設備端的學習歷程
01
安裝
引擎放在數據產生的地方：機器、結構、鏡頭，或其他廠商的設備裏。它從零開始。
02
學習
設備根據這一數據源自身的數據，在運行中逐步建立正常狀態的基準。
03
發現變化
當數據偏離已學到的正常狀態，系統便會提示您的團隊。
04
由您決定
檢修或按計劃調整運作狀況前，由操作員暫停學習，避免設備將這些變化當作新的正常狀態。神經調製層就是這道學習閘門：系統發出訊號，由操作員決定何時暫停和恢復學習。
技術
讓學習在裝置端發生。
大部分機器學習系統會先在其他地方完成訓練，再以固定模型交付使用。RailMind 則在設備上整合兩個部分：在運作中持續學習的引擎，以及控制何時可以學習的神經調製層。
各類數據流
- 機器
- 結構
- 鏡頭
- 機器人與其他設備
神經調製層
學習的閘門。系統發出訊號，由操作員決定何時暫停及恢復學習。
學習引擎
在設備上學習監測對象的正常狀態
已學到的內容
儲存在設備上，並向您的團隊顯示狀態變化。
示意：同一台設備上的兩個部分；左側輸入僅為舉例。
受控可塑性
會學習的設備，需要知道什麼時候該學。
引擎透過持續學習，掌握各個數據來源的正常狀態。但並非每次變化都適合納入學習。
示意動畫。
神經調製層
神經調製層是學習的閘門，控制何時學習。系統發出訊號，由操作員決定何時暫停和恢復學習，類似大腦中調節學習的神經調質。
- 模型越用越懂這台設備，而不會把故障當成新常態。
- 學習只在操作員明確決定時停止和恢復，每一次改動都有人負責。
- 配合監管機構對可自行更新系統的政策方向。
同為神經形態系統，學習方式也各有不同。
| RailMind | 固定警報閾值 | 雲端模型 | 常見邊緣 AI預先訓練 | |
|---|---|---|---|---|
| 學習每台設備自身的正常狀態 | 是 | 否 | 部分 | 否 |
| 安裝後繼續學習 | 是 | 否 | 部分 | 否 |
| 數據無需離開現場 | 是 | 是 | 否 | 是 |
| 無需經標註的故障數據 | 是 | 是 | 部分 | 部分 |
| 由您的團隊決定何時暫停學習 | 是 | 不適用 | 否 | 不適用 |
「部分」：雲端模型通常集中訓練、分批更新，而非在裝置端學習；部分邊緣 AI 只用正常數據訓練。
有何不同
在設備上學習
設備利用監測對象的數據，在裝置端建立模型。
無需訓練數據
不需要標註故障樣本，也不需要先花時間採集數據。
持續學習，由您掌控
設備老化、負載變化時，它都會隨之適應；何時暫停、何時恢復學習，由您的團隊決定。
為小型硬件而生
從一開始就面向低功耗微控制器設計，而不是由數據中心模型壓縮而來。
引擎運行在哪裏
現在
嵌入式網關
在現場已有的運算設備上運作，無需額外硬件。
現在
微控制器
直接裝在監測對象上的小型設備裏。
下一步
晶片化
引擎作為元件，進入其他廠商的感應器和設備。
如何接入現場
四個部分：裝在監測對象上的感應器、學習其正常狀態的節點、匯集現場數據的 Edge Hub，以及您現有的監控平台。
示範影片即將推出。
模型在哪裏
就在設備上，直接部署在監測對象旁。您可以選擇將監測數據發送至自己的系統，但學習過程本身不依賴網絡連接。
誰來掌控
您的團隊。學習何時暫停、何時恢復，由您決定。
ENGINE
洽談引擎授權 正在開發自有硬件？
授權使用引擎，把學習能力裝進您自己的產品。