DeepSeek-R1 Комбиниране на AI и Edge Computing за индустриален IoT

Въведение

Дестилираните модели на Deepseek-R1 са прецизирани, като се използват данни от верига от обмислени, генерирани от DeepSeek-R1, маркирани с...Етикети, наследяване на възможностите за разсъждение на R1. Тези фино настроени набори от данни изрично включват процеси на разсъждение, като разлагане на проблеми и междинни удръжки. Обучението за подсилване е приведело моделите на поведение на дестилилия модел с етапите на разсъждение, генерирани от R1. Този механизъм за дестилация позволява на малките модели да поддържат изчислителната ефективност, като същевременно получават сложни способности за разсъждение в близост до тези на по-големите модели, което е със значителна стойност на приложението при ограничени от ресурсите сценарии. Например, 14B версията постига 92% от завършването на кода на оригиналния модел DeepSeek-R1. Тази статия представя дестилирания модел DeepSeek-R1 и нейните основни приложения в индустриалните крайни изчисления, обобщени в следващите четири посоки, заедно със специфични случаи на изпълнение:

DC3C637C5BEAD8B62ED51B6D83AC0B4

Предсказваща поддръжка на оборудване

Техническо изпълнение

Сензорно синтез:

Интегрирайте данните за вибрации, температура и ток от PLC чрез протокола MODBUS (скорост на вземане на проби 1 kHz).

Извличане на функции:

Изпълнете Edge Impulse на Jetson Orin NX, за да извлечете 128-измерени функции на времеви серии.

Извод за модел:

Разгърнете модела DeepSeek-R1-Distill-14B, като въвеждате вектори на функции за генериране на стойности на вероятността за неизправности.

Динамична настройка:

Задействайте поръчките за поддръжка на поддръжка, когато увереността> 85%, и инициирайте процес на вторична проверка, когато <60%.

Съответния случай

Schneider Electric внедри това решение на минните машини, намалявайки фалшивите положителни проценти с 63% и разходите за поддръжка с 41%.

1

Изпълнение на DeepSeek R1 Дестилиран модел на Inhand AI Edge компютри

Подобрена визуална проверка

Изходна архитектура

Типичен тръбопровод за внедряване:

камера = gige_vision_camera (500fps) # Gigabit Industrial Camera
frame = camera.capture () # Изображение на заснемане
preprocessed = opencv.denoise (кадър) # Обозначаване на предварителната обработка
defect_type = deepseek_r1_7b.infer (предварително обработен) # Класификация на дефекти
Ако defect_type! = 'нормално':
Plc.trigger_reject () # механизъм за сортиране на спусъка

Показатели за изпълнение

Забавяне на обработката:

82 ms (Jetson AGX ORIN)

Точност:

Откриването на дефекти с инжекционно формоване достига 98,7%.

2

Последици на Deepseek R1: Победители и губещи във веригата на генеративна стойност на AI

Оптимизация на потока на процеса

Ключови технологии

Взаимодействие с естествен език:

Операторите описват аномалиите на оборудването чрез глас (напр. „Колебане на налягане на екструдера ± 0,3 MPa“).

Мултимодални разсъждения:

Моделът генерира предложения за оптимизация въз основа на исторически данни на оборудването (напр. Регулиране на скоростта на винта с 2,5%).

Цифрова проверка на близнаците:

Валидиране на симулация на параметри на платформата Edgex Foundry.

Ефект на изпълнение

Химическата инсталация на BASF прие тази схема, постигнала 17% намаление на потреблението на енергия и 9% увеличение на процента на качество на продукта.

3

Edge AI и Бъдещето на бизнеса: Openai O1 срещу Deepseek R1 за здравеопазване, автомобилни и iiot

Незабавно извличане на базата от знания

Архитектурен дизайн

Локална векторна база данни:

Използвайте ChromADB за съхраняване на наръчници за оборудване и спецификации на процеса (вграждане на размер 768).

Хибридно извличане:

Комбинирайте BM25 алгоритъм + косинусно сходство за заявка.

Генериране на резултати:

Моделът R1-7B обобщава и усъвършенства резултатите от извличането.

Типичен случай

Инженерите на Siemens разрешиха инверторните провали чрез естествени езикови заявки, намалявайки средното време за обработка с 58%.

Предизвикателства и решения за внедряване

Ограничения на паметта:

Използва се KV кеш технология за квантоване, намалявайки използването на паметта на 14B модела от 32 GB до 9GB.

Осигуряване на изпълнение в реално време:

Стабилизирана латентност на единични изводи до ± 15 ms чрез оптимизация на графиката на CUDA.

Дрифт на модела:

Седмични инкрементални актуализации (предаване на само 2% от параметрите).

Екстремни среди:

Проектиран за широки температурни диапазони от -40 ° C до 85 ° C с ниво на защита IP67.

5
微信图片 _20240614024031.jpg1

Заключение

Настоящите разходи за внедряване вече са намалели до 599 долара/възел (Jetson Orin NX), като мащабируемите приложения се образуват в сектори като 3C производство, автомобилна монтажа и енергийна химия. Очаква се непрекъснатата оптимизация на технологията за архитектура и квантоване на MOE да даде възможност на модела 70B да работи на крайни устройства до края на 2025 г.

Намерете ELV кабелен разтвор

Контролни кабели

За BMS, автобус, индустриален, инструментален кабел.

Структурирана система за окабеляване

Мрежа и данни, оптичен кабел, кръпка, модули, лицева плоча

2024 Преглед на изложби и събития

Април 16-ти-18-ти, 2024 г. Енергия на Близкия Изток в Дубай

Април 16-ти-18-ти, 2024 г. Securika в Москва

May.9th, 2024 Ново събитие за стартиране на продукти и технологии в Шанхай

22-ри-25 октомври, 2024 г. Сигурност Китай в Пекин

19-20 ноември, 2024 г. Свързан World KSA


Време за публикация: 07-2025 февруари