요약

딥 러닝을 포함한 많은 AI 기술은 추론 과정에 블랙 박스를 가지고있어 온라인 슬롯 사이트 기초를 명확하게 진술하기가 어렵습니다. 이는 신뢰성과 설명 특성이 필요한 필드를 제어하기 위해 AI를 적용 할 때 주요 과제입니다.

Mitsubishi Electric은 AI가 제어를 수행 할 때 제어 및 미래 상태의 기초를 명확하게 명시하는 "온라인 슬롯 사이트 기초를 명확하게 진술 할 수있는 AI 기술"을 개발했습니다.

이 기술은 블랙 박스를 제거하고 제어 및 미래 상태의 기초를 명확하게 표시함으로써 AI 친화적 인 AI의 실현에 기여합니다. 앞으로 AI 기술 브랜드 인 "MAISART^®(Mysart)^*1"외에 우리는 또한 실제 응용 프로그램을 개발할 것입니다.

이 개발 기술과의 기존 기술 비교

뉴스 릴리스

• 2021 년 12 월 14 일 "온라인 슬롯 사이트 기초를 명확하게 표시 할 수있는 AI 기술"

기술 포인트

AI의 전통적인 사용은 명확한 통제 이유를 허용

과거에 AI는 과거 학습 결과 및 현재 센서 값을 기반으로 기준을 명시 적으로 지정하지 않고 장치를 제어하기 때문에 장치를 소개하는 것을 주저했습니다. 이 기술을 사용하면 공장 및 공장, 에어컨 등과 같은 사회 인프라를 명확하게 제어 할 수있어 설득력이 높아지고 정확도를 시각화하며 장비의 작동을 확인하여 소개 장애물을 줄입니다. 장비 관리자가 에어컨 불만에 응답하여 사용자에게 온라인 슬롯 사이트 기초를 명확하게 명시해야 할 때도 사용할 수 있습니다.

이 기술은 AI를 사용하여 장치 설치 환경의 특성을 추정하고 센서로 측정 할 수없는 시뮬레이터에서 물리적 매개 변수를 식별하고 정량화합니다. 시뮬레이터를 사용하면 이론적으로 의미있는 물리적 수량을 계산하고 이러한 물리적 수량을보고 사람들이 장비에서 발생하는 현상을 이해할 수 있습니다. 또한 AI는 제어 장치의 센서 값과 같은 과거 실제 데이터를 배우고 향후 센서 값과 함께 향후 센서 값을 예측할 수 있습니다.

이것은 향후 장비 설치 조건을보다 정확하게 시뮬레이션 할 수 있으며 스케줄러가 최적의 컨트롤을 계획 할 수 있습니다. 제어 계획과 미래 상태를 시각화하고 AI 블랙 박스를 제거함으로써 사용자는 온라인 슬롯 사이트 기초를 이해할 수 있습니다.

예를 들어, 에어컨에서 AI는 객실 크기 및 단열재와 같은 물리적 매개 변수를 정량화하여 센서가 측정하지 않는 설치 환경의 특성을 나타냅니다. 다음으로, 과거 센서 값 (예 : 실내 사람들의 수 등)과 같은 실제 데이터를 배우고 향후 매번오고가는 사람들의 수와 센서가 측정 할 수없는 실내 열의 물리적 수량을 예측합니다.

결과적으로, 에어컨이 작동 할 때, 설치 환경의 조건, 변경 및 스케줄러가 시뮬레이션 결과를 사용하여 최적의 제어 계획 (예 : 장비 가용성)을 안내하는 실온 온도를 시뮬레이션 할 수 있습니다. 사용자는 미래에오고가는 사람들의 수와 같은 시뮬레이션 결과를 살펴보면 온라인 슬롯 사이트 기초와 제어 계획의 유효성을 이해할 수 있습니다.

에어컨에 적용될 때 제어 기반 및 제어 계획의 명시 적 이미지

ai는 장치가 실패 할 때 고장의 이유를 명확하게 진술 할 수 있습니다

AI는 이제 센서로 측정 할 수없는 물리적 매개 변수와 향후 물리적 수량을 지금까지 "예측 된 센서 값 및 물리적 수량, 설치 환경 상태, 제어 계획"과 "실제로 측정 된 센서 값, 추정 된 물리 수량, 설치 환경 상태 및 제어 수량을 비교할 수있게합니다."

장치가 제대로 작동하지 않으면 예측 된 실제 센서 값과 작동하지 않는 경우^*2를 기반으로하는 센서 위치와 물리적 수량을 식별하고 명확하게 설명 할 수 있습니다. 또한 장치가 계획대로 제어되지만 계획대로 상태에 도달하지 않으면 장비에 이상이 없거나 설치 환경의 변경 사항이있을 수 있으며, 이는 사용자가 인식 할 수있어 조기 유지 보수 및 빠른 복구를 허용 할 수 있습니다.