مقدمة

يتم ضبط النماذج المقطرة ذات الحجم الصغير من Deepseek-R1 باستخدام بيانات سلسلة الفكرة التي تم إنشاؤها بواسطة DeepSeek-R1 ، والتي تحمل علامة مع...العلامات ، وراثة قدرات التفكير R1. تتضمن مجموعات البيانات التي تم ضبطها بشكل صريح عمليات التفكير مثل تحلل المشكلة والخصومات الوسيطة. لقد قام تعلم التعزيز بمحاذاة أنماط سلوك النموذج المقطر مع خطوات التفكير الناتجة عن R1. تتيح آلية التقطير هذه النماذج الصغيرة للحفاظ على الكفاءة الحسابية مع الحصول على قدرات التفكير المعقدة بالقرب من تلك الموجودة في النماذج الأكبر ، والتي هي ذات قيمة تطبيق كبيرة في السيناريوهات المقيدة للموارد. على سبيل المثال ، يحقق إصدار 14B 92 ٪ من إكمال الكود لنموذج Deepseek-R1 الأصلي. تقدم هذه المقالة النموذج المقطر Deepseek-R1 وتطبيقاته الأساسية في الحوسبة الصناعية ، المملوكة في الاتجاهات الأربعة التالية ، إلى جانب حالات تنفيذ محددة:

الصيانة التنبؤية للمعدات

التنفيذ الفني

اندماج المستشعر:

دمج الاهتزاز ودرجة الحرارة والبيانات الحالية من PLCs عبر بروتوكول Modbus (معدل أخذ العينات 1 كيلو هرتز).

استخراج الميزة:

تشغيل حافة الدافع على jetson orin nx لاستخراج ميزات السلسلة الزمنية 128 الأبعاد.

استنتاج النموذج:

نشر نموذج DeepSeek-R1-Distill-14B ، إدخال متجهات الميزة لإنشاء قيم احتمال الخطأ.

التعديل الديناميكي:

تشغيل أوامر عمل الصيانة عند الثقة> 85 ٪ ، وابدأ عملية التحقق الثانوية عندما تكون أقل من 60 ٪.

الحالة ذات الصلة

نشر Schneider Electric هذا الحل على آلات التعدين ، مما يقلل من معدلات إيجابية كاذبة بنسبة 63 ٪ وتكاليف الصيانة بنسبة 41 ٪.

تشغيل نموذج Deepseek R1 المقطر على أجهزة الكمبيوتر inhand ai edge

تحسين الفحص البصري

هندسة الإخراج

خط أنابيب النشر النموذجي:

الكاميرا = gige_vision_camera (500 إطارًا في الثانية) # كاميرا جيجابت الصناعية
الإطار = camera.capture () # التقاط الصورة
معالجة مسبقًا = opencv.denoise (الإطار) # تقليل المعالجة المسبقة
defect_type = deepseek_r1_7b.infer (تصنيف عيب) #
إذا كان defect_type! = 'عادي':
plc.trigger_reject () # آلية فرز الزناد

مقاييس الأداء

تأخير المعالجة:

82 مللي ثانية (Jetson Agx Orin)

دقة:

يصل الكشف عن العيوب المصبوب بالحقن إلى 98.7 ٪.

تداعيات Deepseek R1: الفائزون والخاسرون في سلسلة قيمة AI التوليدية

تحسين التدفق

التقنيات الرئيسية

تفاعل اللغة الطبيعية:

يصف المشغلون شذوذات المعدات عن طريق الصوت (على سبيل المثال ، "تقلب الضغط على البثق ± 0.3 ميجا باسكال").

التفكير متعدد الوسائط:

يولد النموذج اقتراحات التحسين بناءً على البيانات التاريخية للمعدات (على سبيل المثال ، تعديل سرعة المسمار بنسبة 2.5 ٪).

التحقق التوأم الرقمي:

التحقق من صحة محاكاة المعلمة على منصة Founds Edgex.

تأثير التنفيذ

اعتمد المصنع الكيميائي في BASF هذا المخطط ، حيث حقق انخفاضًا بنسبة 17 ٪ في استهلاك الطاقة وزيادة 9 ٪ في معدل جودة المنتج.

Edge AI ومستقبل الأعمال: Openai O1 مقابل Deepseek R1 للرعاية الصحية والسيارات و IIOT

الاسترجاع الفوري لقاعدة المعرفة

تصميم العمارة

قاعدة بيانات المتجهات المحلية:

استخدم ChromadB لتخزين أدلة المعدات ومواصفات المعالجة (دمج البعد 768).

استرجاع هجين:

الجمع بين خوارزمية BM25 + تشابه جيب التمام للاستعلام.

جيل النتيجة:

يقوم نموذج R1-7B بتلخيص نتائج الاسترجاع وصقلها.

حالة نموذجية

حل مهندسو Siemens فشل العاكس من خلال الاستعلامات اللغوية الطبيعية ، مما يقلل من متوسط وقت المعالجة بنسبة 58 ٪.

تحديات النشر والحلول

قيود الذاكرة:

استخدم تقنية قياس ذاكرة التخزين المؤقت KV ، مما يقلل من استخدام الذاكرة لنموذج 14B من 32 جيجابايت إلى 9 جيجابايت.

ضمان الأداء في الوقت الفعلي:

استقرت زمن الاستنتاج الفردي إلى ± 15 مللي ثانية من خلال تحسين الرسم البياني CUDA.

انجراف النموذج:

تحديثات تدريجية أسبوعية (نقل 2 ٪ فقط من المعلمات).

البيئات القاسية:

مصممة لنطاقات درجة حرارة واسعة من -40 درجة مئوية إلى 85 درجة مئوية مع مستوى حماية IP67.

خاتمة

انخفضت الآن تكاليف النشر الحالية إلى 599 دولارًا/عقدة (Jetson orin NX) ، مع تشكيل تطبيقات قابلة للتطوير في قطاعات مثل التصنيع 3C وتجميع السيارات وكيمياء الطاقة. من المتوقع أن يؤدي التحسين المستمر لعمارة MOE وتكنولوجيا القياس الكمي إلى تمكين نموذج 70B من تشغيل أجهزة الحافة بحلول نهاية عام 2025.

ابحث عن محلول كابل ELV

الكابلات السيطرة

ل BMS ، الحافلة ، الصناعية ، كابل الأجهزة.

انقر هنا

نظام الكابلات المنظم

الشبكة والبيانات ، كابل الألياف البصرية ، سلك التصحيح ، الوحدات النمطية ، اللوحة الوجه