نرم‌افزار، هوش مصنوعی و سخت‌افزار ارگ، هرکدام نقشی مشخص دارند. ببینید هر سیستم چه کاری انجام می‌دهد، در کجای معماری قرار می‌گیرد و چگونه به دیگر اجزا مرتبط می‌شود.
محصولات مستقل، سرویس‌های مشترک و تجهیزات متصل؛ با مرز روشن میان تجربهٔ کاربر، پردازش و کنترل فیزیکی.
یک مثال مهندسی از پایش فشار پمپ؛ مراحل را انتخاب کنید و ببینید در هر مرز چه چیزی دریافت، پردازش و تحویل می‌شود. مسیر واقعی براساس تجهیزات و تنظیمات پروژه انتخاب می‌شود.
ارزش مهندسیتفاوت پروتکل‌ها در لایهٔ اتصال مدیریت می‌شود؛ منطق کاربرد با مفهوم فشار کار می‌کند.
Digital Twin هم تحلیل ML دارد و هم دستیار LLM، بازیابی RAG و ابزارهای کار با پروژه؛ نووکسا نیز هوش مصنوعی را به داده و کارهای زندگی و کسب‌وکار وصل می‌کند. از یادگیری روی کنترلر و تحلیل بازار تا بازیابی دانش و دستیارهای تخصصی، هر مسیر داده، مدل، ابزار و خروجی مشخص خود را دارد. این قابلیت‌ها در کنار ENID، موتورهای منطق و سرویس‌های محصولات، سیستم هوشمند را می‌سازند.
از داده تا پیش‌بینیِ قابل ارزیابی
دادهٔ زمان‌دار، Feature و قرارداد ورودی
آموزش مدل و نگهداری Scaler، Label و نسخه
تشخیص وضعیت یا پیش‌بینی رخداد آینده
Walk-forward و مقایسهٔ پیش‌بینی ثبت‌شده با نتیجه
ارزیابی نسل جدید مدل برای استفاده در Runtime
نمونهٔ چرخهٔ Backend در تحلیل بازار؛ یادگیری محلی PLC چرخهٔ مستقل خود را دارد.
از دانش و Context تا پاسخ و اقدام
پرسش، دادهٔ کاربر و محدودهٔ همان کار
بازیابی دانش مرتبط در مسیرهای مجهز به RAG
ترکیب Context و انتخاب ابزار متناسب با درخواست
فراخوانی ابزار از مسیر سرویس و مجوز همان سیستم
بازگرداندن پاسخ و نگهداری سابقه یا نتیجهٔ کار
RAG دیجیتال تویین، دانش پروژه را به دستیار متصل می‌کند. EKOS مسیر مستقل بازیابی دانش دارد؛ Operator و دستیارهای محصولات نیز Context را در فرایند مختص خود مصرف می‌کنند.
همزاد دیجیتال، هویت تجهیز، مقدار، کیفیت داده، تاریخچه و صحنه را کنار هم نگه می‌دارد. در یک مسیر، ARG AI مدل را آموزش می‌دهد و دادهٔ تجهیز را تحلیل می‌کند. در مسیر دیگر، دستیار LLM با بازیابی RAG، حافظهٔ گفت‌وگو و ابزارهای پروژه، وضعیت را بررسی و کار مهندسی را به پیشنهاد قابل اجرا تبدیل می‌کند.
اطلاعات و هشدارهای پروژه، تاریخچهٔ سنسورها و اسناد فنی؛ دادهٔ آموزش برای مدل انتخاب‌شده.
ML برای تشخیص ناهنجاری، پیش‌بینی مصرف و نگهداشت؛ RAG برای جست‌وجوی دانش کاتالوگ، پروتکل و اسناد پروژه؛ LLM برای بررسی چندمرحله‌ای با ابزارهای وضعیت، آلارم و تاریخچه.
پیش‌بینی و معیار مدل، توضیح مبتنی بر داده و دانش؛ پیشنهاد ساخت ساختار پروژه، داشبورد، صحنهٔ سه‌بعدی، Rule و Scenario. تغییرات از گردش تأیید کاربر عبور می‌کنند.
نمونهٔ کاربرد: «آلارم‌های این تجهیز را بررسی کن و برای پایش آن داشبورد پیشنهاد بده». دستیار اطلاعات و دانش مرتبط را جمع می‌کند و پیشنهاد ساخت را برای تأیید ارائه می‌دهد. در مسیر ML، تاریخچهٔ تجهیز برای تحلیل عددی مصرف می‌شود؛ اتصال دادهٔ واقعی سایت در استقرار تعریف می‌شود.
دستیار از Context منتخب و دادهٔ حساب در UDS استفاده می‌کند. متن و صوت به ابزارهای حوزه‌ای متصل می‌شوند؛ ارتباط ERP، IoT و PC از Bridgeهای مشخص با مسیر درخواست و نتیجه عبور می‌کند.
درخواست متنی یا صوتی، سابقهٔ گفت‌وگو و اطلاعات مرتبطی که کاربر از حساب خود انتخاب می‌کند.
LLM با سابقه و زمینهٔ همان موضوع پاسخ می‌سازد؛ مسیر صوت، گفتار را به متن و فرمان ابزار تبدیل می‌کند. تحلیل تصویر نیز اطلاعات سند یا کالا را استخراج می‌کند.
پاسخ شخصی‌سازی‌شده، پیشنهاد و برنامه؛ در مسیرهای متصل، اجرای ابزار و بازگشت نتیجهٔ سرویس به گفت‌وگو.
نمونهٔ کاربرد: فرمان صوتی به ابزار ثبت‌شده هدایت می‌شود؛ اطلاعات تصویر فاکتور به فیلدهای قابل بررسی تبدیل می‌شود؛ دستیار کسب‌وکار در اتصال ERP از اطلاعات همان سازمان استفاده می‌کند.
مسیرهای GMM، HMM و مدل‌های Supervised وضعیت بازار را تحلیل می‌کنند؛ XGBoost مقصد تغییر را پیش‌بینی می‌کند. Feature contract، مدل نسخه‌دار، Walk-forward و Episode tracking، آموزش را به صحت‌سنجی نتیجه وصل می‌کنند.
Feature و Label زمان‌دار از حرکت بازار ساخته می‌شوند. Training و Prediction به دفتر نتیجه متصل‌اند؛ اولین پیش‌بینی کندل حفظ می‌شود تا نتیجهٔ آینده با همان پیش‌بینی سنجیده شود.
ANOM با EWMA خط مبنای سیگنال را روی MCU یاد می‌گیرد و نتیجه را به متغیر BASIC می‌دهد. Warmup، تأیید عبورهای متوالی و ذخیره، بارگذاری یا Freeze مدل، چرخهٔ یادگیری محلی را کامل می‌کنند.
Chunking، Embedding و Vector Index با جست‌وجوی واژگانی ترکیب می‌شوند. Hybrid Retrieval و RRF، متن مرتبط را با هویت منبع در اختیار مصرف‌کننده می‌گذارند؛ تغییر سند و تغییر مدل Embedding نیز مدیریت می‌شود.
Context و حافظهٔ نسخه‌دار به Work Order و ابزارهای مجاز همان کار متصل‌اند. Candidate، Validation، Build، Activation و Restart مراحل مشخص دارند و نتیجه با Checkpoint و سابقهٔ عملیات دنبال می‌شود.
Profile کاربرد، دانش محصول و تقویم کشت، زمینهٔ دستیار را شکل می‌دهند. توصیه در سابقهٔ نشست نگهداری می‌شود؛ محاسبات هزینه و درآمد نیز سناریوی اقتصادی قابل بررسی می‌سازند.
ENID و ACV، هویت و وضعیت نقاط را به Runtime می‌رسانند. Digital Twin این داده را به تجهیز، صحنه و تاریخچه متصل می‌کند. مسیر اجرای فرمان در سرویس، منطق کنترلی و Adapter مربوط به پروژه تعریف می‌شود؛ چرخهٔ تحلیل و نمایش به این ساختار متصل است.
معماری پلتفرم‌های ساخت سیستم هوشمند برای صنعت، زیرساخت، خدمات و سازمان. هویت و داده، منطق محلی، یادگیری، عملیات مهندسی و محصولات را با مرزهای پردازش و بازخورد دنبال کنید.
سازوکار فنیENID قرارداد مشترک میان پیام میدان، مدل نقطه، منطق و خروجی است. هویت نقطه، هویت دستگاه و هویت درخواست فرمان هرکدام مسئولیت جدا دارند.
دادهٔ تجهیز پس از Decode به ENID و مدل ACV می‌رسد. مصرف داده، فرمان سخت‌افزاری و تغییر متغیر داخلی سه مسیر جدا هستند. بازخورد تجهیز فقط با دریافت گزارش تازه وارد مسیر ورودی می‌شود؛ ارسال فرمان به‌تنهایی تأیید اجرای آن نیست.
مؤلفه را انتخاب کنید؛ شرح و ارتباط‌های آن زیر نقشه باز می‌شود. نقشه قابل پیمایش افقی است.
پیام اندازه‌گیری یا گزارش وضعیت از تجهیز یا Gateway دریافت می‌شود. قالب پیام به پروتکل مسیر ورودی وابسته است.
Serial + LocalPointId — صفرگذاری، کنترل قالب و تبدیل ۱۲↔۱۶ رقم در تابع‌های مشخص.
نقطه در سطح دستگاه و سامانه هویت سازگار دارد.
stable ENID copy و ACV type resolution — Category، I/O، datatype و Port نوع نقطه و عنوان پیش‌فرض را می‌سازند.
مدل کشف‌شده با دریافت فریم بعدی هویت خود را حفظ می‌کند.
Frame → ENID → ACV → Rule → ENID → Frame — مقدار مهندسی و وضعیت از هویت سیمی جدا و در خروجی دوباره ترجمه می‌شوند.
افزودن Adapter از بازنویسی تمام منطق مصرف‌کننده جدا می‌شود.
Envelope + idempotency key — رکورد با پروژه و کلید نگهداری و دستگاه و نقطه و مقدار با آن تطبیق داده می‌شوند.
پیگیری هر تغییر از مقصد نقطه فراتر می‌رود و خود درخواست را نیز مشخص می‌کند.
Outbox و receipt rank — تراکنش انتخاب، attempts، lastAttemptAt و کنترل پیشرفت مرحله در Store.
وضعیت تحویل و پاسخ دستگاه در مدل قابل تفکیک می‌ماند.
همهٔ اجزا در نقشه دیده می‌شوند؛ هر سیستم را برای بررسی نقش و ارتباط‌هایش انتخاب کنید.
یک کاربرد را انتخاب و مسیر آن را دنبال کنید.
نمونهٔ مسیر پایش ساختمان؛ سازگاری مدل حسگر و درگاه در طراحی پروژه تعیین می‌شود.
نقش، خروجی و ارتباط‌ها در یک نگاه