近期，希捷科技合力英伟达（NVIDIA）及慧与（Hewlett Packard Enterprise）等合作伙伴联合打造出了一个人工智能平台，目的协助企业提升生产效率，确保产品质量。希捷科技的智能生产参照架构源于工厂车间。在希捷工厂，智能生产的应用于强化了硬盘生产过程中对晶片图像质量的控制能力。

希捷科技使用此项技术提升工作效率及产品质量。在希捷科技坐落于泰国工厂的项目中，工程师预计通过应用于智能生产，将洁净室投资减少20%，生产生产量时间延长10%，取得投资回报率高达300%。

专心工厂构建智能生产的首要因素是人类思维——我们通过人类思维看来并解读这个世界。正是人类思维使得各种智能应用于沦为有可能。

人类的大脑天生不具备自律模型检测的能力，并根据仔细观察结果主动采取措施。我们可以把它看做是某种自我编程。神经网络是大脑自带的技能，可识别模式，自律自学并防治风险、危害和出现异常。仍然以来，它都是程序员、工程师和数据科学家的启发来源。

几十年来，他们仍然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首次顺利建构了神经网络并将其应用于在过滤器中以协助避免电话线中的回音。该系统目前仍在商用。

但由于神经网络领域的实际应用于情况与预期相符，该领域面对重重难关。尽管如此，随着时间的流逝，数学以及计算出来的发展大大推展其变革。另一个重大突破再次发生在2012年，多伦多大学的计算机科学家Geoffrey Hinton、Ilya Sutskever和Alex Krizhevsky夺得了ImageNet大型视觉辨识挑战赛。他们递交的项目是AlexNet深度卷积神经网络架构，现今仍在用于中，并以10.8％的优势打败现有模型。

该项目用于深度自学和图形处理单元来设计图像评估软件。ImageNet包括来自数千个有所不同类别的数百万张图片，如狗、猫、汽车等。希捷智能生产平台项目负责任人，数据科学技术专家布鲁斯·金回想道：“这是一个分水岭，几十年来，人们仍然梦想着这样的突破。

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顺利地应用于了人工智能神经网络，并将其称作深度自学。

而罗伯特D·霍夫在《麻省理工学院技术评论》中写到：“深度自学在企图仿效大脑皮层中神经元层的活动，而人类80％的思维构成皆来自大脑皮层。”布鲁斯·金回应：“深度自学是希捷雅典娜项目的核心，该项目最初目的提高希捷生产的质量，随之我们将其发展为希捷边缘RX参照架构。

正是这种动态边缘计算出来集群，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自学仪器生产是一个简单且艰难的递归过程。希捷在工厂生产其产品，作为生产的一部分，平均值每天可产生大约1000万张图像。

磁头是使用与半导体晶片生产类似于的工艺生产的。晶片被切割成微小的读取记录头，然后再行装配成驱动器。布鲁斯·金回应：“生产晶片必须几个月的时间，还包括约1000个分开的步骤。

且其中许多步骤都与质量检验涉及，其中还包括各种形式的图像提供。当图片表明产品质量发生变化时，工程师必需及时逃跑那个点。”与其他传统的、基于规则的工具比起，最先进设备的深度自学软件可以更加精确地检测这些图像中的问题。

新的工具有什么有所不同？布鲁斯·金回应：“算法本身才可从数据中自学‘什么是规则’以及‘何时违背了规则’。工程师需要对其展开编程。”这否意味著工程师是多余的？ 并非如此。

新的深度自学工具并无法代替工程师。忽略，它们将工程师解放出来去研究更加高层次的解决方案。希捷边缘RX参照架构的创建归功于希捷的IT基础设施科学知识、存储业务专长、与慧与（HPE）的合作伙伴关系、对英伟达（NVIDIA）深度自学的持续研究以及Kubernetes和Docker的集群管理工具。

除神经网络，图形处理单元（GPU）的蓬勃发展也引导了智能生产时代的来临。由英伟达（NVIDIA）建构的图形处理单元（GPU）是展开智能计算出来的理想工具，因为它能以比中央处理单元（CPU）慢几百倍地速度展开深度的数学自学。

Insight64的负责人NathanBrookwood说：“图形处理单元（GPU）不同于PC微处理器，它可以较慢地重复提供大量数据并继续执行完全相同的操作者。”虽然希捷的深度自学是针对数据存储行业的生产流程而实行的，但一般来说情况下，其也限于于其他类型的流程，特别是在是具备以下特征的流程：生产半导体、电子、汽车零件、机器零件等工具的大批量、高精度、分布式的生产工艺用于低成本资本设备的高价值生产产品生产大量无法用传统方法分析图像的横向行业安全性、智慧城市和自动驾驶汽车中的出现异常检测具备多个阶段的高度简单的生产流程能搜集设备、流程并检验数据的自动化生产流程由质量掌控和检验驱动的生产流程冗长的生产流程多站点全球制造业希捷Lyve 数据实验室共享希捷边缘RX参照架构，期望该参照架构需要灵感其他业内人士，并部署在更加普遍的业务范围中。希捷新兴横向领域资深总监Rags Srinivasan说：“希捷坚信，整个行业和生态系统可以相互糅合、取长补短、合作共赢。因此，希捷十分不愿与有类似于市场需求的企业共享边缘参照架构。

本文来源：Kaiyun·yunkai(中国)官方网站-www.matianchi.com