehors des coûts encourus pour chaque transaction de données. Sans AI AI Asset Manager, déployer un modèle mis à jour sur cinquante stations sur trois sites représenterait cinquante opérations manuelles. Sans le collecteur de données de vision et un pipeline de données structuré, les données de training ne reflètent pas les conditions réelles de production et la qualité du modèle se dégrade avec le temps. Le SDK AI permet de reconstituer la livraison reproductible en normalisant l'artefact livré, agnostique au type de modèle d'IA déployé.
Industrial Edge se connecte à l'équipement de n'importe quel fournisseur d'automatisation via des protocoles standard. Fonctionne dans des environnements de friches industrielles sans remplacement de matériel ni verrouillage d'un seul fournisseur.
Le SDK IA s'adapte aux flux de travail de science des données ; l'IA Asset Manager gère le déploiement en atelier. Les ingénieurs déploient sans expertise MLOP ; les scientifiques des données construisent sans infrastructure d'automatisation de l'apprentissage.
L'exécution de l'inférence localement sur l'appareil périphérique élimine les allers-retours dans le cloud pour les décisions sensibles à la latence. La détection de défauts, le signalement des anomalies et la surveillance des paramètres se produisent sur la machine.
Vision Data Collector et Industrial Information Hub capturent des données provenant de conditions de production réelles, structurées de manière cohérente. Les modèles s'entraînent sur la réalité de l'atelier, pas sur des données synthétiques ou de laboratoire.
La même architecture gère un poste d'inspection ou des centaines de sites. La gestion centralisée via AI Asset Manager et Industrial Edge Management fait de la mise à l'échelle une question de configuration, et non de réingénierie
• Serveur d'inférence AI pour l'exécution de modèles sur l'appareil dans les cas d'utilisation de la vision, des séries chronologiques et de l'inférence par lots
• Collecteur de données de vision pour la capture d'images et de métadonnées à partir de caméras d'atelier et de systèmes de vision
• AI Asset Manager : distribution des modèles, coordination du déploiement, gestion des versions, métriques d'inférence et surveillance opérationnelle sur l'ensemble de la flotte
• (S) Serveur FTP : mise en scène d'images et de métadonnées entre le niveau Edge et le niveau informatique
• Siemens AI SDK pour l'emballage, la validation et la livraison des modèles (AWS, Azure, sur site)
• Zone d'atterrissage des données pour l'ingestion structurée des données de production
• Artefacts de modèles emballés pour distribution via AI Asset Manager