벤처스퀘어
한눈에 보기
CrowdWorks, an AI data company, has published a white paper titled "After 10 Years of Factory Data, Why Can't AI Work Properly?" on data strategies for manufacturing AI transformation (AX). It identifies five data problems: data scattered across systems, collection centered on normal data, missing pass/fail labels, mismatched timelines across video, sensor and production data, and snapshot-style records. It proposes a "pinpoint AX" strategy focusing on bottleneck processes and four data quality criteria for physical AI: temporal consistency, on-site context, label quality and exception coverage.
Learn moreAI数据专业企业CrowdWorks发布了关于制造业人工智能转型(AX)数据建设策略的白皮书《积累10年的工厂数据,AI为何无法正常工作?》。白皮书指出五大数据问题:数据分散于各系统、以正常数据为中心采集、缺少合格/不良判定标签、视频·传感器·生产数据时间轴不一致,以及仅记录结果的快照式记录。同时提出聚焦瓶颈工序的“pinpoint AX”策略,以及物理AI的四项数据质量标准:时间一致性、现场情境性、标注质量和异常覆盖。
了解更多AIデータ専門企業のCrowdWorksは、製造業のAI転換(AX)に向けたデータ構築戦略をまとめたホワイトペーパー「10年貯めた工場データ、AIはなぜ上手く働けないのか?」を発刊した。システム別のデータ分散、正常データ中心の収集、合格・不良などの判定ラベルの欠如、映像・センサー・生産データの時間軸の不一致、結果のみを残すスナップショット方式の記録という5つの問題を示した。また、ボトルネック工程に集中する「pinpoint AX」戦略と、フィジカルAI向けデータ品質の4基準(時間整合性、現場文脈性、正解の品質、例外カバレッジ)を提案している。
詳しく見るCrowdWorks, entreprise spécialisée dans les données d'IA, a publié un livre blanc intitulé « Après 10 ans de données d'usine, pourquoi l'IA ne parvient-elle pas à bien travailler ? » sur les stratégies de données pour la transformation de l'industrie par l'IA (AX). Il recense cinq problèmes : données dispersées entre systèmes, collecte centrée sur les données normales, absence d'étiquettes de jugement conforme/défectueux, décalage temporel entre vidéo, capteurs et production, et enregistrements de type instantané. Il propose une stratégie « pinpoint AX » ciblant les procédés goulots d'étranglement et quatre critères de qualité des données pour l'IA physique : cohérence temporelle, contexte de terrain, qualité des étiquettes et couverture des exceptions.
En savoir plus