1. 總覽
在受監管的重要產業中，組織面臨著巨大的矛盾：如果網路安全政策規定資料絕不能接觸公用網際網路，該如何採用先進的 AI 技術來最佳化生產流程？內部網路和公開網際網路嚴格區隔，絕不互通。雖然現代製造業迫切需要預測性 AI 來防止災難性的設備故障並提高產量，但將敏感的遙測記錄、專利合金配方或 ERP 資料傳送至公有雲 API，在實務上是不可行的。因此，如果資料無法上雲端，雲端就必須來到資料所在位置。
在本程式碼實驗室中，我們將使用 Gemma 4 和 AlloyDB Omni，直接將 Google Cloud 最先進的資料和 AI 工具，導入未連線的高度安全環境。
AlloyDB Omni：終極資料保險箱
AlloyDB Omni 就像高效能金庫，這是一款容器化企業級資料庫，可完全在您自己的安全內部網路下載及執行。
- 完美整合：直接連結製造感應器 (例如 VIM 或重型壓機) 和本機 ERP (例如 Oracle R12)。
- AI 專用儲存空間：使用向量嵌入 (pgvector) 安全儲存機密製程表，供 AI 搜尋。
- 效能：無論是繁重的交易工作負載，還是分析型 AI 處理作業，效能都大幅超越標準 PostgreSQL。
本機 AI 專家：Gemma、TimesFM、TabFM
您可以下載開放權重模型，並在本機硬體上執行，不必使用遠端 API，因此不會有 API 外洩的問題。
- Gemma：Google 的開放權重 LLM，可做為研發專家。這項工具可安全讀取歷來記錄，或分析複雜的專利合金配方，預測機械性質。
- TimesFM (數值預測模型)：LLM 有時會產生幻覺，因此重型機械需要專用的時間序列基礎模型。TimesFM 可準確預測長期數值範圍 (最多 16,000 個資料點)，讀取震動和溫度記錄，預測確切的設備故障曲線，而且完全不需連上網路。
- TabFM (表格推論模型)：LLM 負責處理文字，TimesFM 負責處理數值趨勢，TabFM 則專門推論結構化表格資料。您可以在地端部署環境安全執行這項功能，直接從密集的多欄 ERP 或 CRM 資料執行複雜分析並回答問題，不必編寫複雜的 SQL join。
用途
1500 噸鍛壓機的預測性維護：
如果這類大型機具意外停機，生產作業就會中斷，浪費大量時間和重要材料。相反地，定期維護往往會過早更換昂貴零件，浪費預算。我們需要從被動維護轉為預測性維護，同時不破壞實體隔離。
課程內容
在本程式碼實驗室中：
- 您將使用 AlloyDB Omni，在本機安全擷取震動和溫度感應器資料，並可新增更多參數，讓資料更貼近實際情況且更實用。
- 您將瞭解如何使用 Gemma 分析歷來故障記錄的趨勢。
- 您將建構一個系統，用於預測故障，並在 ERP 中自動模擬觸發資產管理工作訂單。
我們使用 Docker 佈建本機 LLM 和 AlloyDB Omni。這個方法的好處在於簡單：AlloyDB Omni 可以自動管理內部的 ML-Agent 程序。
需求條件
- 對 SQL 有基本瞭解。
- 標準 Linux VM (例如 Ubuntu 22.04) 或已安裝 Docker 的本機電腦 (macOS/Windows)。
2. 啟動本機 LLM (Gemma 4)
我們將使用 Ollama 在本機託管 Gemma。建立 Dockerfile 來設定 Ollama 執行個體：
- 在本機電腦的終端機中，依序執行下列指令：
mkdir -p gemma4-ollama && cd gemma4-ollama
cat << 'EOF' > Dockerfile
FROM ollama/ollama:latest
ENV OLLAMA_HOST=0.0.0.0:8080
ENV OLLAMA_MODELS=/root/.ollama
ENV MODEL=gemma4:e2b
RUN ollama serve & sleep 5 && ollama pull $MODEL
ENTRYPOINT ["ollama", "serve"]
EOF
- 在主機網路上建構並執行容器：
docker build -t gemma4-local .
docker run --network host -d -p 8080:8080 --name gemma4-ollama-instance gemma4-local
- 您可以使用下列指令進行測試：
curl -X POST http://localhost:8080/api/generate -d '{
"model": "gemma4:e2b",
"prompt": "Hello! Explain Gemma 4 in a few sentences."
}'
3. 安裝並啟動 AlloyDB Omni
接著，在主機網路上啟動 AlloyDB Omni 資料庫容器：
docker run -d \
--name my-omni \
--network host \
-e POSTGRES_PASSWORD=omni \
gcr.io/alloydb-omni/alloydbomni:18
如果系統在 Google Cloud 雲端專案中找不到 AlloyDB Omni 映像檔，請先執行下列指令進行驗證，再執行上述 docker run 指令：
gcloud auth login
驗證完成後，請再次嘗試執行 docker run 指令。
4. 啟用內部 ML-Agent
根據預設，AlloyDB Omni 的機器學習整合功能為關閉狀態。我們需要修改容器內的 postgresql.conf 檔案，啟用內部機器學習代理程式程序和 AI 查詢引擎。
執行下列指令，附加必要旗標：
docker exec -it my-omni sh -c "cat << EOF >> /var/lib/postgresql/data/postgresql.conf
omni_enable_ml_agent_process = 'on'
google_ml_integration.enable_model_support = 'on'
google_ml_integration.enable_ai_query_engine = 'on'
EOF"
重新啟動容器，以套用變更：
docker restart my-omni
您可以使用下列指令啟動 psql，開始測試查詢：
docker exec -it my-omni psql -U postgres
5. 將 AI 轉送至本機 LLM
透過 psql (docker exec -it my-omni psql -U postgres) 連線至資料庫後，即可註冊本機離網模型。請將 model_request_url 轉送至在通訊埠 8080 執行的本機 Ollama 伺服器，而非呼叫網際網路。
在終端機的 psql 提示中，執行下列 SQL 陳述式：
CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE;
CALL google_ml.create_model(
model_id => 'gemma4:e2b',
model_request_url => 'http://localhost:8080/api/generate',
model_provider => 'custom',
model_type => 'generic'
);
現在，您可以直接在 SQL 中安全地叫用預測功能：
SELECT google_ml.predict_row(
'gemma4:e2b',
'{"model": "gemma4:e2b", "prompt": "Why is the sky blue?", "stream": false}'
)->'response';
輸出內容：
我們已在一般測試案例中測試過，現在來看看實際應用案例資料。
6. 建立結構定義並擷取資料
現在，我們來建立示範所需的結構定義和資料，進一步擴充應用實例。
在終端機的 psql 提示中，執行下列 SQL 陳述式：
-- ==============================================================================
-- 1. Setup the Schema for the 1500T Forging Press
-- ==============================================================================
CREATE TABLE IF NOT EXISTS forging_press_logs (
log_id SERIAL PRIMARY KEY,
timestamp TIMESTAMP NOT NULL DEFAULT NOW(),
cycle_id VARCHAR(50) NOT NULL,
hyd_pressure_bar NUMERIC(5,2),
oil_temp_c NUMERIC(5,2),
vib_z_rms NUMERIC(5,2)
);
-- Clean up any existing data if running multiple times
TRUNCATE TABLE forging_press_logs;
-- ==============================================================================
-- 2. Generate 1,000 Records of Simulated Data
-- ==============================================================================
-- 99% of data is 'Normal'
INSERT INTO forging_press_logs (cycle_id, hyd_pressure_bar, oil_temp_c, vib_z_rms)
SELECT
'C-' || LPAD(i::text, 5, '0'),
280.0 + (random() * 10 - 5), -- Pressure around 280
42.0 + (random() * 5), -- Temp around 42-47
1.8 + (random() * 0.5) -- Vib Z around 1.8-2.3
FROM generate_series(1, 990) AS i;
-- 1% of data is 'Anomalous' (Hydraulic pressure drop & vibration spike)
INSERT INTO forging_press_logs (cycle_id, hyd_pressure_bar, oil_temp_c, vib_z_rms)
SELECT
'C-' || LPAD((990 + i)::text, 5, '0'),
250.0 + (random() * 5), -- Pressure dropping
55.0 + (random() * 5), -- Temp rising
5.0 + (random() * 1.5) -- High vibration
FROM generate_series(1, 10) AS i;
-- ==============================================================================
-- 3. Run the AI Prediction via AlloyDB Omni
-- ==============================================================================
-- Ensure the model is registered (assuming 'gemma4:e2b' is running locally on port 8080)
CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE;
DO $$
BEGIN
CALL google_ml.create_model(
model_id => 'gemma4:e2b',
model_request_url => 'http://localhost:8080/api/generate',
model_provider => 'custom',
model_type => 'generic'
);
EXCEPTION WHEN OTHERS THEN
-- Ignore error if model already exists
END $$;
-- Query the most recent 5 potentially anomalous records and ask Gemma for an analysis
SELECT
cycle_id,
hyd_pressure_bar,
vib_z_rms,
google_ml.predict_row(
model_id => 'gemma4:e2b',
request_body => json_build_object(
'model', 'gemma4:e2b',
'stream', false,
'prompt', 'You are an industrial engineer. Analyze this sensor data from a 1500T forging press: Pressure=' || hyd_pressure_bar || ' bar, Vibration=' || vib_z_rms || ' mm/s. Normal pressure is ~280 bar and normal vibration is ~2.0 mm/s. Does this indicate a hydraulic failure? Answer in one short sentence.'
)
)->>'response' AS ai_analysis
FROM
forging_press_logs
WHERE
hyd_pressure_bar < 260 OR vib_z_rms > 4.5
ORDER BY
timestamp DESC
LIMIT 5;
逐一執行上述陳述式後，應會得到以下結果：
資料準備就緒後，就可以開始建構預測性維護資訊主頁了！
7. 建構直播資訊主頁
如要真正以視覺化方式呈現這個架構，您可以輕鬆將其連結至 Python Flask 資訊主頁，這是一個網頁應用程式。
輕量 Flask 後端會將即時感應器遙測資料串流至 HTML 資訊主頁，不必手動執行 SQL 查詢。正常運作時，資訊主頁只會繪製圖表。
但如果後端偵測到異常狀況 (例如壓力下降)，Python 程式碼就會立即觸發 AlloyDB 中的 google_ml.predict_row() 函式。AlloyDB 會將脈絡資訊順暢轉送至本機 Gemma 模型，AI 的診斷洞察資訊也會即時顯示在資訊主頁上。
💡 程式碼實驗室提示：如要退出資料庫容器並返回主機指令列，請輸入 \q 並按下 Enter 鍵 (或開啟新的終端機分頁)。接著，請執行下方的 Flask 應用程式指令。
步驟如下：
- 前往開發環境 / 程式碼編輯器，然後開啟終端機
- 執行下列指令
pip install flask psycopg2-binary
- 在 Cloud Shell 終端機執行下列指令，將程式碼存放區複製到專案目錄：
git clone https://github.com/AbiramiSukumaran/gemma4-alloydb-omni-demo
- 前往專案資料夾：
cd gemma4-alloydb-omni-demo
- 執行應用程式：
python3 app.py
開啟網路瀏覽器，或點選連結，前往在 localhost 執行的應用程式。
直播資訊主頁代表的意義
Flask 應用程式是 1500 噸鍛壓機的即時監控資訊主頁，可視覺化呈現完全離線、實體隔離的系統如何處理預測性維護：
- 持續遙測串流：資訊主頁會繪製即時震動 (mm/s) 和液壓 (bar) 記錄，並動態更新，模擬實際廠區作業。
- 即時資料庫異常狀況：當感應器數值低於門檻 (例如壓力低於 260 bar)，Python 後端會標記事件，並立即呼叫 AlloyDB Omni 內的
google_ml.predict_row()函式。 - 本機 AI 診斷：AlloyDB Omni 會將即時情境轉送至本機 Gemma 4 模型。Gemma 扮演地端部署工業專家的角色，分析遙測資料，並直接在資訊主頁上顯示診斷快訊 (例如「警告：壓力下降和高震動表示液壓密封可能故障」)。
- 零外洩：所有運算、資料庫、圖表和 AI 推論作業，完全在本機主機上執行，不需網際網路連線。
8. 正式版群組路徑
如要將這個架構從本機原型擴充至正式環境等級的工廠部署，同時不犧牲實體隔離安全性，可以選擇兩種標準地端部署安裝方式：
正式環境 VM 和裸機 (非容器化)：
如果環境不適合容器化，或安全性政策要求與主機作業系統深度整合，您可以使用官方 AlloyDB Omni RPM 套件部署。在 AlloyDB Omni Red Hat RPM 自動調度管理工具的協助下，這項部署作業可直接在本機 RHEL 或 Rocky Linux VM 上，提供低延遲效能、SELinux 法規遵循和自動化高可用性 (HA)，而且完全離線。
正式環境 Kubernetes 和高可用性：
如果工廠基礎架構採用本機自動調度管理，您可以在 Kubernetes 部署 AlloyDB Omni。使用官方 AlloyDB Omni Kubernetes Operator，您就能以宣告方式部署強大的資料庫叢集，並具備同步待命副本、自動本機備份和專屬唯讀端點。
9. 恭喜！
對於國防製造業和這類實體隔離產業，不必再在嚴格安全性和技術創新之間取捨。在主權硬體上部署容器化資料庫、專用 Proxy 模型和開放權重 AI，就能將工廠廠房轉變為智慧型預測中心，同時完整保留數位護城河。