ପରିଚୟ

ଡିପସିକ୍-R1 ର ଛୋଟ ଆକାରର ଡିଷ୍ଟିଲେଡ୍ ମଡେଲଗୁଡ଼ିକୁ ଡିପସିକ୍-R1 ଦ୍ୱାରା ଜେନେରେଟେଡ୍ ଚେନ୍-ଅଫ୍-ଥଟ୍ ଡାଟା ବ୍ୟବହାର କରି ସୂକ୍ଷ୍ମ-ସଜ୍ଜିତ କରାଯାଇଛି, ଯାହା ସହିତ ଚିହ୍ନିତ...ଟ୍ୟାଗ୍, R1 ର ଯୁକ୍ତି କ୍ଷମତାକୁ ଉତ୍ତରାଧିକାରୀ ଭାବରେ ଗ୍ରହଣ କରୁଛି। ଏହି ସୂକ୍ଷ୍ମ-ସଜ୍ଜିତ ଡାଟାସେଟ୍‌ଗୁଡ଼ିକରେ ସ୍ପଷ୍ଟ ଭାବରେ ସମସ୍ୟା ବିଘଟନ ଏବଂ ମଧ୍ୟବର୍ତ୍ତୀ ଡିଡକ୍ସନ ଭଳି ଯୁକ୍ତି ପ୍ରକ୍ରିୟା ଅନ୍ତର୍ଭୁକ୍ତ। ଶକ୍ତି ବୃଦ୍ଧି ଶିକ୍ଷା R1 ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ଯୁକ୍ତି ପଦକ୍ଷେପ ସହିତ ଡିଷ୍ଟିଲ୍ ମଡେଲର ଆଚରଣ ଢାଞ୍ଚାକୁ ସମାନ କରିଛି। ଏହି ଡିଷ୍ଟିଲ୍ସନ୍ ମେକାନିଜିମ୍ ଛୋଟ ମଡେଲଗୁଡ଼ିକୁ ଗଣନା ଦକ୍ଷତା ବଜାୟ ରଖିବାକୁ ଅନୁମତି ଦିଏ ଯେତେବେଳେ ବଡ଼ ମଡେଲଗୁଡ଼ିକର ନିକଟରେ ଜଟିଳ ଯୁକ୍ତି କ୍ଷମତା ହାସଲ କରେ, ଯାହା ସମ୍ବଳ-ସୀମିତ ପରିସ୍ଥିତିରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରୟୋଗ ମୂଲ୍ୟର। ଉଦାହରଣ ସ୍ୱରୂପ, 14B ସଂସ୍କରଣ ମୂଳ DeepSeek-R1 ମଡେଲର କୋଡ୍ ସମାପ୍ତିର 92% ହାସଲ କରେ। ଏହି ପ୍ରବନ୍ଧଟି DeepSeek-R1 ଡିଷ୍ଟିଲ୍ଡ୍ ମଡେଲ୍ ଏବଂ ଶିଳ୍ପ ଧାର କମ୍ପ୍ୟୁଟିଂରେ ଏହାର ମୂଳ ପ୍ରୟୋଗଗୁଡ଼ିକୁ ପରିଚିତ କରାଏ, ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟାନ୍ୱୟନ ମାମଲା ସହିତ ନିମ୍ନଲିଖିତ ଚାରୋଟି ଦିଗରେ ସଂକ୍ଷିପ୍ତ କରାଯାଇଛି:

ଉପକରଣର ପୂର୍ବାନୁମାନିକ ରକ୍ଷଣାବେକ୍ଷଣ

ଯାନ୍ତ୍ରିକ କାର୍ଯ୍ୟାନ୍ୱୟନ

ସେନ୍ସର ଫ୍ୟୁଜନ୍:

Modbus ପ୍ରୋଟୋକଲ (ନମୁନା ହାର 1 kHz) ମାଧ୍ୟମରେ PLC ରୁ କମ୍ପନ, ତାପମାତ୍ରା ଏବଂ ବର୍ତ୍ତମାନର ତଥ୍ୟକୁ ଏକତ୍ରିତ କରନ୍ତୁ।

ବୈଶିଷ୍ଟ୍ୟ ନିଷ୍କାସନ:

୧୨୮-ଡାଇମେନ୍ସନାଲ୍ ଟାଇମ୍-ସିରିଜ୍ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ବାହାର କରିବା ପାଇଁ Jetson Orin NX ରେ Edge Impulse ଚଲାନ୍ତୁ।

ମଡେଲ୍ ଅନୁମାନ:

ତ୍ରୁଟି ସମ୍ଭାବ୍ୟତା ମୂଲ୍ୟ ସୃଷ୍ଟି କରିବା ପାଇଁ ବୈଶିଷ୍ଟ୍ୟ ଭେକ୍ଟରଗୁଡ଼ିକୁ ଇନପୁଟ୍ କରି, DeepSeek-R1-Distill-14B ମଡେଲକୁ ନିୟୋଜିତ କରନ୍ତୁ।

ଗତିଶୀଳ ସମାୟୋଜନ:

ଯେତେବେଳେ ବିଶ୍ୱାସ 85% ରୁ ଅଧିକ ହୁଏ, ସେତେବେଳେ ରକ୍ଷଣାବେକ୍ଷଣ କାର୍ଯ୍ୟ ଅର୍ଡରଗୁଡ଼ିକୁ ଟ୍ରିଗର କରନ୍ତୁ ଏବଂ 60% ଠାରୁ କମ୍ ହେଲେ ଏକ ଦ୍ୱିତୀୟ ଯାଞ୍ଚ ପ୍ରକ୍ରିୟା ଆରମ୍ଭ କରନ୍ତୁ।

ପ୍ରାସଙ୍ଗିକ ମାମଲା

ସ୍ନାଇଡର ଇଲେକ୍ଟ୍ରିକ୍ ଏହି ସମାଧାନକୁ ଖଣି ଯନ୍ତ୍ରପାତିରେ ବ୍ୟବହାର କରିଛି, ଯାହା ମିଥ୍ୟା ପଜିଟିଭ୍ ହାରକୁ 63% ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣ ଖର୍ଚ୍ଚକୁ 41% ହ୍ରାସ କରିଛି।

ଇନହ୍ୟାଣ୍ଡ ଏଆଇ ଏଜ୍ କମ୍ପ୍ୟୁଟରରେ ଡିପସିକ୍ R1 ଡିଷ୍ଟିଲ୍ଡ ମଡେଲ୍ ଚଲାଉଛି

ଉନ୍ନତ ଦୃଶ୍ୟ ନିରୀକ୍ଷଣ

ଆଉଟପୁଟ୍ ଆର୍କିଟେକଚର୍

ସାଧାରଣ ନିୟୋଜନ ପାଇପଲାଇନ୍:

କ୍ୟାମେରା = GigE_Vision_Camera(500fps) # ଗିଗାବିଟ୍ ଶିଳ୍ପ କ୍ୟାମେରା
ଫ୍ରେମ୍ = କ୍ୟାମେରା.କ୍ୟାପଚର() # ପ୍ରତିଛବି କ୍ୟାପଚର କରନ୍ତୁ
ପୂର୍ବ ପ୍ରକ୍ରିୟାକରଣ = OpenCV.denoise(ଫ୍ରେମ୍) # ଶବ୍ଦମୁକ୍ତ ପୂର୍ବ ପ୍ରକ୍ରିୟାକରଣ
ତ୍ରୁଟି_ପ୍ରକାର = DeepSeek_R1_7B.infer(ପୂର୍ବ ପ୍ରକ୍ରିୟାକରଣ) # ତ୍ରୁଟି ବର୍ଗୀକରଣ
ଯଦି defect_type != 'ସାଧାରଣ':
PLC.trigger_reject() # ସଜାଡ଼ିବା ଯନ୍ତ୍ରକୁ ଟ୍ରିଗର କରନ୍ତୁ

କାର୍ଯ୍ୟଦକ୍ଷତା ମେଟ୍ରିକ୍ସ

ପ୍ରକ୍ରିୟାକରଣ ବିଳମ୍ବ:

୮୨ ମିଲିସେକେଣ୍ଡ (ଜେଟସନ୍ ଏଜିଏକ୍ସ ଓରିନ୍)

ସଠିକତା:

ଇଞ୍ଜେକ୍ସନ ମୋଲ୍ଡେଡ୍ ତ୍ରୁଟି ଚିହ୍ନଟ 98.7% ରେ ପହଞ୍ଚିଛି।

ଡିପସିକ୍ R1ର ପ୍ରଭାବ: ଜେନେରେଟିଭ୍ AI ମୂଲ୍ୟ ଶୃଙ୍ଖଳାରେ ବିଜେତା ଏବଂ ପରାଜିତ

ପ୍ରକ୍ରିୟା ପ୍ରବାହ ଅପ୍ଟିମାଇଜେସନ୍

ପ୍ରମୁଖ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା

ପ୍ରାକୃତିକ ଭାଷା ପାରସ୍ପରିକ କ୍ରିୟା:

ଅପରେଟରମାନେ ସ୍ୱର ମାଧ୍ୟମରେ ଉପକରଣ ଅସଙ୍ଗତି ବର୍ଣ୍ଣନା କରନ୍ତି (ଯଥା, "ଏକ୍ସଟ୍ରୁଡର ଚାପ ହ୍ରାସ ±0.3 MPa")।

ବହୁମୁଖୀ ଯୁକ୍ତି:

ଏହି ମଡେଲଟି ଉପକରଣ ଐତିହାସିକ ତଥ୍ୟ (ଯଥା, ସ୍କ୍ରୁ ଗତିକୁ 2.5% ଆଡଜଷ୍ଟ କରିବା) ଉପରେ ଆଧାର କରି ଅପ୍ଟିମାଇଜେସନ୍ ପରାମର୍ଶ ସୃଷ୍ଟି କରେ।

ଡିଜିଟାଲ୍ ଯୁଗ୍ମ ଯାଞ୍ଚ:

EdgeX ଫାଉଣ୍ଡ୍ରି ପ୍ଲାଟଫର୍ମରେ ପାରାମିଟର ସିମୁଲେସନ୍ ବୈଧତା।

କାର୍ଯ୍ୟାନ୍ୱୟନର ପ୍ରଭାବ

BASFର ରାସାୟନିକ କାରଖାନା ଏହି ଯୋଜନାକୁ ଗ୍ରହଣ କରିଥିଲା, ଶକ୍ତି ବ୍ୟବହାରରେ 17% ହ୍ରାସ ଏବଂ ଉତ୍ପାଦ ଗୁଣବତ୍ତା ହାରରେ 9% ବୃଦ୍ଧି ହାସଲ କରିଥିଲା।

ଏଜ୍ ଏଆଇ ଏବଂ ବ୍ୟବସାୟର ଭବିଷ୍ୟତ: ସ୍ୱାସ୍ଥ୍ୟସେବା, ଅଟୋମୋଟିଭ୍ ଏବଂ IIoT ପାଇଁ ଓପନଏଆଇ o1 ବନାମ ଡିପସିକ୍ R1

ଜ୍ଞାନ ଆଧାରର ତୁରନ୍ତ ପୁନରୁଦ୍ଧାର

ସ୍ଥାପତ୍ୟ ଡିଜାଇନ୍

ସ୍ଥାନୀୟ ଭେକ୍ଟର ଡାଟାବେସ୍:

ଉପକରଣ ମାନୁଆଲ୍ ଏବଂ ପ୍ରକ୍ରିୟାକରଣ ନିର୍ଦ୍ଦିଷ୍ଟକରଣ (ଏମ୍ବେଡିଂ ଡାଇମେନସନ୍ 768) ସଂରକ୍ଷଣ କରିବା ପାଇଁ ChromaDB ବ୍ୟବହାର କରନ୍ତୁ।

ହାଇବ୍ରିଡ୍ ପୁନରୁଦ୍ଧାର:

ପ୍ରଶ୍ନ ପାଇଁ BM25 ଆଲଗୋରିଦମ + କୋସାଇନ୍ ସାଦୃଶ୍ୟତାକୁ ମିଶ୍ରଣ କରନ୍ତୁ।

ଫଳାଫଳ ସୃଷ୍ଟି:

R1-7B ମଡେଲ୍ ପୁନରୁଦ୍ଧାର ଫଳାଫଳଗୁଡ଼ିକୁ ସାରାଂଶିତ ଏବଂ ପରିଷ୍କାର କରେ।

ସାଧାରଣ ମାମଲା

ସିମେନ୍ସ ଇଞ୍ଜିନିୟରମାନେ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରଶ୍ନ ମାଧ୍ୟମରେ ଇନଭର୍ଟର ବିଫଳତା ସମାଧାନ କରିଥିଲେ, ଯାହା ଦ୍ୱାରା ହାରାହାରି ପ୍ରକ୍ରିୟାକରଣ ସମୟ 58% ହ୍ରାସ ପାଇଥିଲା।

ନିୟୋଜନ ଚ୍ୟାଲେଞ୍ଜ ଏବଂ ସମାଧାନ

ମେମୋରୀ ସୀମା:

KV କ୍ୟାଶ୍ କ୍ୱାଣ୍ଟାଇଜେସନ୍ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବ୍ୟବହାର କରି, 14B ମଡେଲର ମେମୋରୀ ବ୍ୟବହାରକୁ 32GB ରୁ 9GB କୁ ହ୍ରାସ କରାଯାଇଛି।

ବାସ୍ତବ-ସମୟ କାର୍ଯ୍ୟଦକ୍ଷତା ସୁନିଶ୍ଚିତ କରିବା:

CUDA ଗ୍ରାଫ୍ ଅପ୍ଟିମାଇଜେସନ୍ ମାଧ୍ୟମରେ ଏକକ ଅନୁମାନ ଲାଟେନ୍ସୀକୁ ±15 ms ପର୍ଯ୍ୟନ୍ତ ସ୍ଥିର କରାଯାଇଛି।

ମଡେଲ୍ ଡ୍ରିଫ୍ଟ:

ସାପ୍ତାହିକ କ୍ରମିକ ଅପଡେଟ୍ (କେବଳ 2% ପାରାମିଟର ପ୍ରସାରଣ)।

ଅତ୍ୟନ୍ତ ପରିବେଶ:

IP67 ସୁରକ୍ଷା ସ୍ତର ସହିତ -40°C ରୁ 85°C ପର୍ଯ୍ୟନ୍ତ ବିସ୍ତୃତ ତାପମାତ୍ରା ପରିସର ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି।

ଉପସଂହାର

ବର୍ତ୍ତମାନର ନିୟୋଜନ ଖର୍ଚ୍ଚ ଏବେ $599/ନୋଡ୍ (ଜେଟସନ୍ ଓରିନ୍ NX) କୁ ହ୍ରାସ ପାଇଛି, 3C ଉତ୍ପାଦନ, ଅଟୋମୋଟିଭ୍ ଆସେମ୍ବଲି ଏବଂ ଶକ୍ତି ରସାୟନ ବିଜ୍ଞାନ ଭଳି କ୍ଷେତ୍ରଗୁଡ଼ିକରେ ସ୍କେବେଲିବ୍ଲ ଆପ୍ଲିକେସନ୍ ଗଠନ ହେବା ସହିତ। MoE ସ୍ଥାପତ୍ୟ ଏବଂ ପରିମାଣୀକରଣ ପ୍ରଯୁକ୍ତିର ନିରନ୍ତର ଅପ୍ଟିମାଇଜେସନ୍ 2025 ଶେଷ ସୁଦ୍ଧା 70B ମଡେଲକୁ ଏଜ୍ ଡିଭାଇସ୍ ଉପରେ ଚାଲିବାକୁ ସକ୍ଷମ କରିବ ବୋଲି ଆଶା କରାଯାଉଛି।

ELV କେବୁଲ୍‌ ସମାଧାନ ଖୋଜନ୍ତୁ

ନିୟନ୍ତ୍ରଣ କେବୁଲ୍‌ଗୁଡ଼ିକ

BMS, BUS, ଶିଳ୍ପ, ଉପକରଣ କେବୁଲ ପାଇଁ।

ଏଠାରେ କ୍ଲିକ୍ କରନ୍ତୁ

ସଂରଚିତ କେବଲିଂ ସିଷ୍ଟମ

ନେଟୱାର୍କ ଏବଂ ଡାଟା, ଫାଇବର-ଅପ୍ଟିକ୍ କେବୁଲ୍, ପ୍ୟାଚ୍ କର୍ଡ, ମଡ୍ୟୁଲ୍, ଫେସପ୍ଲେଟ୍