Large Scale Foundation Models for Intelligent Manufacturing Applications: A Survey

要約

人工知能、特にディープラーニングの応用により、インテリジェント製造のさまざまな側面が大幅に改善されましたが、汎化能力の低さ、高品質のトレーニング データセットの確立の難しさ、ディープラーニング手法の不満足なパフォーマンスにより、広範な採用には依然として課題に直面しています。
大規模基礎モデル (LSFM) の出現は、人工知能の分野に波を引き起こし、深層学習モデルをシングルタスク、シングルモーダル、限定されたデータ パターンから、多様なタスク、マルチモーダル、事前トレーニングを含むパラダイムに移行させました。
大規模なデータセット上で。
LSFM は強力な一般化機能、高品質のトレーニング データセットの自動生成、さまざまなドメインにわたる優れたパフォーマンスを実証していましたが、インテリジェント製造における LSFM のアプリケーションはまだ初期段階にありました。
このトピックの体系的な概要、特に LSFM で深層学習のどの課題に対処できるか、またこれらの課題にどのように体系的に取り組むことができるかについては不足していました。
このギャップを埋めるために、この論文では、LSFM の現状とインテリジェント製造の文脈におけるその利点を体系的に説明しました。
そして、さまざまなインテリジェント製造アプリケーションにおける現在の深層学習モデルが直面する課題と包括的に比較しました。
また、これらの課題に対処するために LSFM を活用するためのロードマップについても概説しました。
最後に、現実世界のインテリジェント製造シナリオにおける LSFM の適用事例を紹介し、LSFM がどのように業界を支援し、効率を向上させることができるかを説明しました。

要約(オリジナル)

Although the applications of artificial intelligence especially deep learning had greatly improved various aspects of intelligent manufacturing, they still face challenges for wide employment due to the poor generalization ability, difficulties to establish high-quality training datasets, and unsatisfactory performance of deep learning methods. The emergence of large scale foundational models(LSFMs) had triggered a wave in the field of artificial intelligence, shifting deep learning models from single-task, single-modal, limited data patterns to a paradigm encompassing diverse tasks, multimodal, and pre-training on massive datasets. Although LSFMs had demonstrated powerful generalization capabilities, automatic high-quality training dataset generation and superior performance across various domains, applications of LSFMs on intelligent manufacturing were still in their nascent stage. A systematic overview of this topic was lacking, especially regarding which challenges of deep learning can be addressed by LSFMs and how these challenges can be systematically tackled. To fill this gap, this paper systematically expounded current statue of LSFMs and their advantages in the context of intelligent manufacturing. and compared comprehensively with the challenges faced by current deep learning models in various intelligent manufacturing applications. We also outlined the roadmaps for utilizing LSFMs to address these challenges. Finally, case studies of applications of LSFMs in real-world intelligent manufacturing scenarios were presented to illustrate how LSFMs could help industries, improve their efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google