log in

Умный офис

Super User

Super User

Монохромное лазерное МФУ Canon IR1643IF II

Монохромное лазерное МФУ Canon IR1643IF II Монохромное лазерное МФУ Canon IR1643IF II Монохромное лазерное МФУ Canon IR1643IF II

Монохромное лазерное МФУ Canon IR1643IF II

Высокоэффективные монохромные МФУ формата A4 с возможностями сверхбыстрого сканирования и расширенными возможностями подключения.

  • Повысьте эффективность рабочего процесса благодаря сверхбыстрому выводу, большой емкости подачи бумаги и поддержке широкого ряда носителей.
  • Простой в использовании цветной сенсорный экран позволяет легко настраивать ежедневные задачи с помощью значков.
  • Воспользуйтесь преимуществами пакета решений для облачного хранения и мобильной связи, включая Canon uniFLOW Online для расширенных рабочих процессов сканирования.
  • Управляйте доступом к устройству и документам, поддерживая конфиденциальность ваших файлов с помощью расширенных функций безопасности и шифрования.

Технические характеристики

Основное устройство
Тип аппарата Многофункциональное монохромное лазерное устройство
Частота процессора Cortex-A9MPCore 800 МГц×2
Панель управления Цветной сенсорный ЖК-экран TFT WVGA диагональю 12,7 см (5")
Память Стандарт: 1,0 ГБ оперативной памяти
Хранение данных 2 ГБ (eMMC)
Емкость лотка подачи бумаги (A4, 80 г/м²) Стандарт: 650 листов
Кассета для бумаги: 550 листов
Универсальный лоток: 100 листов
Максимум: 2300 листов (с УСТРОЙСТВОМ ПОДАЧИ БУМАГИ PF-C1 (x3))
Емкость лотка вывода бумаги (A4, 80 г/м²) 150 листов
Габариты (Ш x Г x В) 480 x 464 x 452 мм
Вес Прибл. 19,0 кг (без тонера)
Характеристики печати
Скорость печати 1-сторон.: До 43/43 стр./мин (A4)
2-сторон.: До 36/36 стр./мин (A4)
Разрешение печати До 1200 x 1200 точек на дюйм
Языки описания страниц Стандарт: UFR II, PCL6, PCL5, Adobe® PostScript3
Функции печати Водяные знаки, верхний/нижний колонтитул, вид страницы, двусторонняя печать, разные форматы бумаги / ориентации, снижение расхода тонера, печать плакатов, дата печати
Характеристики сканирования
Тип сканера Стандарт: однопроходное двустороннее устройство автоматической подачи документов
Разрешение при сканировании (точек на дюйм) Сканирование для копирования: до 600 x 600
Сканирование для отправки: (Push) до 300 x 600, (Pull) до 600 x 600
Сканирование для факса: до 400 x 400
Емкость устройства подачи документов (80 г/м²) до 50 листов (A4, 80 г/м²)
Скорость сканирования Отправка DADF (изобр./мин, A4):
Одностороннее сканирование (ЧБ/цвет): 38/13
Двустороннее сканирование (ЧБ/цвет): 70/26

Копирование DADF (изобр./мин, A4):
Одностороннее сканирование: 20
Двустороннее сканирование: 34
Характеристики копирования
Скорость копирования 1-сторон.: До 43/43 стр./мин (A4)
2-сторон.: До 36/36 стр./мин (A4)
Разрешение при копировании (точек на дюйм) 600 x 600
Количество копий за цикл До 999 копий
Основные функции копирования Фиксированный масштаб уменьшения/увеличения по области, настройка бумаги, избранная настройка, двустороннее, настройка плотности, выбор типа оригинала
Увеличение 25–400% (с шагом 1%)
Характеристики факса
Максимальное число линий подключения 1
Разрешение (точек на дюйм) 400 x 400 (ультравысокое), 200 x 400 (сверхвысокое), 200 x 200 (высокое/фото), 200 x 100 (нормальное)
Память факса До 512 страниц
Групповой набор/адресаты Макс. 299 номеров
Последовательная передача Макс. 310 адресатов

Монохромное лазерное МФУ Canon I-S MF463dw

Монохромное лазерное МФУ Canon I-S MF463dw Монохромное лазерное МФУ Canon I-S MF463dw Монохромное лазерное МФУ Canon I-S MF463dw

Монохромное лазерное МФУ Canon I-S MF463dw

Оцените усиленную защиту, высокую скорость и качество печати, а также возможности сканирования с черно-белыми лазерными МФУ серии i-SENSYS MF460.

  • Комплексная система безопасности обеспечивает полную защиту документов, устройства и сети. Возможности защиты включают TLS1.3, проверку системы при запуске и печать с PIN-кодом.
  • Оцените простое выполнение заданий печати и сканирования с кнопками удобного доступа. Перетаскивайте значки для персонализации экранного интерфейса и простого выполнения повседневных задач.
  • Экономьте ценное время со скоростью печати до 40 стр./мин, скоростью сканирования до 100 изобр./мин и временем прогрева 14 секунд. Управляйте принтером с помощью Universal Print от Microsoft.
  • Оцените возможности облачной коллаборации, используя встроенные средства подключения к облачным сервисам хранения, включая Google Диск, Dropbox и OneDrive.

Технические характеристики

Основное устройство
Тип аппарата Монохромное лазерное МФУ
Частота процессора 1200 МГц
Панель управления Цветной сенсорный ЖК-экран 12,7 см
Память 1 ГБ
Хранение данных 4 ГБ eMMC
Максимальная емкость устройства подачи бумаги 900 листов
Вывод бумаги 150 листов
Габариты (Ш x Г x В) 420 x 460 x 375 мм
Вес Прибл. 16,3 кг
Характеристики печати
Скорость печати Односторон.: до 40 стр./мин (A4); до 65,4 стр./мин (A5, альбомная ориентация)
Двусторон.: до 33,6 изобр./мин (A4)
Разрешение печати До 1200 x 1200 точек на дюйм
Языки принтера UFRII, PCL 5e, PCL6, Adobe® PostScript3
Дополнительные функции печати Защищенная печать с шифрованием
Безопасная печать
Кнопка печати с USB-накопителя (JPEG/TIFF/PDF)
Печать из облака (Dropbox, Google Диск, OneDrive) (PDF/JPEG)
Microsoft Universal Print
iOS: AirPrint, приложение Canon PRINT Business
Android: сертификация Mopria, приложение Canon PRINT Business, подключаемый модуль Canon Print Service2
Характеристики сканирования
Тип сканера Цветной сканер
Разрешение при сканировании (точек на дюйм) Оптическое: до 600 x 600 точек на дюйм
Улучшенное качество: 9600 x 9600 точек на дюйм
Глубина цвета при сканировании 24 бита/24 бита (на входе/на выходе)
Скорость сканирования Монохромное одностороннее: 50 изобр./мин (300x300 т./д.)
Цветное одностороннее: 40 изобр./мин (300x300 т./д.)
Монохромное двустороннее: 100 изобр./мин (300x300 т./д.)
Цветное двустороннее: 80 изобр./мин (300x300 т./д.)
Монохромное одностороннее: 40 изобр./мин (300x600 точек на дюйм)
Цветное одностороннее: 20 изобр./мин (300x600 т./д.)
Монохромное двустороннее: 80 изобр./мин (300x600 т./д.)
Цветное двустороннее: 40 изобр./мин (300x600 т./д.)
Характеристики копирования
Скорость копирования Односторон. (A4): до 40 стр./мин
Двусторон. (A4): до 33,6 изобр./мин
Разрешение при копировании (точек на дюйм) 600 x 600
Количество копий за цикл До 999 копий
Другие функции Копирование со стиранием рамки, сортировка, 2 на 1, 4 на 1, копирование удостоверений
Увеличение 25–400% (с шагом 1%)

 

Возможности умного дома: сценарии использования

Умный дом предоставляет широкий спектр возможностей, которые улучшают комфорт, безопасность, энергоэффективность и управление ресурсами. Вот несколько сценариев использования умного дома:

 

1. **Управление освещением:**Система управления освещением. Разработка и продажа автоматизированных  система управления освещением — abclight.ru

   - Автоматическое включение и выключение света при входе или выходе из помещения.

   - Регулирование яркости освещения в зависимости от времени суток или дня недели.

   - Управление освещением с помощью голосовых команд или мобильного приложения.

 

2. **Климат-контроль:**Климат контроль для дома и квартиры: какую систему управления выбрать

   - Автоматическое регулирование температуры в помещении в зависимости от привычек и предпочтений жильцов.

   - Управление системой кондиционирования воздуха или отоплением удаленно через смартфон.

   - Интеграция с датчиками для поддержания оптимальных условий в помещении.

 

3. **Безопасность:**Я вся горю: защита от пожара в умном доме Livicom

   - Мониторинг с помощью камер видеонаблюдения и датчиков движения.

   - Оповещение о взломе, пожаре или других чрезвычайных ситуациях.

   - Удаленное управление системами безопасности, такими как замки, системы сигнализации и видеонаблюдение.

 

4. **Умные замки и доступ:**Лучшие электронные замки — рейтинг лучших умных замков на входную дверь в  2024 году

   - Управление замками с помощью мобильного телефона или смарт-ключей.

   - Возможность предоставлять временный доступ к дому для гостей или служителей.

 

5. **Автоматизированные шторы и жалюзи:**Автоматические шторы и жалюзи с электроприводом - BlackoutPro

   - Регулирование освещения и приватности с помощью автоматизированных штор или жалюзи.

   - Программирование расписания подъема и опускания штор.

 

6. **Умные устройства в кухне:**Умная техника для кухни/умный уголок и автоматизированные гаджеты: что  можно выбрать умного, штучки и приспосоления

   - Управление умными холодильниками, духовками, и кофемашинами через мобильные приложения.

   - Автоматическое оповещение о необходимости пополнения продуктов.

 

7. **Энергосбережение:**Умный дом Xiaomi: устройства для облегчения быта | Умный дом |  Энергосбережение | Дом | АССбуд — строительный портал

   - Мониторинг и управление энергопотреблением устройств.

   - Автоматическое отключение электроприборов вне использования.

   - Использование умных термостатов и датчиков для оптимизации энергопотребления.

 

8. **Автоматическое поливание и уход за садом:**Автоматический полив на участке

   - Управление системой полива с учетом погодных условий и влажности почвы.

   - Мониторинг состояния растений с помощью умных сенсоров.

 

9. **Развлечения и мультимедиа:**Системы мультимедиа | Системы Умный дом от российского производителя

   - Управление аудио- и видеосистемами с помощью голосовых команд.

   - Создание сценариев для автоматического запуска определенных мультимедийных контентов в различных частях дома.

 

10. **Интеграция с виртуальными ассистентами:**Как виртуальные ассистенты пытаются стать виртуальными друзьями

    - Взаимодействие с умными домашними ассистентами (например, Amazon Alexa, Google Assistant) для управления устройствами, получения информации и выполнения задач.

 

Эти сценарии представляют лишь малую часть возможностей умного дома, и разработчики постоянно внедряют новые технологии для улучшения функционала и удобства использования.

Станция Миди и голосовое управление Zigbee-устройствами без интернета. История разработки

Недавно мы представили нашу новую умную колонку — Яндекс Станцию Миди. Она больше, чем Лайт или Мини, поэтому в ней уместились вуфер и два высокочастотных динамика с суммарной мощностью звука 24 Вт. Но при этом она легче и компактнее, чем Станция 2 или Макс. Кроме того, в Миди мы внедрили технологии, которые позволили Алисе научиться новому. В частности, благодаря более современному процессору и бо́льшему объёму оперативной памяти, Алиса в Станции Миди впервые стала понимать и выполнять голосовые команды умного дома локально, без интернета.

Сегодня коротко расскажем, какие задачи пришлось решить команде Алисы и умных устройств, чтобы у пользователей появилась возможность управлять Zigbee-совместимыми устройствами с помощью голоса и не зависеть при этом от удалённого сервера или провайдера.

Что важно: это полезно не только при проблемах со связью. Теперь Zigbee-устройства будут реагировать на команды быстрее даже при наличии хорошего интернета (чуть подробнее — в блоке про замеры скорости в конце поста).

Про локальный умный дом мы впервые заговорили весной этого года. Возможно, вы даже читали на Хабре статью о том, как мы научили наши колонки со встроенным Zigbee-модулем хранить и выполнять сценарии умного дома напрямую, без посредника в виде сервера. Но были ограничения: это работало только для тех сценариев, которые запускались по кнопке или таймеру. Потому что работа с голосовыми командами была доступна только через наше облако. Слишком уж тяжеловесной была это задача для железа. 

Вернёмся к новой Станции Миди. Возможно, когда-нибудь мы расскажем о том, как нам удалось уместить кастомную акустику, LED-подсветку, дисплей и всю остальную электронику в относительно компактный корпус, но сегодня нас интересует другое — новый вычислительный блок, а точнее, SoC A113X2 от Amlogic с выделенным NPU, а также 1 GB оперативной памяти и 8 GB флеш-памяти (для сравнения: в Мини — 256 MB RAM и 256 MB флеш-памяти). Неплохой запас вычислительных ресурсов для такого класса устройств. Без него у нас не получилось бы реализовать задуманное. Но одних лишь ресурсов было мало. Нам нужно было перепридумать то, что создавалось для работы на сервере.

Изначально процесс работы с умным домом был частью процесса Алисы в облаке. Но чтобы добиться локальности, нам нужно было аккуратно вынести три последовательных компонента, отвечающих за умный дом, в отдельный пайплайн на устройстве. И при этом ничего не сломать в облачных сценариях. На схеме ниже вы можете увидеть компоненты, которые должны были заработать локально.

И всё бы хорошо, но был нюанс. Ни одного из этих готовых для применения на устройстве компонентов у нас не существовало в прошлом. А значит, их нужно было создать.

Распознавание речи в текст 

Самое очевидное: нам нужна нейросеть, которая будет распознавать голос в текст прямо на устройстве. С хорошим качеством. И при этом работать не на самом мощном суперкомпьютере в России, а на маленькой SoC, которая делит весьма ограниченную жилплощадь с другими полезными вещами. Ничего сложного, да? 

Для начала расскажем, как работает наш облачный ASR. Если упростить, то это три нейросети. Первая на лету превращает поток в слова, не дожидаясь завершения всей фразы. Это полезно, чтобы пользователи могли сразу видеть в интерфейсе свой запрос по мере того, как они его произносят. Поэтому эта нейросеть быстрая и относительно лёгкая по серверным меркам (всего-то каких-то пару сотен миллионов параметров).

В паре с первой нейросетью работает вторая, единственная задача которой — предсказывать момент завершения фразы.

Когда реплика закончилась, вся фраза целиком отправляется на вход самой большой, третьей нейросети. Она работает медленнее, но и качество распознавания произвольных фраз выше. И именно результат работы третьей нейросети считается финалом.

Но колонка — это не кластер со множеством GPU. Мы не можем себе позволить уместить в неё несколько серверных моделей. Даже одну не можем. Начали думать, где можем сэкономить ресурсы. Описанная выше первая нейросеть из серверного решения, хоть и расшифровывает каждое слово на лету, в действительности работает не в режиме стриминга, а заново расшифровывает всю фразу целиком после появления нового звука (возможно, вы замечали при обращении к Алисе, что текст запроса может измениться задним числом). Это сделано специально. Каждое новое распознанное слово может помочь нейросети уточнить распознавание предыдущих слов за счёт контекста диалога. Например, слово «бить» может распознаться как «пить» из-за шумов в фоне. Но если последующее слово будет распознано как «баклуши», то это даст возможность уточнить, что предыдущее слово всё-таки было «бить».

Однако такой режим работы потребляет очень много ресурсов, ведь каждый новый звук, по сути, перезапускает работу модели. Если перейти в честный стриминг (распознавание на лету с учётом прошлого, но без учёта будущего), то можно сэкономить. Да, модель при этом будет работать на несколько процентов хуже, но это вполне допустимо для нашей задачи (с учётом дефицита ресурсов и фокуса на запросах только из области умного дома).  

Мы провели тесты с учётом перехода работы в режим стриминга. Для нас было важно, чтобы модель не просто работала на колонке, но и распознавала речь в текст так же быстро, как человек произносит её. Посчитали, что оптимально ориентироваться на модель с примерно десятком миллионов параметров. Причём нам нужна была именно единая модель, которая будет и расшифровывать текст, и предсказывать конец фразы.

Несколько слов об архитектуре для тех, кому интересно. Наша быстрая серверная нейросеть основана на подходе CTC. Сам по себе этот подход вполне совместим со стримингом, но на качество результата больше всего влияет энкодер (та часть нейросети, которая на входе преобразует речь в векторное представление). Мы выбрали энкодер с архитектурой трансформера — по нашему опыту, лучший вариант на текущий момент. Но CTC в связке с трансформером в режиме стриминга проседал в качестве. Поэтому мы приняли решение заменить CTC на RNN-T. Этот подход в связке с тем же трансформером в режиме стриминга показал более высокое качество распознавание речи.

С размером модели разобрались. С архитектурой тоже. Теперь коротко про датасет. Обучение модели происходит в облаке, а там таких проблем с вычислительными ресурсами нет. Мы воспользовались датасетом, на котором обучаем облачные модели ASR. Но с рядом изменений. Главное из которых заключается в том, что мы добавили к нему дополнительные примеры из области работы с умным домом. Так мы «показали» нейросети, что именно этот срез запросов нам особенно важен. При этом другие качественные, оригинальные примеры мы не вырезали из датасета, потому что общее разнообразие данных тоже влияет на качество. 

В итоге мы получили нейросеть, которая помещалась на устройстве и могла в реальном времени превращать речь в текст в автономном режиме.

Распознавание команды по тексту

Итак, у нас есть текст речи пользователя. Теперь нужно распознать в нём команду умного дома. С учётом всего многообразия таких команд. С пониманием имён сценариев, которые могут быть произвольными, так как пользователь сам их придумывает. И с хорошей точностью, потому что, помимо команд умного дома, существуют и другие сценарии, для корректной работы которых запрос надо отправить в облако. Можно сказать, классическая NLU-задачка. 

Яндекс уже давно умеет решать подобные задачки в Поиске, Алисе и многих других сервисах. Например, коллеги из поисковой инфраструктуры разработали Бегемота (Begemot) — сервис, который помогает понимать запросы и превращать неструктурированный текст в понятные для дальнейшей обработки структуры. Хорошая новость в том, что этот сервис работает быстро, так как создавался для Поиска. Но есть плохая (для нас): работает эта штука на инфраструктуре компании. Одна инсталляция потребляет не менее 30 GB RAM и ещё около 30 GB флеш-памяти. Запустить такое на Станции Миди шансов просто не было. Нужно было адаптировать. 

Если всё сильно упростить, то Бегемот — это много-много компонентов, которые образуют граф обработки запроса пользователя. Например, это могут быть компоненты, которые помогают находить в тексте географические объекты. Или даты. Или команды Алисы. Поэтому самый очевидный вариант — посадить его на диету: отказаться от всех компонентов, которые не требуются при работе с умным домом. Но рефакторинг кода всё же понадобился, чтобы отказаться от невостребованных нами зависимостей, граф которых тоже надо было детально изучить. В том числе мы отказались от компонентов, которые были предназначены для работы с ML: команды умного дома простые и структурированные, тяжёлый ML нам тут просто не нужен. Ещё был риск, что потребуется что-то специально переписать под ARM, но — к счастью! — этот риск не реализовался.

В итоге мы собрали свою версию, которая уместилась в 90 MB RAM и 73 MB флеш-памяти (иногда ласково называем её Бегемотиком).

Выполнение команды

Теперь у нас есть команда умного дома в машиночитаемой форме. Команды бывают очень разные. А ещё бэкенд умного дома должен корректно отрабатывать переименование устройств, поддержку разных комнат и домов и многое-многое другое. Всю эту логику для Миди можно было бы написать с нуля на C++. Но, во-первых, это долго, а, во-вторых, синхронизировать изменения функциональности между локальным и облачным компонентами сложнее, если они созданы независимо. 

Был и альтернативный путь: собрать более лёгкую версию бэкенда умного дома. В этом случае конфигурацию умного дома пользователя можно было бы хранить на устройстве и синхронизировать с облаком в одном и том же формате. Звучало красиво, вот только бэкенд написан на Go и потребляет больше полгига флеш-памяти и под 200 мегабайт оперативной. Но идея нам понравилась, поэтому начали думать.  

Go — язык компилируемый, под ARM собирается. Ситуация проще, чем могла бы быть с Java или Python. Попробовали собрать бинарник и запустить на платформе. Запустился. Дальше оставалось поработать над его аппетитами. Как и в истории про Бегемота, начали руками отбрасывать всё, что не требуется хранить локально на колонке. Например, отказались от компонента, который отвечает за озвучивание колонкой показаний датчиков, потому что локального синтеза речи у нас всё равно нет. В итоге бинарник стал легче и быстрее (уложился в 90 MB оперативки) и благополучно заработал на Станции.

Что в итоге? 

На Станции Миди нам удалось завести не просто локальный умный дом с поддержкой Zigbee-устройств, но и дать людям возможность управлять им голосом. Это полезно не только при отсутствии интернета. Локальный процесс работает для команд умного дома всегда, а значит, ваша Zigbee-лампочка и любое другое совместимое устройство будут включаться быстрее. 

Ускорение мы замерили так: в одних тестовых колонках включили принудительно облачный процесс работы с умным домом, в других — локальный, а затем прогнали десятки команд и подсчитали тайминги. Скорость ASR во многом зависит от сложности фразы, которую надо распознать. Поэтому разброс результатов большой. Но в среднем локальный ASR отработал быстрее, хоть и не в разы. А вот с остальными этапами процесса всё куда нагляднее: локальные Бегемотик и бэкенд УД справились с задачами в среднем в 6 раз быстрее, чем вариант с облаком (в том числе за счёт отсутствия сетевых задержек). 

Следующий этап — дождаться отзывов первых пользователей Станции Миди, которые будут использовать её для управления Zigbee-устройствами. Хочется верить, что пользователи заметят разницу на глаз и подтвердят востребованность нового решения. А что думаете вы?

Subscribe to this RSS feed
Please install JomSocial first!