恐怕将长期生存于小众市场之内

云计算使制造商能够远程、实时地访问生产数据和控制。通过不断地将数据上传到云端，制造商可以全面了解他们的运营情况，监控产品在哪里，控制生产线在做什么，并分析收集到的数据，而不需要实际出现在生产现场。边缘计算实现了云计算的许多相同优势，但没有远程访问数据的选项。

该报告指出，“许多制造商对完全远程连接到其运营中的想法感到不安，担心来自外部来源的渗透和潜在破坏。”引入边缘计算是为了缓解云安全担忧-数据仍然上传到集中存储库，但必须在本地访问。一家干货架货物业务的工程高级经理表示：“我们不允许在线访问控制系统;与原始设备制造商的访问是根据具体情况进行的，有多个级别的批准。”

CPG指出，在讨论远程连接成为规范之前，以下要素是“必须具备的”：与工厂网络隔离的虚拟专用网络连接;IT部门的深入批准;以及与供应商的可信合作关系。

然而，在COVID-19大流行病期间，云计算和边缘计算的优势可能变得更具吸引力，因为在家工作变得越来越普遍，制造商将远程访问策略作为一种手段，以减少需要在制造地点实际工作的员工数。对单个机器和大型企业管理系统的远程访问可以让至少一部分员工避开车间，同时还可以从原始设备制造商处进行远程故障排除和维护。

在2020年6月的PMMI采购经理指数中，下面列出的四个行业报告了当前远程访问的使用情况远高于平均基线。此外，他们也都报告了远程访问能力的预期未来扩展，尽管他们在远程访问时间表上的位置因行业而异。

饮料:目前饮料行业的远程访问使用量比所有被调查行业的平均水平高出9.1个百分点，而未来的使用量预计将比平均水平高出8.8个百分点。

食品:目前食品行业的远程访问使用率比所有被调查行业的平均水平低1.1个百分点，而未来的使用率预计将比平均水平低1.5个百分点。

个人护理:目前个人护理行业的远程访问使用量比所有被调查行业的平均值低5.3个百分点，而未来的使用量预计将比平均值高0.2个百分点。

医药/医疗设备:目前医药/医疗设备行业的远程访问使用比所有被调查行业的平均水平高出5个百分点，而未来的使用预计将比平均水平高出1.5个百分点。

云和边缘计算最好由已经具有相当全面的IIoT集成并且正在通过其集成的传感器网络收集大量数据的运营进行部署。该报告建议：“OEM和供应商可以协助制造商确定何时才是部署云计算和边缘计算的适当时机，使这些技术成为升级运营以整合广泛自动化的复杂过程中的关键组成部分。”
 

结合以上所有内容，贝叶斯优化的原理如下：

• 初始化一个高斯过程的“代理函数”先验分布。
• 选择多个数据点x，使运行在当前先验分布上的采集函数a(x)最大化。
• 对目标成本函数c(x)中的数据点x进行评估，得到结果y。
• 用新的数据更新高斯过程的先验分布，产生后验(在下一步将成为先验)。
• 重复步骤2-5进行多次迭代。
• 解释当前的高斯过程分布(成本极低)来找到全局最小值。

贝叶斯优化就是把概率的概念建立在代理优化的基础之上。这两种概念的结合创造了一个功能强大的系统，应用范围广阔，从制药产品开发到自动驾驶汽车都有相关应用。

然而，在机器学习中最常见的是用于超参数优化。例如，如果要训练一个梯度增强分类器，从学习率到最大深度到最小杂质分割值，有几十个参数。在本例中，x表示模型的超参数，c(x)表示模型的性能，给定超参数x。

使用贝叶斯优化的主要目的在于应对评估输出非常昂贵的情况。首先，需要用这些参数建立一个完整的树集合，其次，它们需要经过多次预测，这对于集合而言成本极高。

可以说，神经网络评估给定参数集的损失更快：简单地重复矩阵乘法，这是非常快的，特别是在专用硬件上。这就是使用梯度下降法的原因之一，它需要反复查询来了解其发展方向。

图源：unsplash

总结一下，我们的结论是：

· 代理优化使用代理函数或近似函数来通过抽样估计目标函数。

· 贝叶斯优化通过将代理函数表示为概率分布，将代理优化置于概率框架中，并根据新信息进行更新。

· 采集函数用于评估探索空间中的某个点将产生“良好”结果的概率，给定目前从先验已知的信息，平衡探索和利用的问题。

· 主要在评估目标函数成本昂贵时使用贝叶斯优化，通常用于超参数调优。有许多像HyperOpt这样的库可以实现这个功能。

贝叶斯优化之美，你感受到了吗?

（编辑：阿坝站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!