Công cụ cho phép máy học trực tiếp trên thiết bị, không cần sử dụng đám mây

edgeML cho phép triển khai học máy ngay tại nơi dữ liệu được tạo ra.

Phần mềm này cũng có sẵn dưới dạng một container Docker, cho phép nó sử dụng trên bất kỳ bộ điều khiển công nghiệp nào hỗ trợ chạy các container này. Tính năng không phụ thuộc vào nhà sản xuất này cho phép thực thi các mô hình học máy đa dạng. Thiết kế không cần mã hóa (no-code) giúp triển khai các mô hình ML trên bộ điều khiển mà không yêu cầu kiến thức về Python hoặc khoa học dữ liệu.

Theo Weidmüller, việc triển khai học máy trực tiếp trên hệ thống mang lại nhiều lợi ích, bao gồm thu thập, lưu trữ và xử lý dữ liệu tại chỗ. Không giống như các hệ thống ML dựa trên đám mây, máy móc hoặc bộ điều khiển không cần phải chuyển dữ liệu lên đám mây, đảm bảo dữ liệu nhạy cảm không rời khỏi công ty.

Bất kỳ sai lệch nào trong quy trình sản xuất đều được phát hiện ngay tại máy. Điều này đẩy nhanh việc khắc phục sự cố, ngăn ngừa thời gian ngừng hoạt động kéo dài và giảm thiểu sản phẩm lỗi, Weidmüller cho biết. Đồng thời, edgeML giúp giảm chi phí bằng cách loại bỏ nhu cầu sử dụng các bản quyền đám mây cũng như các khoản phí liên quan đến truyền tải và lưu trữ dữ liệu.

Các dây chuyền sản xuất với máy móc và hệ thống không thể kết nối Internet vì lý do bảo mật cũng có thể hưởng lợi từ khả năng học máy cục bộ.

Quá trình tạo mô hình học máy tại biên bắt đầu bằng việc thu thập dữ liệu, sau đó dữ liệu được nhập vào phần mềm ModelBuilder, nơi người dùng có thể tạo các mô hình ML dựa trên dữ liệu đó. Các mô hình này sau đó được chuyển sang edgeML.

Do edgeML hỗ trợ định dạng tiêu chuẩn ONNX, người dùng có thể tạo mô hình bằng các công cụ khác ngoài ModelBuilder – ví dụ như Python. Điều này cho phép họ triển khai ML trong một môi trường quen thuộc. edgeML cũng cho phép tái sử dụng các mô hình ONNX hiện có.

Nếu một mô hình không còn hoạt động như kì vọng, nó có thể được thay thế dễ dàng mà không cần điều chỉnh bất kỳ thiết lập giao tiếp nào. Theo cách này, edgeML giúp việc quản lý vòng đời của các mô hình học máy (MLOps) trở nên thuận tiện hơn.

Để giảm thiểu thời gian và tài nguyên khi tạo các giải pháp ML, Weidmüller dự định cho phép hiệu chỉnh các mô hình đã tạo trong tương lai. Chức năng này đã có sẵn trong ModelRuntime. Một mô hình tiêu chuẩn dành cho một dòng máy cụ thể có thể trở thành mẫu khuôn để mở rộng sang các máy khác cùng loại. Mô hình áp dụng tiếp tục học từ các máy này để thích nghi với hệ thống, cho phép các mô hình ML được mở rộng và tái sử dụng khi cần.

Trong giai đoạn phát triển tiếp theo, Weidmüller lên kế hoạch cải thiện hơn nữa khả năng tiếp cận của edgeML. Một trình kết nối sẽ vượt qua giới hạn của các bus trường (fieldbus) và giao thức, làm cho edgeML có thể sử dụng trên bất kỳ hệ thống nào.

Bảo Khánh (Theo Drives&Controls)