CrossnoKaye使用Amazon Bedrock

工业运营带来的AI挑战在典型企业软件中并不明显。 大多数工厂中，设备逻辑由可编程逻辑控制器（PLC）和分布式控制系统（DCS）运行，历史记录器按特定命名方案记录时间序列标签，监控控制和数据采集（SCADA）系统驱动操作员屏幕，而独立的优化工具或报警记录器则位于旁边。 将外部AI代理附加到该堆栈在实践中很少能很好地工作。 每个系统使用自己的命名约定。 实际控制设备行为的逻辑（控制序列、状态机和安全互锁）被锁定在专有控制器代码中，外部工具无法检查。

在多个运营技术（OT）系统之间提供代理访问权限意味着在工厂网络中分发凭证。 CrossnoKaye采用了一种不同的方法，使用Amazon Bedrock AgentCore将物理AI带到重工业。 其软件定义自动化平台ATLAS，将实时工厂数据和AI推理连接到食品和饮料工厂、工业制冷设施、 aggregates quarries和制造场的设备闭环控制。

在100多个工业设施和13,000个受控资产中，CrossnoKaye存储了超过220万亿个机器数据点，每天摄取超过500亿个新读数，并运行超过1,000个实时高级过程控制（APC）应用程序； CrossnoKaye报告称，这些应用程序将生产吞吐量提高了11-17%，同时将总设施能源成本平均降低了21%。 由于ATLAS已经在AWS上的一体化平台上管理了设施模型、基本控制软件、历史记录器和优化应用程序，CrossnoKaye的代理智能系统AURA可以原生访问工厂的完整运营状态，并在单个安全边界内运行。

虽然拥有工厂上下文只是问题的一半，但大型语言模型（LLM）擅长解释工程上下文和计划调查，但它们无法在提示中可靠地计算数百万个传感器读数的统计数据或物理平衡。 为了用真实的数学支持每个数字答案，AURA使用Amazon Bedrock AgentCore中的代码解释器功能，在运行时在隔离的AWS管理微VM沙盒中编写和运行Python工作负载，同时使用Amazon Bedrock Guardrails和本地边缘安全控制。

本文涵盖了CrossnoKaye如何在AWS上构建ATLAS和AURA，AURA如何使用Amazon Bedrock AgentCore在交互式聊天、可重复的任务和自动化例程中工作，以及团队在生产中运行物理AI学到的经验。