希捷科技推出智能制造参考架构，改善供应链管理并提升产品质量

近期，希捷科技联手英伟达（NVIDIA）及慧与（Hewlett Packard Enterprise）等合作伙伴共同打造了一个人工智能平台，旨在帮助企业提高生产效率，保障产品质量。

希捷科技的智能制造参考架构起源于工厂车间。在希捷工厂，智能制造的应用加强了硬盘生产过程中对晶片图像质量的控制能力。希捷科技采用此项技术提高工作效率及产品质量。在希捷科技位于泰国工厂的项目中，工程师预计通过应用智能制造，将洁净室投资降低20%，制造产出时间缩短10%，获得投资回报率高达300%。

专注工厂

实现智能制造的首要因素是人类思维——我们通过人类思维看待并理解这个世界。正是人类思维使得各种智能应用成为可能。

人类的大脑天生具备自主模型检测的能力，并根据观察结果主动采取措施。我们可以把它看作是某种自我编程。神经网络是大脑自带的技能，可识别模式，自主学习并预防风险、危害和异常。一直以来，它都是程序员、工程师和数据科学家的灵感来源。几十年来，他们一直致力于将神经网络导入到算法中。

1959年，斯坦福大学电气工程师Bernard Widrow和Marcian Hoff首次成功创造了神经网络并将其应用在过滤器中以帮助消除电话线中的回音。该系统目前仍在商用。但由于神经网络领域的实际应用情况与预期不符，该领域面临重重难关。尽管如此，随着时间的推移，数学以及计算的发展不断推动其进步。

另一个重大突破发生在2012年，多伦多大学的计算机科学家Geoffrey Hinton、Ilya Sutskever和Alex Krizhevsky赢得了ImageNet大型视觉识别挑战赛。他们提交的项目是AlexNet深度卷积神经网络架构，现今仍在使用中，并以10.8％的优势击败现有模型。该项目使用深度学习和图形处理单元来设计图像评估软件。ImageNet包含来自数千个不同类别的数百万张图片，如狗、猫、汽车等。

希捷智能制造平台项目负责任人，数据科学技术专家布鲁斯ž金回忆道：“这是一个分水岭，几十年来，人们一直梦想着这样的突破。而这一突破就是希捷现今的数据科学、IT及工厂工程团队能在我们的工厂车间部署人工智能的原因。”

多伦多大学的科学家们成功地应用了人工智能神经网络，并将其称之为深度学习。而罗伯特Dž霍夫在《麻省理工学院技术评论》中写道：“深度学习在试图模仿大脑皮层中神经元层的活动，而人类80％的思维形成均来自大脑皮层。”

布鲁斯ž金表示：“深度学习是希捷雅典娜项目的核心，该项目最初旨在提升希捷制造的质量，随之我们将其发展为希捷边缘RX参考架构。正是这种实时边缘计算集群，使得希捷能在工厂车间部署机器学习功能。”

有章可循的方法与深度学习

精密制造是一个复杂且艰苦的迭代过程。希捷在工厂生产其产品，作为生产的一部分，平均每天可产生约1000万张图像。磁头是采用与半导体晶片制造类似的工艺生产的。晶片被切割成微小的读写记录头，然后再组装成驱动器。

布鲁斯ž金表示：“生产晶片需要几个月的时间，包括大约1000个单独的步骤。且其中许多步骤都与质量检验相关，其中包括各种形式的图像获取。当图片显示产品质量发生变化时，工程师必须及时抓住那个点。”

与其他传统的、基于规则的工具相比，最先进的深度学习软件可以更准确地检测这些图像中的问题。

新工具有什么不同？布鲁斯ž金表示：“算法本身即可从数据中学习‘什么是规则’以及‘何时违反了规则’。工程师无需对其进行编程。”这是否意味着工程师是多余的？并非如此。新的深度学习工具并不能取代工程师。相反，它们将工程师解放出来去研究更高层次的解决方案。

希捷边缘RX参考架构的建立得益于希捷的IT基础设施知识、存储业务专长、与慧与（HPE）的合作伙伴关系、对英伟达（NVIDIA）深度学习的持续研究以及Kubernetes和Docker的集群管理工具。

除神经网络，图形处理单元（GPU）的兴起也引领了智能制造时代的到来。由英伟达（NVIDIA）构建的图形处理单元（GPU）是进行智能计算的理想工具，因为它能以比中央处理单元（CPU）快几百倍地速度进行深度的数学学习。Insight64的负责人NathanBrookwood说道：“图形处理单元（GPU）不同于PC微处理器，它可以快速地反复获取大量数据并执行相同的操作。”