Seagate Edge RX平臺借助NVIDIA EGX將AI推理應用于工廠制造。

Seagate Technology每個季度都要交付數千萬個硬盤驅動器。因此，保障每一個驅動器的質量至關重要，但這并非易事。

硬盤驅動器的生產過程尤為繁雜。例如，僅制造磁頭就需要1400道工序，而且一些及其細微的差錯就會導致產品瑕疵。

Seagate制造的硬盤驅動器比其他同行業的公司都多。Raghavan Srinivasan現任Seagate全球市場總監，他說：“犯錯的代價很昂貴。一旦發生任何異常情況，都會直接導致后續收益的慘淡，而且在整個生產過程完成之前，我們無法得知是否存在異常。”

為了解決這個問題，Seagate正在通過基于GPU的AI 和機器學習，對記錄磁頭滑塊圖像進行異常監測，以便更及時地發現潛在問題。

來自合作伙伴的解決方案

起初，Seagate試圖尋找一種產品，可以在高產量的制造環境中幫助進行基于圖像的異常檢測，但市場上沒有類似功能的產品。隨后，Seagate開始與NVIDIA和Hewlett Packard Enterprise討論這項業務。

公司采取的第一步是了解有效的數據量。將這一想法付諸實踐，需要一家每天能夠處理1700萬張圖像的工廠，并以每秒20個位置進行推理。

Srinivasan 說：“這個速度就如同一架波音747飛機，以100倍聲速飛離地面幾英寸。”

在一年的時間里，這些公司構建了一套解決方案，可以捕獲并分析磁頭的圖像，這些磁頭僅僅是旋轉磁盤表面上的分子。

Seagate將該解決方案部署在其一家工廠中的機器視覺缺陷檢查系統上，該系統主要用于硬盤讀寫磁頭的制造。Seagate還計劃將該解決方案擴展到其他站點。

由于異常模式在不斷變化，因此無法采用基于規則的傳統AI系統，而需要深度學習的加持。

另外，Seagate了解在工廠之間來回移動如此多數據的帶寬成本十分高昂，因此開發了一種并行參考架構，即Seagate Edge RX。這種架構將每個工廠都建立在計算“邊緣”，從而使推理過程可以借助更少的計算資源完成。

數據科學家正在進行線下的深度學習模型訓練，隨后將提供更新后的模型。

Seagate賦予精密制造的無限可能

隨著這項技術被融合進Seagate的所有制造過程中，Seagate希望通過提高效率和質量，使無塵室投資減少20％，制造吞吐時間減少10％，并獲得高達300％的投資回報率 。

Srinivasan表示，有種種跡象表明，該項目最終將在質量上帶來重大改進，為Seagate所有制造工廠的努力帶來了可觀的收益。

NVIDIA 和HPE帶來的技術，在Seagate未來的發展中將發揮重要作用。這些技術包括搭載了NVIDIA T4 GPU（可在工廠現場實現數據采集和實時AI推理）的HPE Edgeline系統，以及搭載了NVIDIA V100 Tensor Core GPU（可用來進行AI訓練）的HPE Apollo系統。NVIDIA EGX平臺也可在這些系統上運行，幫助企業在邊緣或數據中心安全地部署并管理AI工作負載。

Srinivasan表示：“ NVIDIA已成為AI和深度學習的代名詞。”

Seagate發現了通過不同方向進行這項工作的巨大潛力。目前，該公司致力于將智能制造平臺推廣到其所有制造基地。Seagate還在計劃探索該解決方案將如何影響其他制造過程。值得一提的是，Seagate還將探索基于物聯網傳感器流程記錄工具的預測性維護。

對于其他制造商而言，好消息是Seagate不想獨占所有的創新成果。Seagate已經發布了Seagate Edge RX并行參考架構，以便其他制造商可以在自己的制造環境中構建類似的圖像異常檢測解決方案。

Srinivasan說：“我們希望推動合作。因為我們發現，善用數據，就會獲得很多改善整體制造環境的機會。”