Ներածություն

DeepSeek-R1-ի փոքր չափի թորած մոդելները ճշգրտվում են DeepSeek-R1-ի կողմից ստեղծված մտքի շղթայի տվյալների միջոցով, որոնք նշված են...պիտակներ, որոնք ժառանգում են R1-ի դատողականության հնարավորությունները: Այս նուրբ կարգավորված տվյալների հավաքածուները հստակորեն ներառում են դատողականության գործընթացներ, ինչպիսիք են խնդրի վերլուծությունը և միջանկյալ դեդուկտիվները: Ուժեղացված ուսուցումը համապատասխանեցրել է թորած մոդելի վարքագծի օրինաչափությունները R1-ի կողմից ստեղծված դատողականության քայլերին: Այս թորած մեխանիզմը թույլ է տալիս փոքր մոդելներին պահպանել հաշվողական արդյունավետությունը՝ միաժամանակ ստանալով բարդ դատողականության կարողություններ, որոնք մոտ են ավելի մեծ մոդելներին, ինչը զգալի կիրառական արժեք ունի ռեսուրսների սահմանափակմամբ սցենարներում: Օրինակ, 14B տարբերակը հասնում է DeepSeek-R1 մոդելի կոդի ավարտունության 92%-ին: Այս հոդվածը ներկայացնում է DeepSeek-R1 թորած մոդելը և դրա հիմնական կիրառությունները արդյունաբերական եզրային հաշվարկներում, որոնք ամփոփված են հետևյալ չորս ուղղություններով, ինչպես նաև կոնկրետ իրականացման դեպքերով.

Սարքավորումների կանխատեսողական սպասարկում

Տեխնիկական իրականացում

Սենսորային միաձուլում.

Ինտեգրեք PLC-ներից ստացված տատանումների, ջերմաստիճանի և հոսանքի տվյալները Modbus արձանագրության միջոցով (նմուշառման հաճախականություն 1 կՀց):

Հատկանիշների արդյունահանում.

Գործարկեք Edge Impulse-ը Jetson Orin NX-ի վրա՝ 128 չափանի ժամանակային շարքերի հատկանիշներ արդյունահանելու համար։

Մոդելի եզրակացություն.

Տեղակայեք DeepSeek-R1-Distill-14B մոդելը՝ մուտքագրելով առանձնահատկային վեկտորներ՝ սխալի հավանականության արժեքներ ստանալու համար։

Դինամիկ կարգավորում՝

Գործարկեք սպասարկման աշխատանքների պատվերները, երբ վստահությունը > 85% է, և սկսեք երկրորդային ստուգման գործընթաց, երբ վստահությունը < 60% է։

Համապատասխան դեպք

Schneider Electric-ը այս լուծումը կիրառել է հանքարդյունաբերական մեքենաների վրա՝ 63%-ով նվազեցնելով կեղծ դրական պատասխանների մակարդակը և 41%-ով՝ սպասարկման ծախսերը։

DeepSeek R1 Distilled մոդելի գործարկումը InHand AI Edge համակարգիչների վրա

Բարելավված տեսողական ստուգում

Արդյունքի ճարտարապետություն

Տիպիկ տեղակայման հոսքագիծ.

տեսախցիկ = GigE_Vision_Camera(500fps) # Գիգաբիթ արդյունաբերական տեսախցիկ
frame = camera.capture() # Նկարի ձայնագրում
նախնական մշակված = OpenCV.denoise(frame) # Աղմուկը հանելու նախնական մշակում
defect_type = DeepSeek_R1_7B.infer(նախապես մշակված) # Թերության դասակարգում
եթե defekt_type != 'նորմալ':
PLC.trigger_reject() # Տրիգերի տեսակավորման մեխանիզմ

Արդյունավետության չափանիշներ

Մշակման ուշացում՝

82 մվ (Jetson AGX Orin)

Ճշգրտություն՝

Ներարկման ձուլման դեպքում արատների հայտնաբերումը հասնում է 98.7%-ի։

DeepSeek R1-ի հետևանքները. հաղթողներ և պարտվողներ գեներատիվ արհեստական բանականության արժեքային շղթայում

Գործընթացների հոսքի օպտիմալացում

Հիմնական տեխնոլոգիաներ

Բնական լեզվի փոխազդեցություն.

Օպերատորները ձայնի միջոցով նկարագրում են սարքավորումների անոմալիաները (օրինակ՝ «Էքստրուդերի ճնշման տատանում ±0.3 ՄՊա»):

Բազմամոդալ դատողություն.

Մոդելը ստեղծում է օպտիմալացման առաջարկներ՝ հիմնվելով սարքավորումների պատմական տվյալների վրա (օրինակ՝ պտուտակի պտտման արագության 2.5%-ով կարգավորում):

Թվային երկվորյակների ստուգում.

Պարամետրերի սիմուլյացիայի վավերացում EdgeX Foundry հարթակում։

Իրականացման էֆեկտ

BASF-ի քիմիական գործարանը կիրառեց այս սխեման՝ հասնելով էներգիայի սպառման 17%-ով կրճատման և արտադրանքի որակի 9%-ով բարձրացման։

Edge AI-ը և բիզնեսի ապագան. OpenAI o1 vs. DeepSeek R1 առողջապահության, ավտոմոբիլային և IIoT-ի համար

Գիտելիքների բազայի անհապաղ վերականգնում

Ճարտարապետական դիզայն

Տեղական վեկտորային տվյալների բազա։

Օգտագործեք ChromaDB-ն սարքավորումների ձեռնարկները և գործընթացի սպեցիֆիկացիաները պահելու համար (ներդրման չափս 768):

Հիբրիդային վերականգնում.

Հարցման համար համատեղեք BM25 ալգորիթմը + կոսինուսային նմանությունը։

Արդյունքների ստեղծում.

R1-7B մոդելը ամփոփում և կատարելագործում է որոնման արդյունքները։

Տիպիկ դեպք

Siemens-ի ինժեներները ինվերտորների խափանումները լուծել են բնական լեզվով հարցումների միջոցով՝ կրճատելով մշակման միջին ժամանակը 58%-ով։

Տեղակայման մարտահրավերներ և լուծումներ

Հիշողության սահմանափակումներ.

Օգտագործվել է KV Cache քվանտացման տեխնոլոգիան, որը 14B մոդելի հիշողության օգտագործումը կրճատել է 32 ԳԲ-ից մինչև 9 ԳԲ։

Իրական ժամանակի աշխատանքի ապահովում.

CUDA գրաֆիկի օպտիմալացման միջոցով միակ եզրակացության լատենտությունը կայունացվել է մինչև ±15 մվրկ։

Մոդելի շեղումը՝

Շաբաթական աստիճանական թարմացումներ (փոխանցում է պարամետրերի միայն 2%-ը):

Ծայրահեղ միջավայրեր.

Նախատեսված է -40°C-ից մինչև 85°C լայն ջերմաստիճանային միջակայքի համար՝ IP67 պաշտպանության մակարդակով։

Եզրակացություն

Տեղակայման ներկայիս ծախսերը այժմ նվազել են մինչև $599/հանգույց (Jetson Orin NX), ընդ որում՝ մասշտաբային կիրառություններ են ձևավորվում այնպիսի ոլորտներում, ինչպիսիք են 3C արտադրությունը, ավտոմոբիլային հավաքումը և էներգետիկ քիմիան: Էներգետիկայի նախարարության ճարտարապետության և քվանտացման տեխնոլոգիայի շարունակական օպտիմալացումը, կանխատեսվում է, որ 70B մոդելը կաշխատի եզրային սարքերի վրա մինչև 2025 թվականի վերջը:

Գտեք ELV մալուխային լուծում

Կառավարման մալուխներ

BMS, BUS, արդյունաբերական, գործիքային մալուխի համար։

Սեղմեք այստեղ

Կառուցվածքային մալուխային համակարգ

Ցանց և տվյալներ, օպտիկամանրաթելային մալուխ, միացման լար, մոդուլներ, դիմային վահանակ