3S Market 祝所有朋友 Merry Christmas
3S Market deliver Smart and Valuable information for Business
3S Market 傳遞 智慧應用與價值的商業資訊
Best Merry Christmas Songs 2018 |
車聯網與智慧車載
| ||
2017年12月22日 星期五
．2017\12\22\3S Market Daily 智慧產業新聞
3S Market deliver Smart and Valuable information for Business
．想擁有 2018 年起的智慧應用市場商機， 這篇報導一定要看 ！
Cloud Computing Services Models -
IaaS PaaS SaaS Explained
 |
| Nx Witness v3.0 - 雲端影像平台解決方案 — |
【3S Market】這篇報導具體且完整，描述了2020年這個世界將因行動通信、物聯網相關技術、定位技術應用、大數據分析、雲端系統作業、可視化應用、AI智慧辨識應用的連結與整合，做了一個很清晰的詮釋與運作輪廓。
事實上，關於所有相關智慧場域的應用，包括工業4.0的核心精髓。這篇報導提供了未來的發展，很明確的商機指南與路徑。
原文標題：2022年，亞太區近 50% 製造商將設立智慧工廠
事實上，關於所有相關智慧場域的應用，包括工業4.0的核心精髓。這篇報導提供了未來的發展，很明確的商機指南與路徑。
原文標題：2022年，亞太區近 50% 製造商將設立智慧工廠
來源：公众号/大家居电商圈 作者：斑马
斑馬技術公司近日發佈了2017年亞太區製造業前瞻性研究報告，該研究著重分析了影響未來工業製造發展的新興趨勢。
研究顯示，至2022年，支持全面互聯工廠的製造商數量，將成長近三倍，這意味著預計46%的企業，將在五年之內，具備全面互聯的能力（3S Market: IaaS, 將是競爭力的起點）。
以下是報告核心內容：
轉向以品質為先的商業模式
製造商正在步入一個全新的時代，如今品質才是企業維繫，並贏得客戶的競爭性優勢。品質的提升還能節約成本——尤其對於離散型的製造工廠，出現一處錯誤，就可能影響其整個流程。
隨著技術和自動化的進步，高品質產品的輸出，較以往更易實現，其成本也更能讓人接受。受訪者有信心地表示，從2017年至2022年，技術能夠使工廠實現多維度的轉型：
Ø 提高勞動力績效和生產力：從42%提高至51%
Ø 提升供應商品質：從45%提高至65%
Ø 提高機器性能：從47%提高至53%
Ø 減少生產線停工的情況：從54%提高至67%
Ø 增強責任以及可追溯性：從60%提高至61%
Ø 減少未遵循標準操作程序的情況：從60%提高至64%
Ø 縮短辨識/解決問題的時間：從65%提高至71%
工業物聯網(IIoT)實現工廠可視化
製造商們正日益順應工業4.0，並建立智慧工廠，結合RFID、可穿戴技術、自動化系統，以及其他新興技術，實現對實體資產的追蹤與管理。
因此，如今製造商們能夠對數據，進行即時訪問，增強整個製造流程的可視性；更快地辨識故障點；獲得針對其經營相互作用的深入洞察。
因此，如今製造商們能夠對數據，進行即時訪問，增強整個製造流程的可視性；更快地辨識故障點；獲得針對其經營相互作用的深入洞察。
Ø 60%的受訪者表示增強，應對不斷變化的市場需求的能力，是其首要的業務成長策略之一。
Ø 製造商認為，阻礙採用IIoT的因素有：技術複雜性(51%)、預算(46%)、安全問題(45%)、 IT資源(41%)、投資報酬率(28%)
Ø 至2022年，亞太地區支持全面智慧工廠的製造商數量，將成長近三倍，46%的受訪者預計其企業將具備這一能力。
2017年至2022年，製造商預計：
沒有互聯的機器、傳感器和行動設備的工廠數量，將從9%下降至6%（3S Market: 所以不做好網路基礎建設，就不具競爭力）
未與系統或員工相連的數據採集情況，將從20%下降至8%
從多種來源採集，但數據孤立存在的情況，將從24%下降至9%
生產、供應鏈和員工相關的數據採集，將從46%提高至77%。在全球範圍內，亞太地區的製造商將處於領先地位，其次是拉丁美洲(64%)、北美(63%)和歐洲(53%)。
即時追蹤將確保更高的品質
為了保持競爭力，製造商們正在轉向品質為先的業務模式，在生產的各個階段，設置更多的品質檢查點，並引入自動化，因為在產品裝配後，發現問題並維修會導致成本提高，而在生產過程中，發現產品質缺陷並修復，則更具成本效益。
透過採用自動辨識技術，增加控制點的數量，製造商能夠增強可視性，並且更有效地控制產品品質，易於在問題發生時，加以辨識和修復。
Ø 如今，半數以上的製造商，採用不超過五個控制點，來追蹤生產，這表明他們主要在生產開始和結束時檢查產品。
Ø 28%的受訪者計劃在未來五年，增加生產流程中的控制點，數量至少六個。
Ø 19%的受訪者預計在未來五年，增加控制點數量，至10個以上。
對組件和產品的即時追蹤，能為企業提供生產流程，和整體供應鏈的透明度、有助於提高生產力、減少意外停機、確保流程合規性，並在生產和整個供應鏈中支持可追溯性。
Ø 只有34%的受訪者目前具備追蹤能力。在五年時間內，55%的受訪者計劃提升其追蹤能力，33%計劃採用即時追蹤技術。
Ø 2017至2022年，在整個製造流程，實現即時追蹤能力的工廠比例，將從8%提高至35%。
Ø 採用控制點與即時追蹤相結合的工廠，比例將從2017年的5%，成長至2022年的10%。
即時供貨(JUST-IN-TIMESHIPMENTS)模式將被廣泛採用
供應鏈與生產線之間的即時通信，對於即時(JIT)製造至關重要。因為需求成長的不確定性，越來越多的製造商，開始減少物料庫存，轉而依賴供應商按需供貨。
Ø 目前，30%的製造商要求供應商，提供即時(JIT)供貨通知。預計未來五年，要求即時(JIT)供貨通知服務的製造商，比例將增至40%。
Ø 與此同時，客戶也在要求製造商，開始採用即時(JIT)供貨通知的方式：
34%的受訪者表示，其客戶要求提供即時(JIT)供貨通知；至2022年，這一比例將增至44%。
至2022年，即時(JIT)供貨模式，將在以下行業廣泛採用：汽車(35%)、高科技(48%)、食品、飲料和煙草(36%)、以及製藥行業(40%)。
Ø 為了滿足需要即時(JIT)供貨通知的客戶需求，製造商開始佈署全能且高品質的製造執行系統(MES)，以追蹤並記錄從原材料到成品的整個轉變過程。
目前，38%的受訪者表示，已經在其工廠中使用了全功能MES。至2022年，這一數字預計將增至52%。
按需、雲和「軟體即服務」(SaaS)解決方案，會被廣泛佈署。54%的受訪者預計，將在2022年使用這些服務，而目前這一比例僅為39%。
工業4.0時代的必備技術
製造商已經開始認識到技術的價值；越來越多的製造商，計劃至2022年擴大技術的使用水平：
Ø 行動技術的採用，將從27%成長至72%。
Ø 定位追蹤技術(即時)，將從38%提高至61%。
Ø 可穿戴技術將從33%躍升至65%。可穿戴設備能夠提高廠房作業區域的安全性和生產力。
Ø 語音引導與辨識技術，將從45%上升至51%。語音技術在JIT製造和自動化流程中起重要作用。
Ø 隨著IIoT的興起，基於紙和筆的模式使用，將從目前的62%下降至2022年的24%；電子錶格和電腦推車的使用，也將從當前的47%，略微下降至2022年的42%。
RFID在互聯工廠中的全面採用
RFID技術能夠提高訂單準確性，並提供更強的可追溯性。除了條碼，RFID的採用也在不斷增加，以實現更加互聯的工廠。相較於貨盤，RFID標籤能夠涵蓋更多的資訊。RFID標籤可以包含工作指南、物料清單和追蹤號碼等資訊。
Ø 40%的受訪者表示，其在製造過程中正在使用RFID技術，至2022年，這一數字將成長至48%，特別是在以下環節：
商品到貨: 從56% 上升至63%；
工作流程中: 從55%上升至71%；
商品供貨: 從42%上升至67%。
Ø 如今，只有17%的製造商尚未採用RFID。 這一比例將在2022年下降至9%。
即時資產追蹤已成必需
僅在貨物進出環節追蹤產品，已無法滿足製造商需求。製造商需要即時的資產管理解決方案，在生產過程中追蹤產品的移動進程。
即時定位系統(RTLS)，讓企業能夠收集有關資產的關鍵性數據，包括位置、所處階段和狀況。即時定位系統(RTLS)軟體所採集的數據，也能夠直接從工廠發送至內外部供應商，從而使他們能夠快速對需求做出回應，這也有助於減少庫存過剩的現象。
Ø 超過55%的受訪者計劃在2022年前，佈局即時定位系統。
Ø 目前，只有8%的製造商已在其整個製造流程，實現了即時追蹤。至2022年，這一數字將上升至35%。
針對所有員工的智慧訪問
除了追蹤商品，能夠提升工廠效率的另一大機會，在於為員工佈署智慧辨識(ID)卡。很多受訪者希望透過ID卡，獲取員工所在位置的即時數據，以確保人力的妥善規劃，並迅速填補職位空缺。
2017年至2022年，ID卡的應用，將呈現成長趨勢，特別是在以下方面：
Ø 數據訪問 (從40%上升至55%)
Ø 工具使用訪問 (從41%上升至50%)
Ø 工作單元活動 (從39%上升至50%)
Ø 即時定位 (從32%上升至50%)
上述報導所提及的應用技術，已經普遍在現今的各項專案中，被大量的 POC 驗證，甚至也有很多已實際應用在許多場域。而在「智慧應用場域為本，產業鏈聯合＋解決方案呈現先行」創新展覽規劃 的這篇報導中， 3S Market 也提及，因為來自場域業主的徵詢，我們也分享了這些 POC 機會給相關的支持夥伴。
從這篇分享報導，再次印證 —— 智慧應用技術，已正在改變整個科技產業的生態！
 |
．谷歌語音辨識端到端系統，單詞錯誤率降至5.6%，較傳統模型提升16%
Behind the Mic: The Science of Talking with Computers
 |
leiphone 作者：隔壁王大喵
via pixabay
本文是由來自谷歌語音團隊的科學家 Tara N. Sainath ，和來自谷歌大腦團隊的科學家 Yonghui Wu 共同撰寫的，文中簡單介紹了最新論文《State-of-the-art Speech Recognition With Sequence-to-Sequence Models》的主要思想與取得的成果，以及 Listen-Attend-Spell(LAS) 的端到端體系結構。 AI 科技評論根據原文進行了編譯。
 |
| MIT OpenCourseWare | Electrical Engineering and Computer Science ... |
提升語音辨識的端到端模型
在谷歌各式各樣的語音搜索應用中，都是基於傳統的自動語音辨識（Automatic speech recognition, ASR）系統實現的。傳統的 ASR 系統由聲學模型（Acoustic model, AM）、發音模型（Pronunciation model, PM）和語言模型（Language model, LM）組成，所有這些系統都是分開單獨進行訓練的並且通常還針對各自不同的數據集進行了單獨的手工設計。
聲學模型採用了聲學特徵，用於預測一組子字單元（Subword units），它們通常是上下文無關或者上下文相關的音素。然後通過手動設計的詞庫（也即 PM）將由聲學模型預測產生的一系列音素映射到對應的單詞。
最終，由語言模型將概率賦予單詞序列。但是對這三個模型分開進行單獨訓練會增加訓練的複雜度，並且獨立訓練的效果不如將模型聯合訓練的效果好。
在過去的幾年裡，開發端到端（End-to-end）的系統越來越受到學者們的歡迎，而這些端到端系統試圖將這些獨立的組件作為一個單一系統進行聯合訓練。
雖然在文獻中這些端到端模型，已經展示出了頗為驚艷的結果，但是這種端到端的方法，是否可以被提升到趕上，甚至超越最先進的傳統方法，卻還仍然是一個未知數。
聲學模型採用了聲學特徵，用於預測一組子字單元（Subword units），它們通常是上下文無關或者上下文相關的音素。然後通過手動設計的詞庫（也即 PM）將由聲學模型預測產生的一系列音素映射到對應的單詞。
最終，由語言模型將概率賦予單詞序列。但是對這三個模型分開進行單獨訓練會增加訓練的複雜度，並且獨立訓練的效果不如將模型聯合訓練的效果好。
在過去的幾年裡，開發端到端（End-to-end）的系統越來越受到學者們的歡迎，而這些端到端系統試圖將這些獨立的組件作為一個單一系統進行聯合訓練。
 |
| Speech Recognition Using Language and Acoustic Model Modifications ... |
今天我們非常高興能夠與大家分享《State-of-the-art Speech Recognition With Sequence-to-Sequence Models》，它介紹了一種超越傳統生產系統性能的全新端到端模型。
論文中展示了，我們的端到端系統取得了 5.6% 的單詞錯誤率（Word error rate, WER），相比於強大的傳統系統（6.7% WER）取得了 16% 的提升。
此外，這個用於輸出初始單詞假設的端到端模型，由於沒有獨立的發音模型和語言模型，因此比傳統模型小了 18 倍。
論文中展示了，我們的端到端系統取得了 5.6% 的單詞錯誤率（Word error rate, WER），相比於強大的傳統系統（6.7% WER）取得了 16% 的提升。
此外，這個用於輸出初始單詞假設的端到端模型，由於沒有獨立的發音模型和語言模型，因此比傳統模型小了 18 倍。
我們的系統建立在 Listen-Attend-Spell(LAS) 的端到端體系結構的基礎上，該體系結構最先由提出。LAS 架構由三個組件構成。首先是聽者編碼器組件（Listener encoder component），聽者編碼器與標準的聲學模型相類似，它採用輸入語音信號 x 的時頻表示，並使用一組神經網絡將輸入映射到更高級的特徵表示 henc。
然後聽者編碼器的輸出被輸入到第二個組件——參與者（Attender），參與者組件使用 henc 來學習輸入特徵 x 與預測的子字單元 {yn, ... y0} 之間的對應關係，其中每個子字通常是一個字素或者字片（Wordpiece）。
最終，注意力模塊（Attention module）的輸出將被輸入第三個組件——拼字者（Speller，例如，解碼器），拼字者組件類似於語言模型，它將輸出一組假設詞語的概率分布。
 |
| Is Pronunciation Important? | Found in Translation |
最終，注意力模塊（Attention module）的輸出將被輸入第三個組件——拼字者（Speller，例如，解碼器），拼字者組件類似於語言模型，它將輸出一組假設詞語的概率分布。
LAS 端到端模型組件圖
LAS 模型的所有組件都是被當做一個單一端到端神經網絡模型進行聯合訓練，這一點與傳統系統的分開訓練不同，同時也讓訓練過程變得更加簡單。
此外，由於 LAS 模型完完全全採用神經網絡模型，所以它不需要手動設計額外的組件（例如，有限狀態轉換器、詞庫和文本標準化模塊）。
最後，與傳統模型不同的是，訓練端到端模型不需要來自單獨訓練系統生成的決策樹或者時間對準的引導程序，並且可以訓練給定的文本副本（Text transcripts）對和相應的聲學對。
此外，由於 LAS 模型完完全全採用神經網絡模型，所以它不需要手動設計額外的組件（例如，有限狀態轉換器、詞庫和文本標準化模塊）。
最後，與傳統模型不同的是，訓練端到端模型不需要來自單獨訓練系統生成的決策樹或者時間對準的引導程序，並且可以訓練給定的文本副本（Text transcripts）對和相應的聲學對。
在論文[4]中，我們介紹了各種新穎的改進結構，包括改進了傳遞給解碼器的注意力向量（Attention vectors）和採用更長的子字單元（例如，字片）進行訓練。此外，我們還介紹了大量的訓練優化改進，包括使用最小誤碼率訓練[5]策略。這些結構和優化上的改進正是為何我們的模型相比起傳統模型能夠取得 16% WER 提升的原因。
 |
| Language Tests And Proficiency for Best MBA Results - NIBE |
這項研究的另一項令人興奮的潛在應用是多方言（Multi-dialect）和多語言（Multi-lingual）系統，其中優化單個神經網絡的簡便性使得這樣的模型非常具有吸引力。
在這裡所有方言或者語言都可以結合起來訓練一個神經網絡，而不需要為每種方言或者語言去單獨設置聲學模型、發音模型和語言模型。
我們發現這些模型，在 7 個英語方言，和 9 個印度語上，取得了很好的效果，並且同時還超越了在每個方言或者語言上，進行單獨訓練的模型。
在這裡所有方言或者語言都可以結合起來訓練一個神經網絡，而不需要為每種方言或者語言去單獨設置聲學模型、發音模型和語言模型。
我們發現這些模型，在 7 個英語方言，和 9 個印度語上，取得了很好的效果，並且同時還超越了在每個方言或者語言上，進行單獨訓練的模型。
雖然我們為最終的結果感到非常高興，但是我們的工作卻還遠遠沒有完成。當前，這些模型還不能即時處理語音，而做到即時處理，這一點對於語音搜索等，對延遲敏感的應用而言卻是剛需。
 |
| How To Implement Multilingual SEO |
另外，我們提出的模型，不能為罕見的詞彙學習正確的拼寫，例如那些由手工設計的發音模型，來實現的專有名詞。我們當前正在努力攻克這些挑戰。
|