
AI ଟେକ୍ନୋଲୋଜି |
ଟ୍ରୁକିଂ ଟେକ୍ନୋଲୋଜି, ସମଗ୍ର ଫାର୍ମାସ୍ୟୁଟିକାଲ୍ ପ୍ରକ୍ରିୟା ପାଇଁ ବ intelligent ଦ୍ଧିକ ଉପକରଣର ଅନୁସନ୍ଧାନ, ବିକାଶ, ଉତ୍ପାଦନ ଏବଂ ବିକ୍ରୟ ସହିତ ଜଡିତ ଏକ ଉଦ୍ୟୋଗ ଭାବରେ ଶିଳ୍ପ ବ characteristics ଶିଷ୍ଟ୍ୟଗୁଡିକର ସମ୍ମୁଖୀନ ହୁଏ ଯାହା ପାଚନତା ଏବଂ ଉଚ୍ଚ ସଠିକତା ଉପରେ ଅଧିକ ଦାବି କରେ | ବହୁ ବର୍ଷର ଅନୁସନ୍ଧାନ ଏବଂ ପ୍ରାଥମିକ ଉତ୍ପାଦନ କ ies ଶଳର ବିକାଶ, ତଥା ଡିଜିଟାଲ୍ ରୂପାନ୍ତର ଏବଂ ନବୀକରଣ ପରେ କମ୍ପାନୀ ବହୁ ପରିମାଣର ଉଚ୍ଚ-ଗୁଣାତ୍ମକ ପ୍ରକ୍ରିୟା ତଥ୍ୟ ସଂଗ୍ରହ କରିସାରିଛି, ଯାହା ଟ୍ରୁକିଙ୍ଗ୍ ଟେକ୍ନୋଲୋଜିର ଶିଳ୍ପ ଦୃଶ୍ୟରେ AI ଏଜେଣ୍ଟର ଭୂଲମ୍ବ ପ୍ରୟୋଗ ପାଇଁ ମଧ୍ୟ ଆଧାର ହୋଇପାରିଛି | PLM / MOM ଡାଟା, ମଡେଲ, ଚିତ୍ରାଙ୍କନ ଏବଂ ବ technical ଷୟିକ ପାରାମିଟର ସହିତ ମିଳିତ ଡାଟା ଟ୍ରେନିଂ ମାଧ୍ୟମରେ, ଟ୍ରୁକିଂ ଟେକ୍ନୋଲୋଜି ଧୀରେ ଧୀରେ AI ଏଜେଣ୍ଟ ସହାୟକ ପାରାମିଟରର ଅପ୍ଟିମାଇଜେସନ୍, ଏବଂ ପ୍ରକ୍ରିୟା ମାର୍ଗ, ବ technical ଷୟିକ ଆବଶ୍ୟକତା ଏବଂ ଯାଞ୍ଚ ତଥ୍ୟର ବ intelligent ଦ୍ଧିକ ପ୍ରସ୍ତୁତି ଏବଂ ସୁପାରିଶ, CNC ପ୍ରୋଗ୍ରାମର ପ୍ରସ୍ତୁତି ଏବଂ ଯାଞ୍ଚରେ AI + ମଡେଲର ବ intelligent ଦ୍ଧିକ ଏକୀକରଣକୁ ହୃଦୟଙ୍ଗମ କରେ | “ଆପେକ୍ଷିକ + ସଠିକତା” ମୋଡ୍ ପାଇଁ ଧନ୍ୟବାଦ, ଦୀପସେକ୍-ଏଇ ଏଜେଣ୍ଟ ପାଇଁ ବ୍ୟବହାରିକ ପ୍ରୟୋଗ ଯୋଜନାର ଗୋଟିଏ ଲକ୍ଷ୍ୟ ଶେଷରେ ହୃଦୟଙ୍ଗମ ହେଲା: CAPP ପ୍ରକ୍ରିୟାର ବ intellectual ଦ୍ଧିକୀକରଣ |

ଟ୍ରୁକିଂ ଟେକ୍ନୋଲୋଜି ଡିପ୍ସିକ୍- AI- ଏଜେଣ୍ଟ ପ୍ରୟୋଗ ଉଦ୍ଦେଶ୍ୟ |
01
ପ୍ରକଳ୍ପ ଇତିହାସ ଏବଂ ମୂଳ ମୂଲ୍ୟଗୁଡ଼ିକ |
ନିମ୍ନଲିଖିତ ଶିଳ୍ପଗୁଡ଼ିକର ପ୍ରମୁଖ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଟ୍ରୁକିଂ ଟେକ୍ନୋଲୋଜି ଲକ୍ଷ୍ୟ ରଖିଛି: CAPP ପ୍ରକ୍ରିୟା ଆନାଲିଟିକ୍ସ:
ଉଚ୍ଚ ସଠିକତା ଆବଶ୍ୟକତା ପୂରଣ କରିବା ପାଇଁ ପ୍ରକ୍ରିୟାର ସଠିକତା ଏବଂ ଦକ୍ଷତା ବୃଦ୍ଧି ନିଶ୍ଚିତ କରିବା |
ଜଟିଳ ପ୍ରକ୍ରିୟା ତଥ୍ୟର ମାନୁଆଲ ପ୍ରକ୍ରିୟାକରଣର ଦକ୍ଷତାରେ ବଟଲେନେକ୍ (CNC ପ୍ରୋଗ୍ରାମ ସମୀକ୍ଷା ସମୟ ହେଉଛି 35%)
ପ୍ରକ୍ରିୟା ଡକ୍ୟୁମେଣ୍ଟେସନ୍ ସୃଷ୍ଟି କରିବାର ଗତି ଏବଂ ଗୁଣ ମଧ୍ୟରେ ପ୍ରତିବାଦ (ପ୍ରକ୍ରିୟା ତଥ୍ୟ ଦେଖିବା ସମୟର 25% ନିଏ)
ଦୀପସେକ- AI ଏଜେଣ୍ଟର ମୂଳ ମୂଲ୍ୟ:
ବୁଦ୍ଧିଜୀବୀ CAPP ପ୍ରକ୍ରିୟା: ବିତରଣ ଚକ୍ର 40% ହ୍ରାସ ପାଇଛି |
ଏନସି ପ୍ରୋଗ୍ରାମର ବ Intell ଦ୍ଧିକ ସଂକଳନ ଏବଂ ବିଶ୍ଳେଷଣ: ମାନୁଆଲ ହସ୍ତକ୍ଷେପକୁ 60% ହ୍ରାସ କରିବା |
ଗତିଶୀଳ ପ୍ରକ୍ରିୟା ସଠିକତାର ପୁନରାବୃତ୍ତି: ହାରାହାରି ବାର୍ଷିକ ସଂଗୃହିତ ଲାଭ ≥12% |
02
ମୁଖ୍ୟ ପ୍ରୟୋଗ |
CAPP ଡାଟା ପ୍ରକ୍ରିୟାକରଣ |
ଲକ୍ଷ୍ୟ:
ପ୍ରକ୍ରିୟା ମାର୍ଗ, ବ technical ଷୟିକ ପାରାମିଟର ଏବଂ ନିୟନ୍ତ୍ରଣ ତଥ୍ୟର ବୁଦ୍ଧିମାନ ସଂକଳନ ଏବଂ ଅପ୍ଟିମାଇଜେସନ୍ ହୃଦୟଙ୍ଗମ କରନ୍ତୁ |
କାର୍ଯ୍ୟାନ୍ୱୟନ ପଥ:
PLM / MOM ତଥ୍ୟକୁ ଏକତ୍ର କର, 3D ମଡେଲ ଏବଂ ଚିତ୍ରଗୁଡ଼ିକୁ ଏକତ୍ର କର, ଏବଂ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ରାଉଟିଙ୍ଗ ଏବଂ ପାରାମିଟର ସୁପାରିଶ ସୃଷ୍ଟି କର |
ମାନୁଆଲ ହସ୍ତକ୍ଷେପକୁ ହ୍ରାସ କରିବା ପାଇଁ AI + ଆଲଗୋରିଦମ ବ୍ୟବହାର କରି ଏନସି ପ୍ରୋଗ୍ରାମର ବ Intell ଦ୍ଧିକ ସଂକଳନ ଏବଂ ଯାଞ୍ଚ |
ଉତ୍ପାଦନ ପ୍ରକ୍ରିୟାର ଉଚ୍ଚ ସଠିକତା ଏବଂ ସ୍ଥିରତା ନିଶ୍ଚିତ କରିବାକୁ ଗତିଶୀଳ ଭାବରେ ପ୍ରକ୍ରିୟା ପାରାମିଟରଗୁଡିକ ସଜାଡନ୍ତୁ |
ଆଶାକରାଯାଇଥିବା ଫଳାଫଳଗୁଡିକ:
ପ୍ରକ୍ରିୟା କାର୍ଯ୍ୟକାରୀ ଚକ୍ର 40% ଏବଂ ମାନୁଆଲ ହସ୍ତକ୍ଷେପ 60% ହ୍ରାସ ପାଇଛି |
ବୁଦ୍ଧିମାନ CNC ପ୍ରୋଗ୍ରାମିଂ |
ଲକ୍ଷ୍ୟ:
AI ଟେକ୍ନୋଲୋଜି ସହିତ ଆପଣଙ୍କର CNC ପ୍ରୋଗ୍ରାମିଂ ଦକ୍ଷତା ଏବଂ ସଠିକତାକୁ ଅପ୍ଟିମାଇଜ୍ କରନ୍ତୁ |
କାର୍ଯ୍ୟାନ୍ୱୟନ ପଥ:
CNC ପ୍ରୋଗ୍ରାମିଂ ଡାଟା ବିଶ୍ଳେଷଣ କରିବା ଏବଂ ଟୁଲ୍ ପଥ ଏବଂ ମେସିନିଂ ପାରାମିଟରକୁ ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ AI + ଆଲଗୋରିଦମ ପ୍ରୟୋଗ କରନ୍ତୁ |
ପ୍ରୋଗ୍ରାମିଂ ଫଳାଫଳ ପ୍ରକ୍ରିୟା ଆବଶ୍ୟକତା ପୂରଣ କରିବାକୁ ନିଶ୍ଚିତ କରିବାକୁ CNC ପ୍ରୋଗ୍ରାମ ବିଚ୍ୟୁତି ଉପରେ ନଜର ରଖିବା ପାଇଁ ଏକ ଗତିଶୀଳ କାଲିବ୍ରେସନ୍ ମଡ୍ୟୁଲ୍ କାର୍ଯ୍ୟକାରୀ କରନ୍ତୁ |
ଏନସି ପ୍ରୋଗ୍ରାମଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ସମୀକ୍ଷା ଏବଂ ସଂଶୋଧନ କରିବା ପାଇଁ ଶିଳ୍ପ ନିର୍ଦ୍ଦିଷ୍ଟତା କାର୍ଯ୍ୟକାରୀ କରିବାକୁ ନିୟମ ଇଞ୍ଜିନ ବ୍ୟବହାର କରନ୍ତୁ |
ଆଶାକରାଯାଇଥିବା ଫଳାଫଳଗୁଡିକ:
CNC ପ୍ରୋଗ୍ରାମିଂ ଦକ୍ଷତା 200% ବୃଦ୍ଧି ପାଇଲା |

ମାଇକ୍ରୋସର୍ଭାଇସ୍ ସ୍ଥାପତ୍ୟ ପ୍ରକଳ୍ପ ଦୀପସିକ୍- AI |
ସ୍ଥାପତ୍ୟ ଡିଜାଇନର ମୁଖ୍ୟ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ:
ମଡ୍ୟୁଲାର୍ ଏବଂ ଖାଲି ଯୋଡି ଡିଜାଇନ୍ |
ସ୍ ent ାଧୀନ AI ସେବା, ସହଜରେ ବିସ୍ତାରଯୋଗ୍ୟ ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣଯୋଗ୍ୟ |
କେନ୍ଦ୍ରୀୟ ତଥ୍ୟ ପ୍ରବେଶ ଏବଂ ଜ୍ଞାନ ପରିଚାଳନା |
ନମନୀୟ ନିୟୋଜନ ଏବଂ ବିସ୍ତାର ବିକଳ୍ପ |
ପ୍ରକୃତ ସମୟ ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ନିଷ୍ପତ୍ତି ସମର୍ଥନ |
03
କାର୍ଯ୍ୟାନ୍ୱୟନ ସମୀକ୍ଷା
ଉଚ୍ଚ ଅନୁପାଳନ ଏବଂ ଉଚ୍ଚ ସଠିକତା ପାଇଁ ଟ୍ରୁକିଙ୍ଗ୍ ଟେକ୍ନୋଲୋଜିର ଆବଶ୍ୟକତା ଉପରେ ଆଧାର କରି, ଏକ “ଆପେକ୍ଷିକ + ସଠିକତା ମୋଡ୍” କାର୍ଯ୍ୟାନ୍ୱୟନ ଯୋଜନା ପ୍ରସ୍ତାବିତ ହୋଇଛି, ମାନୁଆଲ ତଥ୍ୟ ପ୍ରକ୍ରିୟାକରଣର ଜଟିଳତାକୁ ହ୍ରାସ କରିବା ସହିତ AI ମଡେଲର ସଠିକତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ “କୃତ୍ରିମ ବୁଦ୍ଧି ଏବଂ ଆଲଗୋରିଦମ ସହଯୋଗ” ଉପରେ ଧ୍ୟାନ ଦେଇ | ମୁଖ୍ୟ ଧାରଣା ଅନ୍ତର୍ଭୁକ୍ତ:
ଦୁଇଥର ରେଳ ଯାଞ୍ଚ ପ୍ରଣାଳୀ |
AI ମଡେଲ୍ ଏକ ପ୍ରାଥମିକ ପୂର୍ବାନୁମାନ ଉତ୍ପାଦନ କରିବା ପରେ, ସମ୍ଭାବ୍ୟତା ପରିସଂଖ୍ୟାନ ଏବଂ ନିୟମ ଇଞ୍ଜିନ୍ ବ୍ୟବହାର କରି ଏହା ଦ୍ secondary ିତୀୟ ଯାଞ୍ଚ ଏବଂ ସମନ୍ୱୟର ଅଧୀନ ଅଟେ |
ବନ୍ଦ-ଲୁପ୍ ଡାଟା ପରିଚାଳନା |
ଏକାଧିକ ଉତ୍ସରୁ ତଥ୍ୟ ସଂଗ୍ରହ ଠାରୁ ଆରମ୍ଭ କରି ଫିଡବ୍ୟାକ୍ ଡାଟା ପୁନ ass ଏକତ୍ର କରିବା ପର୍ଯ୍ୟନ୍ତ, କ୍ରମାଗତ ଭାବରେ ଅପ୍ଟିମାଇଜ୍ ଡାଟା ଲାଇଫ୍ ସାଇକେଲ ସୃଷ୍ଟି ହୁଏ |
ସଠିକତା ଧୀରେ ଧୀରେ ଉନ୍ନତ ହୁଏ |
ଗତିଶୀଳ ବେଞ୍ଚମାର୍କ ତୁଳନା ଏବଂ 1% ସଠିକତା ପୁନରାବୃତ୍ତି ରଣନୀତି ମାଧ୍ୟମରେ, ମଡେଲ କାର୍ଯ୍ୟଦକ୍ଷତାରେ କ୍ରମାଗତ ଉନ୍ନତି ହାସଲ ହୁଏ |

AI ଉପରେ ଆଧାର କରି ସ୍ୱୟଂଚାଳିତ ପ୍ରକ୍ରିୟା ଯୋଜନା କାର୍ଯ୍ୟକାରୀ କରିବାର ପଥ |
04
ପ୍ରମୁଖ ବ technical ଷୟିକ ବିନ୍ଦୁଗୁଡ଼ିକର ସ୍ପଷ୍ଟୀକରଣ |
| ପର୍ଯ୍ୟାୟ | ବିବରଣୀଗୁଡିକ |
|---|---|
| ତଥ୍ୟ ସଂଗ୍ରହ ଏବଂ ପୂର୍ବ-ପ୍ରକ୍ରିୟାକରଣ | | Histor ତିହାସିକ ପ୍ରକ୍ରିୟା ତଥ୍ୟ: ସଫଳ ମାମଲାଗୁଡ଼ିକର ମାର୍ଗ ଏବଂ କାର୍ଯ୍ୟ | CAD ମଡେଲ୍ ତଥ୍ୟ: ଉତ୍ପାଦ ଜ୍ୟାମିତିକ ବ characteristics ଶିଷ୍ଟ୍ୟଗୁଡିକ | ଉତ୍ପାଦନ ଉପକରଣର ପାରାମିଟର: ମେସିନ୍ ଏବଂ ଉପକରଣଗୁଡ଼ିକର ସାମର୍ଥ୍ୟ | ସାମଗ୍ରୀ ଗୁଣ ତଥ୍ୟ: ପ୍ରକ୍ରିୟାକରଣ ବ features ଶିଷ୍ଟ୍ୟ ଏବଂ ଉତ୍ତାପ ଚିକିତ୍ସା ଆବଶ୍ୟକତା | |
| ଗଭୀର ଶିକ୍ଷଣ ମଡେଲ୍ | | ବ feature ଶିଷ୍ଟ୍ୟ ଚିହ୍ନଟ ଏବଂ CAD ମଡେଲ ବିଶ୍ଳେଷଣ ପାଇଁ CNN | ଅପରେସନ୍ କ୍ରମ ପୂର୍ବାନୁମାନ ପାଇଁ RNN | ବ techn ଷୟିକ ସମାଧାନକୁ ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ ଦୃ for ୀକରଣ ଶିକ୍ଷା | |
| ଏକ ଜ୍ଞାନ ଗ୍ରାଫ୍ ନିର୍ମାଣ | | ଡୋମେନ୍ ଅନ୍ଟୋଲୋଜି | ସଂସ୍ଥାଗୁଡ଼ିକ ମଧ୍ୟରେ ସମ୍ପର୍କ ବାହାର କରିବା | ଜ୍ଞାନ ଗ୍ରାଫ୍ ଉପରେ ଆଧାରିତ ସୂଚନା | |
| ସ୍ୱୟଂଚାଳିତ ଯୋଜନା ପ୍ରଣାଳୀ | | ଉତ୍ପାଦ ବ characteristics ଶିଷ୍ଟ୍ୟ ଏବଂ ଯନ୍ତ୍ରପାତି କ୍ଷମତାକୁ ଧ୍ୟାନରେ ରଖି ଏକ ବ techn ଷୟିକ ମାର୍ଗର ଉତ୍ପାଦନ | କାର୍ଯ୍ୟର ବିଷୟବସ୍ତୁ ଏବଂ କ୍ରମର ଯୋଜନା କରିବା | ପ୍ରକ୍ରିୟାକରଣ ପାରାମିଟରଗୁଡିକ ସେଟିଂ |
| ଅପ୍ଟିମାଇଜେସନ୍ ଏବଂ ମତାମତ | | ଡିଜିଟାଲ୍ ଯାଆଁଳା ବ୍ୟବହାର କରି ଭର୍ଚୁଆଲ୍ ଯାଞ୍ଚ | ଗୁଣବତ୍ତା ଏବଂ ଦକ୍ଷତା ଉପରେ ବାସ୍ତବ ମତାମତ ସଂଗ୍ରହ କରନ୍ତୁ | AI ମଡେଲ ଏବଂ ଜ୍ knowledge ାନ ଗ୍ରାଫକୁ ନିରନ୍ତର ତାଲିମ ଏବଂ ଅଦ୍ୟତନ କରନ୍ତୁ | |
ଡାଟା ଗୁଣବତ୍ତା ଉନ୍ନତି ପ୍ରଯୁକ୍ତିବିଦ୍ୟା |
ଏକାଧିକ ଉତ୍ସରୁ ଡାଟା ଫ୍ୟୁଜନ୍: ମଲ୍ଟିମୋଡାଲ୍ ଡାଟା ଯେପରିକି ସିଷ୍ଟମ୍ ଲଗ୍ ଏବଂ ଉପଭୋକ୍ତା ଆଚରଣ ତଥ୍ୟକୁ ଏକତ୍ର କରନ୍ତୁ | ହାଇରାର୍କିକାଲ୍ ଟିପ୍ପଣୀ କ strategy ଶଳ: ବ୍ୟବସାୟ ମୂଲ୍ୟ ଅନୁଯାୟୀ ତଥ୍ୟକୁ ପ୍ରାଥମିକତା ଦିଅନ୍ତୁ ଏବଂ ଅର୍ଦ୍ଧ-ସ୍ୱୟଂଚାଳିତ ଟିପ୍ପଣୀ ବ୍ୟବହାର କରନ୍ତୁ |
ମଡେଲ୍ ଅପ୍ଟିମାଇଜେସନ୍ ସିଷ୍ଟମ୍ |
ଏକୀକୃତ ଶିକ୍ଷଣ framework ାଞ୍ଚା ଏବଂ ଶିକ୍ଷଣ ସ୍ଥାନାନ୍ତର: ଡୋମେନ୍ ସହିତ ପୂର୍ବ ମଡେଲଗୁଡିକୁ ଆଡାପ୍ଟ୍ କରି ମଡେଲ୍ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିବା | ସ୍ୱୟଂଚାଳିତ ପାରାମିଟର ଟ୍ୟୁନିଂ: ଭବିଷ୍ୟବାଣୀ ସଠିକତାକୁ ଉନ୍ନତ କରିବାକୁ ଧୀରେ ଧୀରେ ମଡେଲ ପାରାମିଟରଗୁଡ଼ିକୁ ଅପ୍ଟିମାଇଜ୍ କରନ୍ତୁ |
ଆଲଗୋରିଦମର ପାରସ୍ପରିକ କ mechanism ଶଳ |
ଡାଇନାମିକ୍ ବ id ଧତା ମଡ୍ୟୁଲ୍: ଫଳାଫଳଗୁଡିକ ପ୍ରକ୍ରିୟା ଆବଶ୍ୟକତା ପୂରଣ କରିବାକୁ ନିଶ୍ଚିତ କରିବାକୁ ପ୍ରକୃତ ସମୟରେ ପୂର୍ବାନୁମାନ ଭିନ୍ନତା ଉପରେ ନଜର ରଖନ୍ତୁ | ନିୟମ ଇଞ୍ଜିନ୍ ଡିଜାଇନ୍: AI ଆଉଟପୁଟର ଯୁକ୍ତିଯୁକ୍ତତା ଯାଞ୍ଚ କରନ୍ତୁ |
ସିଷ୍ଟମ୍ ଇଞ୍ଜିନିୟରିଂ ସ୍ଥାପତ୍ୟ |
ବଣ୍ଟିତ ଡାଟାବେସ୍: ସ୍ତମ୍ଭ ସଂରକ୍ଷଣ ଏବଂ ବୃହତ ତଥ୍ୟର ଶୀଘ୍ର ସନ୍ଧାନକୁ ସମର୍ଥନ କରେ | ମଡ୍ୟୁଲାର୍ ସେବା ଡିଜାଇନ୍: ତଥ୍ୟ, ମଡେଲ୍ ଏବଂ ଯାଞ୍ଚ ଉପାଦାନଗୁଡ଼ିକର ନିରପେକ୍ଷ ଅଦ୍ୟତନ | ବନ୍ଦ-ଲୁପ୍ ସିଷ୍ଟମ୍: ମଡେଲକୁ କ୍ରମାଗତ ଭାବରେ ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ ଉପଭୋକ୍ତା-ସଂଶୋଧିତ ତଥ୍ୟ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ତାଲିମ ପ୍ରକ୍ରିୟାରେ ଖାଇବାକୁ ଦିଆଯାଏ |
05
ମୁଖ୍ୟ ଚିନ୍ତାଧାରାର ବିଶ୍ଳେଷଣ |
AI + ସମ୍ଭାବ୍ୟ ପରିସଂଖ୍ୟାନ:
ଗଭୀର ଶିକ୍ଷଣ ମଡେଲ ଉପରେ ଆଧାର କରି, AI ବ୍ୟବହାର କରି ଆଉଟପୁଟ୍ ପୂର୍ବାନୁମାନ କରାଯାଇଥିବା ମୂଲ୍ୟଗୁଡ଼ିକର ବିଶ୍ୱସନୀୟତାକୁ ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ ଏକ ସମ୍ଭାବ୍ୟତା ଏବଂ ପରିସଂଖ୍ୟାନ ମଡେଲ ଯୋଗ କରାଯାଏ | ଫଳାଫଳର ସ୍ଥିରତା ଏବଂ ବ୍ୟାଖ୍ୟାତ୍ମକତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ମଲ୍ଟିଭାରିଏଟ୍ ମଡେଲ୍ ଆଉଟପୁଟ୍ ତୁଳନା ତୁଳନା କରନ୍ତୁ |
ଆପେକ୍ଷିକ ଏବଂ ସଂପୂର୍ଣ୍ଣ ସଠିକତାର ମିଶ୍ରଣ:
"ଆପେକ୍ଷିକ + ସଠିକତା ମୋଡ୍" କ୍ରମାଗତ ପୁନରାବୃତ୍ତି, ଯାଞ୍ଚ ଏବଂ ତୁଳନା ମାଧ୍ୟମରେ ପୂର୍ବାନୁମାନର ସଠିକତାକୁ ଉନ୍ନତ କରେ | ଯେତେବେଳେ ପର୍ଯ୍ୟାପ୍ତ ଟିପ୍ପଣୀ ତଥ୍ୟ ନଥାଏ, ପ୍ରଥମେ ଆପେକ୍ଷିକ ସୂଚକାଙ୍କ ବ୍ୟବହାର କରାଯାଏ, ଏବଂ ଯେତେବେଳେ ଉଚ୍ଚ-ଗୁଣାତ୍ମକ ତଥ୍ୟର ପରିମାଣ ବ increases େ, ଏହା ଧୀରେ ଧୀରେ ସଂପୂର୍ଣ୍ଣ ସଠିକତା କାଲିବ୍ରେସନ୍ କୁ ଚାଲିଯାଏ |
1% ସଠିକତା ସହିତ କ୍ରମାଗତ ଜମା:
ପ୍ରତ୍ୟେକ ଅପ୍ଟିମାଇଜେସନ୍ ସହିତ ସଠିକତାର ଏକ ଛୋଟ 1% ଉନ୍ନତି ବଡ଼ ଆକାରର ପ୍ରୟୋଗଗୁଡ଼ିକରେ ଉଲ୍ଲେଖନୀୟ ଲାଭ ଦେଇଥାଏ | ସ୍ୱୟଂଚାଳିତ ମଡେଲ ମନିଟରିଂ ଏବଂ ଫିଡବ୍ୟାକ୍ ମେକାନିଜିମ୍ ବ୍ୟବହାର କରି, ଅପଡେଟ୍ ମୂଲ୍ୟାଙ୍କନ ଫଳାଫଳଗୁଡିକର ପାର୍ଥକ୍ୟ ଏକ ଦୀର୍ଘକାଳୀନ ଅପ୍ଟିମାଇଜେସନ୍ ଇଞ୍ଜିନ୍ ଗଠନ ପାଇଁ ପରିମାଣିତ ହୁଏ |
ଡାଟା ବ୍ୟବହାର ଏବଂ ମଲ୍ଟି ଲେଭଲ୍ ବର୍ଗୀକରଣ:
ସଠିକତା ଆବଶ୍ୟକତା ଉପରେ ଆଧାର କରି ସ୍ତର ଦ୍ୱାରା ଡାଟା ସ୍ତର ପ୍ରକ୍ରିୟାକରଣ କରନ୍ତୁ କିମ୍ବା “ଗୋଟିଏ ଆକାର ସମସ୍ତ ଫିଟ୍” କୁ ଏଡାଇବା ପାଇଁ ମାମଲା ବ୍ୟବହାର କରନ୍ତୁ | ମଡେଲ ତାଲିମର ମୂଲ୍ୟ ବ to ାଇବା ପାଇଁ ମୂଲ୍ୟବାନ ତଥ୍ୟ ଉପରେ ଲେବଲ୍ ଏବଂ ମତାମତ ଉପରେ ଧ୍ୟାନ ଦିଅନ୍ତୁ |
ଫଳାଫଳଗୁଡିକ ବିଭିନ୍ନ:
ଆଉଟପୁଟ୍ ବିଶ୍ଳେଷଣ ଫଳାଫଳଗୁଡିକ PDF ଫାଇଲ୍ କିମ୍ବା ଭିଜୁଆଲ୍ ରିପୋର୍ଟ ଆକାରରେ | “ସମ୍ଭାବ୍ୟତା ବଣ୍ଟନ” କିମ୍ବା “ଆତ୍ମବିଶ୍ୱାସର ବ୍ୟବଧାନ” ଉପସ୍ଥାପନ କର, ଯାହା ଦ୍ users ାରା ଉପଭୋକ୍ତାମାନେ ଅନ୍ତର୍ନିହିତ ଭାବରେ ପରିବର୍ତ୍ତନ ପରିସର ଏବଂ ପୂର୍ବାନୁମାନ ଫଳାଫଳର ଆତ୍ମବିଶ୍ୱାସକୁ ଅନୁଭବ କରିପାରିବେ |

AI ଏବଂ ଆଲଗୋରିଦମ ସହଯୋଗ ସ୍ଥାପତ୍ୟ |
06
ଦୀପସିକ୍- AI ବିବର୍ତ୍ତନ ସ୍ଥାପତ୍ୟ ଚାର୍ଟ ଅନୁମାନର ତୁଳନାତ୍ମକ ବିଶ୍ଳେଷଣ |
ଏକ ମାଇକ୍ରୋ ସର୍ଭିସ୍ ସ୍ଥାପତ୍ୟର ପରିକଳ୍ପନା |
ପ୍ରଥମ ସଂସ୍କରଣ: ମ basic ଳିକ ର line ଖ୍ୟ ପ୍ରକ୍ରିୟା (ଡାଟା → ମଡେଲ୍ → ବ ation ଧତା → ଆଉଟପୁଟ୍) |
ଅପ୍ଟିମାଇଜ୍ ସଂସ୍କରଣ: ଡାଟା ଗୁଣବତ୍ତା ଏବଂ ଉପଭୋକ୍ତା ମତାମତ ଉପରେ ନଜର ରଖିବା ପାଇଁ ଏକକାଂଶ ଯୋଗ କରାଯାଇଛି |
ଅନ୍ତିମ ସଂସ୍କରଣ: ସମ୍ଭାବ୍ୟ ପରିସଂଖ୍ୟାନ ମଡ୍ୟୁଲ୍ କୁ ମଜବୁତ କର ଏବଂ ଆପେକ୍ଷିକ ବେଞ୍ଚମାର୍କିଂ ପଥକୁ ସ୍ପଷ୍ଟ କର |
| ବ istic ଶିଷ୍ଟ୍ୟ | ସ୍ଥାପତ୍ୟର ପ୍ରଥମ ସଂସ୍କରଣ | | ସ୍ଥାପତ୍ୟର ଅପ୍ଟିମାଇଜ୍ ସଂସ୍କରଣ | | ଅନ୍ତିମ ସ୍ଥାପତ୍ୟ | |
|---|---|---|---|
| ଡାଟା ମନିଟରିଂ | | ନା | ସ୍ quality ାଧୀନ ଗୁଣବତ୍ତା ନିୟନ୍ତ୍ରଣ ମଡ୍ୟୁଲ୍ | | ସମନ୍ୱିତ ଉନ୍ନତ ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ମନିଟରିଂ ପ୍ରକ୍ରିୟା | |
| ମତାମତ ଯାନ୍ତ୍ରିକତା | | ଫଳାଫଳ ଉପରେ ସରଳ ମତାମତ | | ମଲ୍ଟି ଲେଭଲ୍ ୟୁଜର୍ ଫିଡବ୍ୟାକ୍ ଲୁପ୍ | | ମୂଲ୍ୟାଙ୍କନ ତଥ୍ୟର ସଂରଚନା ଫେରସ୍ତ |
| ଯାଞ୍ଚ ପଦ୍ଧତି | | ସ୍ଥିର ନିୟମ ଦ୍ୱାରା ବ id ଧତା | | ଡାଇନାମିକ୍ ଥ୍ରେସହୋଲ୍ଡ ସେଟିଂ | | ଆପେକ୍ଷିକ ବେସ୍ ଲାଇନ୍ + ସମ୍ଭାବ୍ୟ ବଣ୍ଟନ + ଦୁଇଥର ବ id ଧତା | |
| ଫଳାଫଳ ଉପସ୍ଥାପନା | ଗୋଟିଏ PDF ଆଉଟପୁଟ୍ | ଆତ୍ମବିଶ୍ୱାସ ବ୍ୟବଧାନ ଭିଜୁଆଲାଇଜେସନ୍ | | ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ମଲ୍ଟିଡେମେନସିଆଲ୍ ଡାଟା ଡ୍ୟାସବୋର୍ଡ | |
ବନ୍ଦ ଲୁପ୍ ମତାମତ ପ୍ରଣାଳୀ |
ନିୟମିତ ମୂଲ୍ୟାଙ୍କନ ଏବଂ ସମୟାନୁବର୍ତ୍ତୀ ଅଦ୍ୟତନ ମାଧ୍ୟମରେ, ଫଳାଫଳ ଏବଂ ଉପଭୋକ୍ତା ମତାମତ ଉପରେ ଆଧାର କରି ଏକ ବନ୍ଦ-ଲୁପ୍ ଯନ୍ତ୍ରକ formed ଶଳ ଗଠନ ହୁଏ | ପ୍ରତ୍ୟେକ ଛୋଟ ଉନ୍ନତି “ସଠିକତାର 1% ଉନ୍ନତି” କୁ ଯୋଡିଥାଏ, ଯାହା ଶେଷରେ ସାମଗ୍ରିକ କାର୍ଯ୍ୟଦକ୍ଷତାରେ ଏକ ମହତ୍ତ୍ୱପୂର୍ଣ୍ଣ ଉନ୍ନତି କରିଥାଏ |
07
ଆଶା କରାଯାଉଥିବା ଲାଭ |
| ଦିଗ | ଫଳାଫଳ |
|---|---|
| ଦକ୍ଷତା ବୃଦ୍ଧି | ପ୍ରକ୍ରିୟା ପ୍ରସ୍ତୁତି ଚକ୍ର 40% ହ୍ରାସ କରାଯାଇଛି | ଏନସି ପ୍ରୋଗ୍ରାମିଂ ଦକ୍ଷତା 200% ବୃଦ୍ଧି ପାଇଲା | |
| ଗୁଣବତ୍ତା ନିଶ୍ଚିତତା | ଗତିଶୀଳ ପୁନରାବୃତ୍ତି ସଠିକତାର ହାରାହାରି ବାର୍ଷିକ ବୃଦ୍ଧି ହେଉଛି ≥12% | ମାନୁଆଲ ହସ୍ତକ୍ଷେପ 60% ହ୍ରାସ ପାଇଛି | |
| ମୂଲ୍ୟ ଅପ୍ଟିମାଇଜେସନ୍ | | ମାନୁଆଲ ଡାଟା ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ଯାଞ୍ଚ ସମୟର ଜଟିଳତା କମିଯାଏ | |
| ସ୍ମାର୍ଟ ଅପଡେଟ୍ | | ଫାର୍ମାସ୍ୟୁଟିକାଲ୍ ଉପକରଣ ଶିଳ୍ପର ଅଧିକ ଦକ୍ଷ, ସଠିକ୍ ଏବଂ ସ୍ଥାୟୀ ଅପ୍ଟିମାଇଜେସନ୍ ହାସଲ ହୁଏ | |
"ଆପେକ୍ଷିକ + ସଠିକତା ମୋଡ୍" ହେତୁ ବୁଦ୍ଧିଜୀବୀ ଫାର୍ମାସ୍ୟୁଟିକାଲ୍ ଉପକରଣ କ୍ଷେତ୍ରରେ ଦୀପସିକ୍-ଏଇ ଏଜେଣ୍ଟ କିମ୍ବା ଟ୍ରୁକିଂ ଟେକ୍ନୋଲୋଜିର ଏକ ଦୃ strong ମୂଳ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତା ରହିଛି | AI ଟେକ୍ନୋଲୋଜି ଏବଂ ଆଲଗୋରିଦମଗୁଡିକର ସହଯୋଗ ଦ୍ୱାରା ବନ୍ଦ-ଲୁପ୍ ଡାଟା ପରିଚାଳନା ଏବଂ ଗତିଶୀଳ ଯାଞ୍ଚ ପ୍ରଣାଳୀ ସହିତ ଟ୍ରୁକିଂ ଟେକ୍ନୋଲୋଜି କେବଳ ଉତ୍ପାଦନ ଦକ୍ଷତା ଏବଂ ପ୍ରକ୍ରିୟାର ସଠିକତାକୁ ଉନ୍ନତ କରିବ ନାହିଁ, ବରଂ ଶିଳ୍ପର ଡିଜିଟାଲ୍ ଅପଗ୍ରେଡ୍ ପାଇଁ ଦୃ strong ସମର୍ଥନ ଯୋଗାଇବ | କୃତ୍ରିମ ବୁଦ୍ଧି ଏବଂ ଶିଳ୍ପ ଇଣ୍ଟରନେଟର ଦ୍ରୁତ ବିକାଶ ପରିପ୍ରେକ୍ଷୀରେ, ଦୀପସେକ୍-ଏଇ ଏଜେଣ୍ଟ arm ଷଧ ଉପକରଣ ଶିଳ୍ପର ବ intelligent ଦ୍ଧିକ ରୂପାନ୍ତର ପାଇଁ ଏକ ନୂତନ ମାନକ ସ୍ଥିର କରିବେ |
ଦୀପସେକ- AI- ଏଜେଣ୍ଟ |ଟ୍ରୁକିଂ ଟେକ୍ନୋଲୋଜି ମେଡିକାଲ୍ ଯନ୍ତ୍ରପାତି ଇଣ୍ଟେଲିଜେଣ୍ଟ୍ ଉତ୍ପାଦନ ସିଷ୍ଟମରେ ପ୍ରୟୋଗ |ଟ୍ରାକିଂ ଟେକ୍ନୋଲୋଜି AI ନିୟୋଜନ ଉପରେ ବ୍ୟବହାରିକ ଚିନ୍ତାଧାରା -ଡାକ୍ତରୀ ଉପକରଣ ବ୍ୟବହାର ମାମଲା ପାଇଁ ଦୀପସେକର ଘରୋଇକରଣ ହାଇରାର୍କିକାଲ୍ ନିୟୋଜନ ଅଧିକ ଉପଯୁକ୍ତ ଅଟେ |




