ಪೇಂಟ್ ಶಾಪ್ ಈಗ ಡುರ್‌ನ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಅವಲಂಬಿಸಬಹುದು

ಡರ್ ಅಡ್ವಾನ್ಸ್ಡ್ ಅನಾಲಿಟಿಕ್ಸ್ ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ, ಇದು ಪೇಂಟ್ ಶಾಪ್‌ಗಳಿಗೆ ಮೊದಲ ಮಾರುಕಟ್ಟೆ-ಸಿದ್ಧ AI ಅಪ್ಲಿಕೇಶನ್ ಆಗಿದೆ.DXQanalyze ಉತ್ಪನ್ನ ಸರಣಿಯಲ್ಲಿನ ಇತ್ತೀಚಿನ ಮಾಡ್ಯೂಲ್‌ನ ಭಾಗವಾಗಿ, ಈ ಪರಿಹಾರವು ಇತ್ತೀಚಿನ ಐಟಿ ತಂತ್ರಜ್ಞಾನ ಮತ್ತು ಮೆಕ್ಯಾನಿಕಲ್ ಇಂಜಿನಿಯರಿಂಗ್ ವಲಯದಲ್ಲಿ ಡರ್ರ ಅನುಭವವನ್ನು ವಿಲೀನಗೊಳಿಸುತ್ತದೆ, ದೋಷಗಳ ಮೂಲಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ, ಸೂಕ್ತ ನಿರ್ವಹಣೆ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ, ಹಿಂದೆ ತಿಳಿದಿಲ್ಲದ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತದೆ ಮತ್ತು ಈ ಜ್ಞಾನವನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲು ಬಳಸುತ್ತದೆ. ಸ್ವಯಂ ಕಲಿಕೆಯ ತತ್ವವನ್ನು ಬಳಸಿಕೊಂಡು ಸಿಸ್ಟಮ್‌ಗೆ ಅಲ್ಗಾರಿದಮ್.

ತುಣುಕುಗಳು ಒಂದೇ ರೀತಿಯ ದೋಷಗಳನ್ನು ಏಕೆ ತೋರಿಸುತ್ತವೆ?ಯಂತ್ರವನ್ನು ನಿಲ್ಲಿಸದೆಯೇ ರೋಬೋಟ್‌ನಲ್ಲಿರುವ ಮಿಕ್ಸರ್ ಅನ್ನು ಬದಲಾಯಿಸುವುದು ಯಾವಾಗ ಇತ್ತೀಚಿನದು?ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ನಿಖರವಾದ ಮತ್ತು ನಿಖರವಾದ ಉತ್ತರಗಳನ್ನು ಹೊಂದಿರುವುದು ಸುಸ್ಥಿರ ಆರ್ಥಿಕ ಯಶಸ್ಸಿಗೆ ಮೂಲಭೂತವಾಗಿದೆ ಏಕೆಂದರೆ ಪ್ರತಿ ದೋಷ ಅಥವಾ ಪ್ರತಿ ಅನಗತ್ಯ ನಿರ್ವಹಣೆಯು ಹಣವನ್ನು ಉಳಿಸುತ್ತದೆ ಅಥವಾ ಉತ್ಪನ್ನದ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ."ಈಗ ಮೊದಲು, ಗುಣಮಟ್ಟದ ದೋಷಗಳು ಅಥವಾ ವೈಫಲ್ಯಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಗುರುತಿಸಲು ನಮಗೆ ಅನುಮತಿಸುವ ಕೆಲವು ಕಾಂಕ್ರೀಟ್ ಪರಿಹಾರಗಳು ಇದ್ದವು.ಮತ್ತು ಇದ್ದರೆ, ಅವುಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಡೇಟಾ ಅಥವಾ ಪ್ರಯೋಗ ಮತ್ತು ದೋಷದ ಪ್ರಯತ್ನಗಳ ಸೂಕ್ಷ್ಮವಾದ ಹಸ್ತಚಾಲಿತ ಮೌಲ್ಯಮಾಪನವನ್ನು ಆಧರಿಸಿವೆ.ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್‌ನಿಂದಾಗಿ ಈ ಪ್ರಕ್ರಿಯೆಯು ಈಗ ಹೆಚ್ಚು ನಿಖರ ಮತ್ತು ಸ್ವಯಂಚಾಲಿತವಾಗಿದೆ" ಎಂದು ಡರ್ರ್‌ನಲ್ಲಿರುವ MES ಮತ್ತು ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಗಳ ಉಪಾಧ್ಯಕ್ಷ ಗೆರ್ಹಾರ್ಡ್ ಅಲೋನ್ಸೊ ಗಾರ್ಸಿಯಾ ವಿವರಿಸುತ್ತಾರೆ.
Dürr's DXQanalyze ಡಿಜಿಟಲ್ ಉತ್ಪನ್ನ ಸರಣಿಯು ಈಗಾಗಲೇ ಉತ್ಪಾದನಾ ಡೇಟಾವನ್ನು ಪಡೆದುಕೊಳ್ಳಲು ಡೇಟಾ ಸ್ವಾಧೀನ ಮಾಡ್ಯೂಲ್‌ಗಳು, ಅದನ್ನು ದೃಶ್ಯೀಕರಿಸಲು ವಿಷುಯಲ್ ಅನಾಲಿಟಿಕ್ಸ್ ಮತ್ತು ಸ್ಟ್ರೀಮಿಂಗ್ ಅನಾಲಿಟಿಕ್ಸ್ ಅನ್ನು ಒಳಗೊಂಡಿತ್ತು, ಈಗ ಹೊಸ ಸ್ವಯಂ-ಕಲಿಕೆ ಅಡ್ವಾನ್ಸ್ಡ್ ಅನಾಲಿಟಿಕ್ಸ್ ಪ್ಲಾಂಟ್ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಯ ಮೇಲ್ವಿಚಾರಣಾ ವ್ಯವಸ್ಥೆಯನ್ನು ಪರಿಗಣಿಸಬಹುದು.

AI ಅಪ್ಲಿಕೇಶನ್ ತನ್ನ ಮೆಮೊರಿಯನ್ನು ಹೊಂದಿದೆ
ಸುಧಾರಿತ ಅನಾಲಿಟಿಕ್ಸ್‌ನ ವಿಶಿಷ್ಟತೆಯೆಂದರೆ, ಈ ಮಾಡ್ಯೂಲ್ ಐತಿಹಾಸಿಕ ಡೇಟಾವನ್ನು ಒಳಗೊಂಡಂತೆ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಯಂತ್ರ ಕಲಿಕೆಯೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ.ಇದರರ್ಥ ಸ್ವಯಂ-ಕಲಿಕೆ AI ಅಪ್ಲಿಕೇಶನ್ ತನ್ನದೇ ಆದ ಸ್ಮರಣೆಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಆದ್ದರಿಂದ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾದಲ್ಲಿ ಸಂಕೀರ್ಣವಾದ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಪ್ರಸ್ತುತದ ಆಧಾರದ ಮೇಲೆ ಹೆಚ್ಚಿನ ನಿಖರತೆಯೊಂದಿಗೆ ಭವಿಷ್ಯದಲ್ಲಿ ಈವೆಂಟ್ ಅನ್ನು ಊಹಿಸಲು ಹಿಂದಿನ ಮಾಹಿತಿಯನ್ನು ಬಳಸಬಹುದು. ಯಂತ್ರದ ಪರಿಸ್ಥಿತಿಗಳು.ಕಾಂಪೊನೆಂಟ್, ಪ್ರಕ್ರಿಯೆ, ಅಥವಾ ಸಸ್ಯ ಮಟ್ಟದಲ್ಲಿ, ಬಣ್ಣದ ಅಂಗಡಿಗಳಲ್ಲಿ ಇದಕ್ಕಾಗಿ ಸಾಕಷ್ಟು ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿವೆ.

ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆಯು ಸಸ್ಯದ ಅಲಭ್ಯತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ
ಘಟಕಗಳ ವಿಷಯಕ್ಕೆ ಬಂದಾಗ, ಸುಧಾರಿತ ಅನಾಲಿಟಿಕ್ಸ್ ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆ ಮತ್ತು ದುರಸ್ತಿ ಮಾಹಿತಿಯ ಮೂಲಕ ಅಲಭ್ಯತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ, ಉದಾಹರಣೆಗೆ ಮಿಕ್ಸರ್‌ನ ಉಳಿದ ಸೇವಾ ಜೀವನವನ್ನು ಊಹಿಸುವ ಮೂಲಕ.ಘಟಕವನ್ನು ತುಂಬಾ ಮುಂಚೆಯೇ ಬದಲಾಯಿಸಿದರೆ, ಬಿಡಿ ಭಾಗಗಳ ವೆಚ್ಚವು ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು ಪರಿಣಾಮವಾಗಿ ಸಾಮಾನ್ಯ ದುರಸ್ತಿ ವೆಚ್ಚವು ಅನಗತ್ಯವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತದೆ.ಮತ್ತೊಂದೆಡೆ, ಅದನ್ನು ಹೆಚ್ಚು ಕಾಲ ಚಾಲನೆಯಲ್ಲಿಟ್ಟರೆ, ಲೇಪನ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಮತ್ತು ಯಂತ್ರದ ನಿಲುಗಡೆ ಸಮಯದಲ್ಲಿ ಗುಣಮಟ್ಟದ ಸಮಸ್ಯೆಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು.ಹೆಚ್ಚಿನ ಆವರ್ತನದ ರೋಬೋಟ್ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಉಡುಗೆ ಸೂಚಕಗಳು ಮತ್ತು ಉಡುಗೆಗಳ ತಾತ್ಕಾಲಿಕ ಮಾದರಿಯನ್ನು ಕಲಿಯುವ ಮೂಲಕ ಸುಧಾರಿತ ಅನಾಲಿಟಿಕ್ಸ್ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ.ಡೇಟಾವನ್ನು ನಿರಂತರವಾಗಿ ದಾಖಲಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದರಿಂದ, ಯಂತ್ರ ಕಲಿಕೆ ಮಾಡ್ಯೂಲ್ ನಿಜವಾದ ಬಳಕೆಯ ಆಧಾರದ ಮೇಲೆ ಆಯಾ ಘಟಕಕ್ಕೆ ವಯಸ್ಸಾದ ಪ್ರವೃತ್ತಿಯನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಗುರುತಿಸುತ್ತದೆ ಮತ್ತು ಈ ರೀತಿಯಲ್ಲಿ ಗರಿಷ್ಠ ಬದಲಿ ಸಮಯವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ.

ಯಂತ್ರ ಕಲಿಕೆಯಿಂದ ಅನುಕರಿಸುವ ನಿರಂತರ ತಾಪಮಾನ ವಕ್ರಾಕೃತಿಗಳು
ಸುಧಾರಿತ ಅನಾಲಿಟಿಕ್ಸ್ ವೈಪರೀತ್ಯಗಳನ್ನು ಗುರುತಿಸುವ ಮೂಲಕ ಪ್ರಕ್ರಿಯೆಯ ಮಟ್ಟದಲ್ಲಿ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಒಲೆಯಲ್ಲಿ ಹೀಟ್-ಅಪ್ ಕರ್ವ್ ಅನ್ನು ಅನುಕರಿಸುವ ಮೂಲಕ.ಇಲ್ಲಿಯವರೆಗೆ, ತಯಾರಕರು ಮಾಪನ ರನ್‌ಗಳ ಸಮಯದಲ್ಲಿ ಸಂವೇದಕಗಳಿಂದ ನಿರ್ಧರಿಸಲ್ಪಟ್ಟ ಡೇಟಾವನ್ನು ಮಾತ್ರ ಹೊಂದಿದ್ದರು.ಆದಾಗ್ಯೂ, ಕಾರಿನ ದೇಹದ ಮೇಲ್ಮೈ ಗುಣಮಟ್ಟಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ ಮೂಲಭೂತ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಹೊಂದಿರುವ ಹೀಟ್-ಅಪ್ ವಕ್ರಾಕೃತಿಗಳು ಓವನ್ ವಯಸ್ಸಿನಿಂದಲೂ ಮಾಪನ ರನ್ಗಳ ನಡುವಿನ ಮಧ್ಯಂತರಗಳಲ್ಲಿ ಬದಲಾಗುತ್ತವೆ.ಈ ಉಡುಗೆಯು ಏರಿಳಿತದ ಸುತ್ತುವರಿದ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಗಾಳಿಯ ಹರಿವಿನ ತೀವ್ರತೆಯಲ್ಲಿ.“ಇಲ್ಲಿಯವರೆಗೆ, ಪ್ರತ್ಯೇಕ ದೇಹಗಳನ್ನು ಬಿಸಿಮಾಡಲಾದ ನಿಖರವಾದ ತಾಪಮಾನವನ್ನು ತಿಳಿಯದೆ ಸಾವಿರಾರು ದೇಹಗಳು ಉತ್ಪತ್ತಿಯಾಗುತ್ತವೆ.ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು, ನಮ್ಮ ಸುಧಾರಿತ ಅನಾಲಿಟಿಕ್ಸ್ ಮಾಡ್ಯೂಲ್ ವಿವಿಧ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ತಾಪಮಾನವು ಹೇಗೆ ಬದಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಅನುಕರಿಸುತ್ತದೆ.ಇದು ನಮ್ಮ ಗ್ರಾಹಕರಿಗೆ ಪ್ರತಿಯೊಂದು ಭಾಗಕ್ಕೂ ಗುಣಮಟ್ಟದ ಶಾಶ್ವತ ಪುರಾವೆಯನ್ನು ನೀಡುತ್ತದೆ ಮತ್ತು ವೈಪರೀತ್ಯಗಳನ್ನು ಗುರುತಿಸಲು ಅವರಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ ”ಎಂದು ಗೆರ್ಹಾರ್ಡ್ ಅಲೋನ್ಸೊ ಗಾರ್ಸಿಯಾ ವಿವರಿಸುತ್ತಾರೆ.

ಹೆಚ್ಚಿನ ಮೊದಲ ರನ್ ದರವು ಒಟ್ಟಾರೆ ಉಪಕರಣದ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ
ಇಂಪ್ಲಾಂಟ್‌ಗೆ ಸಂಬಂಧಿಸಿದಂತೆ, ಉಪಕರಣದ ಒಟ್ಟಾರೆ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಹೆಚ್ಚಿಸಲು DXQplant.analytics ಸಾಫ್ಟ್‌ವೇರ್ ಅನ್ನು ಸುಧಾರಿತ ಅನಾಲಿಟಿಕ್ಸ್ ಮಾಡ್ಯೂಲ್‌ನೊಂದಿಗೆ ಸಂಯೋಜನೆಯಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ.ಜರ್ಮನ್ ತಯಾರಕರ ಬುದ್ಧಿವಂತ ಪರಿಹಾರವು ನಿರ್ದಿಷ್ಟ ಮಾದರಿ ಪ್ರಕಾರಗಳು, ನಿರ್ದಿಷ್ಟ ಬಣ್ಣಗಳು ಅಥವಾ ದೇಹದ ಪ್ರತ್ಯೇಕ ಭಾಗಗಳಲ್ಲಿ ಪುನರಾವರ್ತಿತ ಗುಣಮಟ್ಟದ ದೋಷಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತದೆ.ಉತ್ಪಾದನಾ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಯಾವ ಹಂತವು ವಿಚಲನಗಳಿಗೆ ಕಾರಣವಾಗಿದೆ ಎಂಬುದನ್ನು ಗ್ರಾಹಕರು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಇದು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.ಅಂತಹ ನ್ಯೂನತೆ ಮತ್ತು ಕಾರಣದ ಪರಸ್ಪರ ಸಂಬಂಧಗಳು ಬಹಳ ಆರಂಭಿಕ ಹಂತದಲ್ಲಿ ಹಸ್ತಕ್ಷೇಪವನ್ನು ಅನುಮತಿಸುವ ಮೂಲಕ ಭವಿಷ್ಯದಲ್ಲಿ ಮೊದಲ ರನ್ ದರವನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ.

ಸಸ್ಯ ಎಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ಡಿಜಿಟಲ್ ಪರಿಣತಿಯ ನಡುವಿನ ಸಂಯೋಜನೆ
AI-ಹೊಂದಾಣಿಕೆಯ ಡೇಟಾ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ಬಹಳ ಸಂಕೀರ್ಣವಾದ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ.ವಾಸ್ತವವಾಗಿ, ಯಂತ್ರ ಕಲಿಕೆಯೊಂದಿಗೆ ಬುದ್ಧಿವಂತ ಫಲಿತಾಂಶವನ್ನು ಉತ್ಪಾದಿಸಲು, "ಸ್ಮಾರ್ಟ್" ಅಲ್ಗಾರಿದಮ್‌ಗೆ ಅನಿರ್ದಿಷ್ಟ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಸೇರಿಸಲು ಸಾಕಾಗುವುದಿಲ್ಲ.ಸಂಬಂಧಿತ ಸಂಕೇತಗಳನ್ನು ಸಂಗ್ರಹಿಸಬೇಕು, ಎಚ್ಚರಿಕೆಯಿಂದ ಆಯ್ಕೆ ಮಾಡಬೇಕು ಮತ್ತು ಉತ್ಪಾದನೆಯಿಂದ ರಚನಾತ್ಮಕ ಹೆಚ್ಚುವರಿ ಮಾಹಿತಿಯೊಂದಿಗೆ ಸಂಯೋಜಿಸಬೇಕು.ವಿಭಿನ್ನ ಬಳಕೆಯ ಸನ್ನಿವೇಶಗಳನ್ನು ಬೆಂಬಲಿಸುವ, ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗೆ ರನ್‌ಟೈಮ್ ಪರಿಸರವನ್ನು ಒದಗಿಸುವ ಮತ್ತು ಮಾದರಿ ತರಬೇತಿಯನ್ನು ಪ್ರಾರಂಭಿಸುವ ಸಾಫ್ಟ್‌ವೇರ್ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಡರ್ರ್ ಸಮರ್ಥರಾದರು."ಈ ಪರಿಹಾರವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ನಿಜವಾದ ಸವಾಲಾಗಿತ್ತು ಏಕೆಂದರೆ ಮಾನ್ಯವಾದ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿ ಮತ್ತು ನಾವು ಬಳಸಬಹುದಾದ ಸೂಕ್ತವಾದ ರನ್ಟೈಮ್ ಪರಿಸರವಿಲ್ಲ.ಸಸ್ಯ ಮಟ್ಟದಲ್ಲಿ AI ಅನ್ನು ಬಳಸಲು ಸಾಧ್ಯವಾಗುವಂತೆ, ನಾವು ನಮ್ಮ ಡಿಜಿಟಲ್ ಫ್ಯಾಕ್ಟರಿ ತಜ್ಞರ ಜ್ಞಾನದೊಂದಿಗೆ ಮೆಕ್ಯಾನಿಕಲ್ ಮತ್ತು ಪ್ಲಾಂಟ್ ಎಂಜಿನಿಯರಿಂಗ್‌ನ ಜ್ಞಾನವನ್ನು ಸಂಯೋಜಿಸಿದ್ದೇವೆ.ಇದು ಬಣ್ಣದ ಅಂಗಡಿಗಳಿಗೆ ಮೊದಲ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಪರಿಹಾರಕ್ಕೆ ಕಾರಣವಾಯಿತು," ಗೆರ್ಹಾರ್ಡ್ ಅಲೋನ್ಸೊ ಗಾರ್ಸಿಯಾ ಹೇಳುತ್ತಾರೆ.

ಸುಧಾರಿತ ಅನಾಲಿಟಿಕ್ಸ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಕೌಶಲ್ಯ ಮತ್ತು ಜ್ಞಾನವನ್ನು ಸಂಯೋಜಿಸಲಾಗಿದೆ
ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು, ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಪ್ರಕ್ರಿಯೆ ತಜ್ಞರನ್ನು ಒಳಗೊಂಡ ಅಂತರಶಿಸ್ತೀಯ ತಂಡವು ಈ ಬುದ್ಧಿವಂತ ಪರಿಹಾರವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆ.ಡರ್ರ್ ಹಲವಾರು ಪ್ರಮುಖ ವಾಹನ ತಯಾರಕರೊಂದಿಗೆ ಸಹಕಾರ ಪಾಲುದಾರಿಕೆಯನ್ನು ಸಹ ಪ್ರವೇಶಿಸಿದ್ದಾರೆ.ಈ ರೀತಿಯಾಗಿ, ಡೆವಲಪರ್‌ಗಳು ವಿಭಿನ್ನ ಅಪ್ಲಿಕೇಶನ್ ಪ್ರಕರಣಗಳಿಗಾಗಿ ಉತ್ಪಾದನೆಯಲ್ಲಿ ನೈಜ-ಜೀವನದ ಉತ್ಪಾದನಾ ಡೇಟಾ ಮತ್ತು ಬೀಟಾ ಸೈಟ್ ಪರಿಸರವನ್ನು ಹೊಂದಿದ್ದರು.ಮೊದಲನೆಯದಾಗಿ, ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಪರೀಕ್ಷಾ ಪ್ರಕರಣಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಅಲ್ಗಾರಿದಮ್‌ಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲಾಯಿತು.ತರುವಾಯ, ಅಲ್ಗಾರಿದಮ್‌ಗಳು ನೈಜ-ಜೀವನದ ಕಾರ್ಯಾಚರಣೆಯ ಸಮಯದಲ್ಲಿ ಆನ್-ಸೈಟ್ ಕಲಿಕೆಯನ್ನು ಮುಂದುವರೆಸಿದವು ಮತ್ತು ಪರಿಸರ ಮತ್ತು ಬಳಕೆಯ ಪರಿಸ್ಥಿತಿಗಳಿಗೆ ತಮ್ಮನ್ನು ಅಳವಡಿಸಿಕೊಂಡವು.ಬೀಟಾ ಹಂತವು ಇತ್ತೀಚೆಗೆ ಯಶಸ್ವಿಯಾಗಿ ಪೂರ್ಣಗೊಂಡಿತು ಮತ್ತು ಅದು ಎಷ್ಟು AI ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸಿದೆ.ಮೊದಲ ಪ್ರಾಯೋಗಿಕ ಅನ್ವಯಿಕೆಗಳು Dürr ನಿಂದ ಸಾಫ್ಟ್‌ವೇರ್ ಸಸ್ಯ ಲಭ್ಯತೆ ಮತ್ತು ಚಿತ್ರಿಸಿದ ದೇಹಗಳ ಮೇಲ್ಮೈ ಗುಣಮಟ್ಟವನ್ನು ಉತ್ತಮಗೊಳಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತಿದೆ.