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 nécessaire pour connecter les équipements, capturer les données de production, effectuer des inférences d'IA sur des appareils de pointe et gérer des solutions d'IA sur plusieurs sites.
Il est indispensable de disposer d'un modèle d'IA prêt à être utilisé par la suite Siemens Industrial AI, afin de donner aux utilisateurs la liberté de choisir le flux de travail MLOps de leur choix ou de l'étendre pour intégrer des modèles d'IA à l'atelier.
Le SDK Siemens AI permet de regrouper vos modèles d'IA existants dans un artefact d'exécution qui peut être exécuté hors ligne sur les appareils de l'atelier, avec la définition d'interfaces d'échange de données avec d'autres systèmes depuis des environnements cloud ou locaux. L'AI Asset Manager fait office de centre opérationnel pour la distribution, le déploiement et la surveillance des modèles. Le serveur d'inférence AI exécute les modèles localement sur l'appareil Edge, à proximité de la machine.
Connectez des équipements d'atelier indépendants des fournisseurs à Industrial Edge via des connecteurs préconfigurés.
Exécutez des applications industrielles et d'intelligence artificielle sur Industrial Edge, indépendamment des cas d'utilisation, qu'il s'agisse de vision, de séries chronologiques ou d'inférence de données par lots.
AI Asset Manager fonctionne sur un appareil (virtuel) Industrial Edge et fait office de guichet unique pour toutes les activités liées à l'IA. Gestion, distribution et exploitation de solutions d'IA.
Développez, validez et regroupez des modèles d'IA à l'aide du SDK Siemens AI dans des environnements cloud ou sur site.
Pour la plupart des fabricants, l'obstacle à la mise à l'échelle de l'IA n'est pas la qualité des modèles, mais l'infrastructure requise 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 le fossé entre les environnements de science des données et les systèmes d'automatisation n'est pas naturel dans la plupart des organisations.
La suite AI élimine cet obstacle en fournissant une infrastructure complète à plusieurs niveaux spécialement conçue pour les opérations d'IA industrielle. Les appareils Industrial Edge se connectent aux équipements de n'importe quel fournisseur et exécutent des inférences d'IA localement, sans avoir besoin de connexion au cloud pour prendre des décisions en temps réel. L'AI Asset Manager fournit un point de contrôle unique pour le déploiement, la gestion des versions et la surveillance des modèles sur de nombreux appareils. Le SDK Siemens AI permet aux data scientists de regrouper et de valider des modèles dans l'environnement de leur choix (AWS, Azure ou sur site) et de les intégrer dans des artefacts que l'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 d'IA déployée, basé sur des normes ouvertes et utilisable par des ingénieurs en automatisation sans expertise approfondie en matière de MLOps.
Les appareils Industrial Edge se trouvent directement dans l'atelier et se connectent à des automates programmables, à des variateurs, à des robots, à des caméras et à tout autre équipement d'automatisation à l'aide de connecteurs préconfigurés pour PROFINET, S7, OPC UA, Ethernet/IP, Modbus TCP, etc. Comme la bibliothèque de connecteurs couvre les équipements de tous les fournisseurs, l'architecture s'adapte également aux environnements désaffectés sans nécessiter de remplacement matériel.
Un ensemble d'applications locales s'exécute sur l'appareil Edge, à côté des connecteurs :
étuis
Databus, basé sur MQTT, connecte ces applications entre elles sur l'appareil et fournit la base de publication et d'abonnement qui permet de transmettre les résultats d'inférence, les mesures des capteurs et les événements jusqu'au niveau d'usine. Les données de vision entre le connecteur de vision et le serveur d'inférence sont transmises via ZMQ pour gérer des charges utiles à haute fréquence plus importantes.
L'AI Asset Manager fonctionne sur un appareil Industrial Edge virtuel au niveau de l'usine et fait office de guichet unique pour toutes les activités liées à l'IA dans l'atelier. Il se situe entre l'environnement de développement situé en haut et les appareils périphériques situés en dessous, coordonnant le cycle de vie opérationnel complet des solutions d'IA.
Le travail de l'AI Asset Manager consiste à recevoir des modèles d'IA packagés depuis l'environnement de développement, à les déployer sur les instances appropriées du serveur d'inférence d'IA de la flotte et à collecter des indicateurs sur les performances des modèles et l'activité d'inférence. Il gère la gestion des versions des solutions d'IA, surveille l'état du déploiement au niveau des appareils et fournit l'interface opérationnelle via laquelle les équipes d'automatisation gèrent l'IA sans avoir à interagir avec les chaînes d'outils de développement.
Utilisez l'AI Asset Manager pour :
L'AI Asset Manager n'est pas un outil de développement. Il ne forme pas de modèles, ne valide pas les ensembles de données et ne gère pas l'infrastructure de développement. Ces responsabilités concernent le flux de travail MLOps dans le cloud ou dans l'environnement de développement sur site. Le SDK AI intègre le modèle d'IA et fournit des artefacts prêts à déployer à la couche d'architecture au niveau de l'usine, où le champ d'action de l'AI Asset Manager commence [AN1] et se termine lorsque les indicateurs opérationnels sont répercutés sur le cycle de développement.
Industrial Edge Management (Virtual, Pro ou Cloud) gère l'ensemble de la couche de gestion des appareils : déploiement des applications, mise à jour du firmware et de la configuration, surveillance de l'état des appareils et gestion de l'Industrial Edge Hub en tant que référentiel mondial d'applications. Il fonctionne aux côtés de l'AI Asset Manager au lieu de le remplacer. Edge Management gère la plateforme ; l'AI Asset Manager gère les solutions d'IA exécutées sur cette plateforme.
Le développement des modèles s'effectue dans le cloud ou sur site à l'aide du SDK Siemens AI. À ce niveau, le pipeline couvre l'ensemble du cycle de développement avant que les modèles n'arrivent en usine.
Le SDK d'IA fournit aux data scientists les outils nécessaires pour intégrer et valider leurs modèles d'IA dans l'environnement de leur choix. Il s'agit d'une bibliothèque Python qui fournit des méthodes permettant de définir des interfaces de données pour les modèles d'IA avec d'autres systèmes (automatisation, par exemple), de définir les exigences d'exécution et de regrouper le modèle d'IA ainsi que 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 extraits par l'AI Asset Manager et distribués à la flotte. Les modèles mis à jour formés à partir de nouvelles données de production suivent le même chemin, bouclant ainsi la boucle du développement au déploiement.
Un déploiement réaliste utilise les trois niveaux en combinaison, car ils traitent des problèmes distincts. Envisagez le déploiement d'une inspection visuelle de la qualité sur une chaîne de montage électronique :
adaptée aux systèmes de gestion de la qualité ou aux tableaux de bord des opérateurs
Sans le serveur d'inférence AI, l'inférence nécessite une connectivité au cloud et introduit une latence incompatible avec l'inspection de la vitesse de la ligne, mis à part les coûts liés à chaque transaction de données. Sans AI Asset Manager, le déploiement d'un modèle actualisé sur cinquante stations réparties 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 de production réelles et la qualité des modèles se dégrade au fil du temps. Le SDK AI permet de reconstituer la diffusion répétable en normalisant l'artefact livré, indépendamment du 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 friches industrielles sans remplacement de matériel ni dépendance à un fournisseur unique.
Le SDK AI s'adapte aux flux de travail de la data science ; l'AI Asset Manager gère le déploiement en atelier. Les ingénieurs déploient sans expertise en matière de MLOps ; les data scientists créent une infrastructure d'automatisation sans apprentissage.
L'inférence locale sur l'appareil périphérique élimine les allers-retours sur le cloud pour les décisions sensibles à la latence. La détection des défauts, le signalement des anomalies et la surveillance des paramètres se font sur la machine.
Le Vision Data Collector et l'Industrial Information Hub collectent des données provenant de conditions de production réelles, de manière structurée de manière cohérente. Les mannequins s'entraînent en fonction de la réalité de l'atelier, et non de 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 réorganisation
• Serveur d'inférence IA pour l'exécution de modèles sur l'appareil pour les cas d'utilisation de la vision, des séries chronologiques et de l'inférence par lots
• Vision Data Collector pour la capture d'images et de métadonnées à partir de caméras et de systèmes de vision
• AI Asset Manager : distribution des modèles, coordination du déploiement, gestion des versions, mesures d'inférence et surveillance opérationnelle de l'ensemble de la flotte
• Serveur FTP (S) : transfert des images et des métadonnées entre le niveau Edge et le niveau informatique
• SDK Siemens AI pour l'empaquetage, la validation et la livraison des modèles (AWS, Azure, sur site)
• Zone d'atterrissage des données pour une ingestion structurée des données de production
• Maquettes d'artefacts emballées à distribuer via AI Asset Manager