Solidigm 推出 Luceta AI 視覺平台,採邊緣運算優先架構,主打極低操作門檻。此平台使無資料科學背景的產線人員,可快速建置 AI 視覺檢測模型,加速製造、物流等產業的 AI 落地。Solidigm 推出 Luceta AI 視覺平台,採邊緣運算優先架構,主打極低操作門檻。此平台使無資料科學背景的產線人員,可快速建置 AI 視覺檢測模型,加速製造、物流等產業的 AI 落地。

Solidigm 推 Luceta AI 視覺平台 產線人員也能自建檢測模型

2026/03/17 12:47
閱讀時長 7 分鐘
如需對本內容提供反饋或相關疑問,請通過郵箱 crypto.news@mexc.com 聯絡我們。

儲存大廠 Solidigm 跨足 AI 軟體領域,推出 Luceta AI 視覺平台,以極低操作門檻與邊緣運算優先架構,讓產線人員無需資料科學背景也能快速建置檢測模型。
企業級儲存解決方案業者Solidigm,今日 (3/16)宣布跨足人工智慧軟體領域,推出全新AI視覺平台「Luceta AI軟體套件」。這套系統專為解決傳統電腦視覺在產線品管與檢測上的長年痛點而生,主打「極低操作門檻」與「邊緣運算優先」架構。透過無縫整合資料生命週期,Luceta AI讓未具備資料科學背景的最前線人員,也能在極短時間內建置、佈署、優化專屬的AI視覺檢測模型,大幅加速製造、物流與安全合規等產業的AI落地速度。

告別傳統機器視覺的「僵化」與曠日費時

在高度自動化的今天,許多關鍵的工業決策仍重度仰賴人工肉眼檢測,這不僅速度慢、標準不穩定,精準度也面臨瓶頸。

過去企業為了解決這個問題,通常有兩條路可選:一是採用傳統機器視覺系統,但這類系統缺乏彈性,只要產線光線或產品規則有微小變化就容易失效,而且每次導入新產品都需要漫長的重新編程;二是重金聘請電腦工程師進行客製化的AI開發,但往往需要耗費數個月的時間來清理資料與訓練模型。

Solidigm副總裁暨AI軟體業務部負責人A.J. Camber指出,Luceta AI軟體套件的誕生正是為了彌補這個落差。它的設計初衷是讓「最貼近資料的團隊」 (如產線作業員、品管人員)也能直接操作視覺AI,同時保留強大的擴充功能,讓專業的資料科學團隊能進一步提升效率。

兩週內上線、數分鐘內微調:四大核心模組

根據早期導入客戶的回饋,Luceta AI的極低操作門檻帶來了顯著的實際效益。一家製造業客戶在導入平台後,僅花費兩週便完成了首個檢測模型,精準度更突破90%。更重要的是,在初次佈署後,未來面對新條件或新應用情境時,產線人員只需短短「數分鐘」就能建立並切換新的檢測模型。

這種靈活性歸功於 Luceta AI平台內建的四大整合模組:

• 資料代理 (Data Agent):透過生成式AI技術自動篩選、分組與標註生產影像,將龐大雜亂的原始資料迅速轉化為可用的標註資料集,徹底解放人工標註的勞動力。

• 模型代理 (Model Agent):根據使用者的具體需求自動生成檢測模型,大幅降低機器學習的技術門檻,同時確保資料的未來擴充性。

• 流程管理 (Pipeline Manager):負責將訓練好的模型直接推播佈署至邊緣裝置 (Edge Devices),並且與現有的攝影設備及工廠營運流程無縫整合。

• 自適應代理 (Adaptive Agent):系統會持續收集生產環境的實際資料與使用者回饋,在背景自動優化模型,免去傳統繁瑣的手動重新訓練流程。

邊緣運算優先,深耕製造與物流場景

在技術架構上,Luceta AI採用了「邊緣運算優先」 (Edge-first)與「混合雲」的策略。影像資料優先在本地端進行處理,這不僅大幅降低了頻寬傳輸成本與延遲,更解決了企業最在意的資料隱私與機密外洩風險,而雲端資源則僅在需要大規模彈性運算時才介入。

目前,Luceta AI已經廣泛應用於多種工業場景:

• 製造業:精準檢測汽車烤漆的「橘皮現象」、焊接品質、紡織品瑕疵、塑膠射出成型缺陷,以及金屬沖壓的裂痕等。

• 安全與合規監測:自動偵測員工是否依規定穿戴防護裝備 (如安全帽),或在廠區視線死角辨識是否有行人過度靠近堆高機。

• 物流與倉儲:透過精準計數應用,確保出貨核對的正確性,降低收貨差異。

目前,Solidigm已經正式推出搭配硬體套件的Luceta AI概念驗證 (PoC)計畫,讓企業能在無風險的環境下進行導入測試。

資料來源

  • https://mashdigi.com/storage-giant-solidigm-is-venturing-into-ai-software-the-company-has-launched-the-luceta-ai-vision-platform-designed-to-enable-production-line-workers-to-easily-build-their-own-detection-models/
免責聲明: 本網站轉載的文章均來源於公開平台,僅供參考。這些文章不代表 MEXC 的觀點或意見。所有版權歸原作者所有。如果您認為任何轉載文章侵犯了第三方權利,請聯絡 crypto.news@mexc.com 以便將其刪除。MEXC 不對轉載文章的及時性、準確性或完整性作出任何陳述或保證,並且不對基於此類內容所採取的任何行動或決定承擔責任。轉載材料僅供參考,不構成任何商業、金融、法律和/或稅務決策的建議、認可或依據。