前言 歐盟委員會提出,全球製造業正從工業 4.0 邁向工業 5.0¹,想在未來世界中勝出,光是提升營運效率與生產力還不夠,必須進一步強化在永續營運、以人為本跟韌性企業的表現,極大化智慧製造成效。 根據歐盟委員會指出,Industry 5.0 強調的是永續營運、以人為本跟營運韌性,具體實踐方式有四:首先是透過數據分析跟人工智慧等數位科技優化營運流程、掌握供應鏈動態以提升營運韌性;其次是以循環經濟方式加速轉型以優化資源使用、落實永續經營;再來為導入以人為本的數位科技,以及...
技術部落格
集結國內外精選文章,掌握最新雲端技術新知與應用
Loading...
據說典型的智能工廠每週會生成大約 5PB 的資料,這相當於 500 萬 GB,或者大約 20,000 部智能手機。 在一個設施中管理如此大量的資料,這已經是一個挑戰,更不用說一個全球性組織了。先進製造廠商的其中一個偉大夢想,是能夠在工廠車間以近乎實時的方式進行管理,以推動洞察力、改進,特別是安全。而對許多人來說,歸功於邊緣計算所帶來的可能性,這逐漸成為現實。 邊緣計算使計算、連接和資料本身,都更接近資訊產生的地方,實現更好的資料控制、更快的洞察力和行動力。硬體和軟體在...
現今,製造業正在數位轉型之路上前行,投資於雲端與人工智能等新技術,以增強競爭力並持續成長。根據 McKinsey 的數據,約略三分之二的製造業已經使用雲端解決方案。然而,分析師表示,將數位轉型專案從POC(概念驗證)擴大至生產的實際工作對於其中大多數人來說仍然是一個挑戰。 我們認為,可擴展性的挑戰圍繞在兩個因素——缺少情境操作的資料,以及缺乏在工廠中應用複雜數據科學和人工智慧工具的技術。 為確保製造業能將數位化轉型擴大至生產,Google Cloud 宣布全新製造業解決方案,專為滿足製造業的需求...
在2016年,我們推出了 Amazon EC2 X1 instances,專門為雲端上的大型應用和記憶體應用所設計的,而 X1 執行實例在每 GiB 記憶體的價格已經屬於最低的。 X1 執行實例是高性能運算(HPC)應用和執行記憶體資料庫(如SAP HANA)和大數據處理引擎(如 Apache Spark 或 Presto)的理想選項。 在往後的一年,我們推出了記憶體高達 4TiB 的 X1e 實例,在執行 SAP HANA 和其他記憶體密集型的記憶體應用。這些執行實例經過 SAP...
預測性維護 (Predictive maintenance) 有助於企業延長設備年限能否延長,藉由讓生產系統更加可靠,來減少設備的停機時間。在本系列文的前 2 篇文章中(第一部分和第二部分在此,歡迎讀者閱讀),我們確定了企業可能會想部署預測系統的原因,並說明了一般匯入預測系統的感應器和資料類型。在本系列文的第三篇也是最後一篇的文章中,我們將會解釋我們如何從 Google Cloud Platform (GCP) 各項產品中,建立一個完整的預測性維護參考解決方案,包括Cloud IoT Core、...
維護產品、設備和程式的安全性,是企業的必要需求。研究人員(或駭客!)每天都會發現新的安全漏洞。或許,有些公司認為他們的規模並不足以成為駭客的目標,但事實上,若是在分散式阻斷服務攻擊 (DDoS) 的情況下,駭客會隨機占用主機(數量越多越好)來達到特定目標。資安不能是事後諸葛,對於任何有雲端連接設備的公司來說,最好的方法就是加強身份識別、安全加密及存取控管。但在物聯網世界中,這個過程並不像聽起來那樣簡單。 接下來我們會介紹 Acme 的故事,這是一家假想的公司,它們正計劃推出新一代的雲端連接設備。...
我們經常從企業客戶端聽到,他們需要導入像 AI 這樣的新技術來提高生產效率。事實證明,AI 的確能有效幫助製造業客戶實踐自動化的目視品管流程。 這些客戶告訴我們,他們希望使用 AI 解決方案來幫助他們提高品質控管和檢查的效率,進而提高整體品質。但是,有許多因素使他們難以防止瑕疵產品的發佈。此外,在製造過程中發現瑕疵的時間越晚,修復或更換所需的成本就越高。視覺檢測可以幫助製造業客戶,以較低的成本及早發現瑕疵,並以更創新的方式幫助企業革新其流程。 半導體業:用 Google AutoML Visio...
近年來,名為工業 4.0 的現象持續在製造業帶動轉變:工廠變得越來越「聰明」。因此,工廠在獲得技術工具的情況下,努力提高生產率、營運效率與安全性。許多工廠都將新舊機器結合在一起,而使工廠更聰明的第一步,就是啟用「預測性維護(PdM)」。 「預測性維護」著重識別傳感器和產量資料中的固定模式,這些模式代表設備狀態的變化,通常是特定設備的磨損。借助預測性維護功能,公司可以確定資產的剩餘價值,並準確確定製造工廠、機器、元件或零件何時可能發生故障、需要更換。 本系列文章共 3 篇,在第一篇文章中,我們將解...
在系列文的第一篇中,我們為大家科普了預測性維護 (predictive maintenance) ;預測性維護會識別感應器和產量資料中的特定模式,這些模式會顯示設備狀況的變化(特定的穿戴式裝備)。借助預測性維護功能,公司可以確定資產的剩餘量,並準確預測機器、組件或零件何時可能發生故障需要更換。 在我們的系列文的第二篇,我們將解釋一些資料探索技術,對機器學習的類別進行比較,並以範例來探討執行「預測性維護」時的一些公式和指標。 一、資料探索 資料探索 (data exploration) 階段的目標...
文章分類
近期文章
AWS 生成式 AI 服務概覽:從 Amazon Bedrock 到 Amazon Q
2024/08/30
生成式 AI 電商應用實例:如何利用 Gemini 防止交易轉向外部平台
2024/08/07
企業上雲如何避免業務中斷?iKala Cloud 建議採「多雲佈局」策略
2024/07/23
標籤雲
標籤
AI
Anthos
API
Apigee
APIM
AutoML
AWS
Azure
BigQuery
Bigtable
Cloud Armor
Cloud Functions
Cloud Monitoring
Cloud Pub/Sub
Cloud Storage
Dataflow
GAE
GCE
GCP
Gemini
GKE
Google Analytics
Google Chat
Google Cloud
Google Kubernetes Engine
Google Meet
Google Workspace
G Suite
Kubernetes
Load balancing
Looker
Migration
Network Intelligence Center
Security
Stackdriver
Tensorflow
VPC
安全
機房
製造
資料倉儲
資料分析
遊戲
金融
電商