การแนะนำ

โมเดลกลั่นขนาดเล็กของ Deepseek-R1 นั้นได้รับการปรับแต่งโดยใช้ข้อมูลโซ่แห่งความคิดที่สร้างขึ้นโดย Deepseek-R1 ซึ่งทำเครื่องหมายด้วย-แท็กสืบทอดความสามารถในการใช้เหตุผลของ R1 ชุดข้อมูลที่ได้รับการปรับแต่งเหล่านี้รวมถึงกระบวนการให้เหตุผลเช่นการสลายตัวของปัญหาและการหักเงินระดับกลาง การเรียนรู้การเสริมแรงได้จัดรูปแบบพฤติกรรมของโมเดลกลั่นให้สอดคล้องกับขั้นตอนการใช้เหตุผลที่สร้างโดย R1 กลไกการกลั่นนี้ช่วยให้แบบจำลองขนาดเล็กสามารถรักษาประสิทธิภาพการคำนวณได้ในขณะที่ได้รับความสามารถในการใช้เหตุผลที่ซับซ้อนใกล้กับรุ่นที่มีขนาดใหญ่กว่าซึ่งเป็นค่าแอปพลิเคชันที่สำคัญในสถานการณ์ที่ จำกัด ทรัพยากร ตัวอย่างเช่นเวอร์ชัน 14B บรรลุ 92% ของรหัสที่สมบูรณ์ของรุ่น DeepSeek-R1 ดั้งเดิม บทความนี้แนะนำโมเดลกลั่น Deepseek-R1 และการใช้งานหลักในการคำนวณขอบอุตสาหกรรมสรุปในสี่ทิศทางต่อไปนี้พร้อมกับกรณีการดำเนินการเฉพาะ:

การบำรุงรักษาอุปกรณ์ทำนาย

การใช้งานด้านเทคนิค

ฟิวชั่นเซ็นเซอร์:

รวมข้อมูลการสั่นสะเทือนอุณหภูมิและปัจจุบันจาก PLCs ผ่านโปรโตคอล Modbus (อัตราการสุ่มตัวอย่าง 1 kHz)

การแยกคุณสมบัติ:

รัน Edge Impulse บน Jetson Orin NX เพื่อแยกคุณสมบัติซีรีย์เวลา 128 มิติ

การอนุมานแบบจำลอง:

ปรับใช้โมเดล DeepSeek-R1-DISTILL-14B, อินพุตเวกเตอร์คุณลักษณะเพื่อสร้างค่าความน่าจะเป็นความผิดพลาด

การปรับแบบไดนามิก:

ทริกเกอร์คำสั่งงานการบำรุงรักษาเมื่อความมั่นใจ> 85%และเริ่มกระบวนการตรวจสอบรองเมื่อ <60%

กรณีที่เกี่ยวข้อง

Schneider Electric ปรับใช้โซลูชันนี้ในเครื่องจักรทำเหมืองลดอัตราบวกที่ผิดพลาด 63% และค่าบำรุงรักษา 41%

ใช้แบบจำลองกลั่น R1 Deepseek บนคอมพิวเตอร์ AI Edge

การตรวจสอบด้วยภาพที่เพิ่มขึ้น

สถาปัตยกรรมเอาท์พุท

ไปป์ไลน์การปรับใช้ทั่วไป:

กล้อง = gige_vision_camera (500fps) # กล้องอุตสาหกรรมกิกะบิต
frame = camera.capture () # capture image
preprocessed = opencv.denoise (frame) # denoising preprocessing
defect_type = deepseek_r1_7b.infer (ประมวลผลล่วงหน้า) # การจำแนกข้อบกพร่อง
ถ้า defect_type! = 'ปกติ':
plc.trigger_reject () # กลไกการเรียงลำดับทริกเกอร์

ตัวชี้วัดประสิทธิภาพ

การประมวลผลล่าช้า:

82 ms (Jetson Agx orin)

ความแม่นยำ:

การตรวจจับข้อบกพร่องของการฉีดขึ้นไปถึง 98.7%

ผลกระทบของ Deepseek R1: ผู้ชนะและผู้แพ้ในห่วงโซ่คุณค่า AI กำเนิดกำเนิด

กระบวนการเพิ่มประสิทธิภาพการไหล

เทคโนโลยีสำคัญ

ปฏิสัมพันธ์ภาษาธรรมชาติ:

ผู้ประกอบการอธิบายความผิดปกติของอุปกรณ์ผ่านเสียง (เช่น "ความผันผวนของความดันเครื่องอัดรีด± 0.3 MPa")

การใช้เหตุผลหลายรูปแบบ:

แบบจำลองสร้างคำแนะนำการเพิ่มประสิทธิภาพตามข้อมูลในอดีตของอุปกรณ์ (เช่นการปรับความเร็วของสกรู 2.5%)

การตรวจสอบคู่ดิจิตอล:

การตรวจสอบการจำลองพารามิเตอร์บนแพลตฟอร์ม Edgex Foundry

ผลการดำเนินการ

โรงงานเคมีของ BASF นำโครงการนี้มาใช้เพื่อลดการใช้พลังงาน 17% และอัตราคุณภาพผลิตภัณฑ์ที่เพิ่มขึ้น 9%

Edge AI และอนาคตของธุรกิจ: Openai O1 กับ Deepseek R1 สำหรับการดูแลสุขภาพยานยนต์และ IIOT

การดึงฐานความรู้ทันที

การออกแบบสถาปัตยกรรม

ฐานข้อมูลเวกเตอร์ท้องถิ่น:

ใช้ Chromadb เพื่อจัดเก็บคู่มืออุปกรณ์และข้อกำหนดกระบวนการ (การฝังมิติ 768)

การดึงไฮบริด:

รวมอัลกอริทึม BM25 + ความคล้ายคลึงกันของโคไซน์สำหรับการสืบค้น

การสร้างผลลัพธ์:

โมเดล R1-7B สรุปและปรับแต่งผลลัพธ์การดึงข้อมูล

กรณีทั่วไป

วิศวกรซีเมนส์แก้ไขความล้มเหลวของอินเวอร์เตอร์ผ่านการสืบค้นภาษาธรรมชาติลดเวลาการประมวลผลเฉลี่ย 58%

ความท้าทายและการแก้ปัญหาการปรับใช้

ข้อ จำกัด ด้านหน่วยความจำ:

ใช้เทคโนโลยีการหาปริมาณแคช KV ลดการใช้หน่วยความจำของรุ่น 14B จาก 32GB เป็น 9GB

สร้างความมั่นใจในการแสดงแบบเรียลไทม์:

แฝงการอนุมานเดี่ยวที่เสถียรเป็น± 15 ms ผ่านการเพิ่มประสิทธิภาพกราฟ CUDA

รุ่นดริฟท์:

การอัปเดตที่เพิ่มขึ้นทุกสัปดาห์ (ส่งเพียง 2% ของพารามิเตอร์)

สภาพแวดล้อมที่รุนแรง:

ออกแบบมาสำหรับช่วงอุณหภูมิที่กว้าง -40 ° C ถึง 85 ° C พร้อมระดับการป้องกัน IP67

บทสรุป

ตอนนี้ค่าใช้จ่ายในการปรับใช้ปัจจุบันลดลงเหลือ $ 599/โหนด (Jetson Orin NX) โดยมีแอพพลิเคชั่นที่ปรับขนาดได้ซึ่งก่อตัวขึ้นในภาคส่วนต่าง ๆ เช่นการผลิต 3C การประกอบยานยนต์และเคมีพลังงาน การเพิ่มประสิทธิภาพอย่างต่อเนื่องของสถาปัตยกรรม MOE และเทคโนโลยีการหาปริมาณคาดว่าจะช่วยให้รุ่น 70B ทำงานบนอุปกรณ์ขอบภายในสิ้นปี 2568

ค้นหาโซลูชันสายเคเบิล ELV

สายเคเบิลควบคุม

สำหรับ BMS, บัส, อุตสาหกรรม, สายเคเบิลเครื่องมือวัด

คลิกที่นี่

ระบบสายเคเบิลที่มีโครงสร้าง

เครือข่ายและข้อมูลสายเคเบิลไฟเบอร์ออปติกสายแพทช์โมดูลหน้าเว็บ