eNeural Edge-First самообучающийся ИИ для периферийных устройств Advantech WA, H-box, робототехни...

Компания eNeural Technologies представляет eSL-Craft — самообучающийся конвейер визуального ИИ, предназначенный для постоянного обновления периферийных моделей без необходимости ручной переподготовки. Сервис, созданный на базе программной платформы WA AIoT от Advantech и периферийных систем H-box, автоматизирует сбор данных, переобучение и развертывание моделей, позволяя инспекционным, логистическим и робототехническим рабочим нагрузкам адаптироваться к новым условиям непосредственно на периферийном конвейере. https://www.eneural.ai/

В основе демонстрации лежит eSL-Craft — запатентованная система «адаптивного самообучения», которая может совершенствовать модели обнаружения и сегментации объектов на основе реальных производственных данных с минимальным вмешательством человека. Она является частью более широкого набора инструментов eNeural AI-Craft, который объединяет автоматизированное аннотирование, оптимизацию архитектуры моделей и квантизацию для сжатия периферийных моделей с сохранением точности и сокращением времени вывода ИИ на рынок до шести раз, особенно на платформах нейронных процессоров и встраиваемых системах машинного зрения с использованием компактных сверточных сетей и обучения со смешанной точностью.

В этой демонстрации SPS 2025 на стенде Advantech в Нюрнберге камера и периферийный графический процессор H-box отслеживают поддоны на складе и выявляют «краевые случаи» при появлении новых объектов или типов упаковки. Вместо экспорта необработанного видео в облако система регистрирует только соответствующие образцы, планирует переобучение на устройстве на главном зональном узле и отправляет обновлённые модели обратно на локальные устройства вывода, создавая замкнутый цикл между восприятием, выбором данных и непрерывным уточнением модели внутри производственной линии.

Архитектура следует принципу «сначала периферия, потом зона»: несколько камер и клиентов на базе нейронных процессоров (NPU) выполняют вывод в режиме реального времени, в то время как главный узел с графическим процессором в каждой зоне выполняет периодическое переобучение, а затем синхронизирует только веса модели с центральным сервером. Это напоминает федеративное непрерывное обучение в промышленных условиях, сохраняя конфиденциальные изображения локально и одновременно агрегируя улучшения модели по всему миру для надёжного многосайтового развертывания.

В перспективе команда обсуждает возможность распространения того же процесса на мобильные и гуманоидные роботы, которые наблюдают за людьми и окружающей средой в течение дня, а затем локально переобучаются во время зарядки ночью, чтобы запоминать новые лица, расположение и поведение, не раскрывая необработанные персональные данные. Сегодня интенсивное обучение выполняется на графических процессорах, а нейронные процессоры (NPU) предназначены для вывода данных с низкой задержкой, но дорожная карта явно ориентирована на более широкое применение на умных фабриках, складах и в сервисной робототехнике. В рамках этого подхода будет реализовано комбинированное решение Advantech и подписка на самообучающийся ИИ eNeural для промышленных клиентов.