Реалистична ли ваша стратегия искусственного интеллекта или лестница в небо?

Люк Дуркан, директор EcoStruxure в Schneider Electric вспоминает слышать, как руководитель промышленной компании говорит что-то вроде:«Мы хотим заняться искусственным интеллектом. Мы хотим как можно быстрее внедрить ИИ в наш процесс ».

"Когда?" - спросил Дуркан.

«Вероятно, июль», - напомнил Дуркан неназванное высказывание руководителя. «Да, мы хотим получить ИИ к июлю».

«Вы просто смотрите на парня, а потом понимаете, что он действительно не понимает процесса. Он действительно не понимает лежащих в основе механизмов и требований для этого », - сказал Дуркан. «На самом деле, в промышленном контексте искусственного интеллекта не существует. Это маркетинг ».

Хотя промышленные эксперты и специалисты по науке о данных имеют множество различных мнений о расплывчатых понятиях, таких как ИИ и его связь с почти волшебным общим искусственным интеллектом, они согласны с необходимостью поэтапной и дисциплинированной контекстуализации данных и развертывания таких методов, как аналитика. машинное обучение и тому подобное.

Атиф Курейши, возглавляющий инициативу Teradata по искусственному интеллекту и глубокому обучению, рассматривает ИИ как набор вспомогательных методов, включая аналитику, машинное обучение и глубокое обучение, используемых для поддержки бизнес-результатов. «Например, когда вы смотрите на глубокое обучение, которое является подмножеством машинного обучения, оно применяет нейронные сети, большие вычисления на базе графического процессора и высокую размерность данных, чтобы делать более точные прогнозы», - сказал Курейши.

Что касается отраслей, которые быстрее всего внедрили такие методы, они являются «обычными подозреваемыми», сказал Курейши, включая потребительские технологии, финансовые услуги и страхование. По его словам, розничная торговля и телекоммуникационные компании являются частью следующей группы. Что касается производства, автомобильный сектор является одним из секторов, наиболее быстро осваивающих такие технологии, как машинное обучение и компьютерное зрение, учитывая интерес этой отрасли к автономным транспортным средствам.

Дуркан сказал, что нефтегазовая промышленность является первопроходцем в перерабатывающей промышленности. «Эти [нефтегазовые] организации инвестируют в данные, инфраструктуру и технологии в течение многих, многих лет, потому что это приносит им пользу на протяжении многих, многих лет», - пояснил он.

Дальше по кривой зрелости в непрерывном производстве находятся потребительские товары и материалы, минералы и горнодобывающая промышленность, в то время как ряд дискретных производственных компаний, таких как производители электроники, «довольно продвинуты», - сказал Дуркан.

Итак, что должны делать отстающие промышленные компании, чтобы наверстать упущенное, когда дело доходит до Индустрии 4.0, умного завода или стратегии искусственного интеллекта - или любого другого термина? А что делать дальше тем, кто находится в середине пакета?

Сначала начните с самоаудита и, при необходимости, убедитесь, что ваша организация имеет надежную базу в области науки о данных. По словам Курейши, большая часть работы Teradata с промышленными компаниями включает «создание основополагающих аспектов, в которые, например, наши клиенты-банкиры инвестировали в течение последних 30 лет». Многие промышленные компании работают над тем, чтобы понять, какие контекстные данные у них есть, калибруя датчики и уделяя особое внимание аспектам «науки о данных 101», связанным с талантами, инструментами и их средой.

Это не к промышленным компаниям. В прошлом году Gartner обнаружил, что более 87% организаций из разных секторов имеют низкую зрелость в области бизнес-аналитики и аналитики.

На раннем этапе производитель мог оснастить ряд датчиков в своих операциях, чтобы лучше понять условия, которым подвергается материал в производственном процессе. Как только эта организация сможет отслеживать свои данные в контексте, она может начать обнаруживать аномалии, предшествующие производственному дефекту, который приводит к браку. «На самом деле это еще не прогноз, но он говорит:« Эй, теперь я могу лучше охарактеризовать то, что происходит в этом производственном процессе », - сказал Курейши. «Поскольку у меня есть все эти телеметрические данные, и я могу их обрабатывать, анализировать и объединять воедино, я могу лучше количественно охарактеризовать то, что пошло не так».

На начальном этапе, подобном этому, и на протяжении всего процесса Дуркан подчеркивал важность сосредоточения внимания на людях и процессах, а также на технологиях. «На типичном заброшенном предприятии есть люди, проработавшие там 20, 30 или 40 лет, которые, вероятно, знают о процессе намного больше, чем вы когда-либо», - сказал он. «И затем есть сам процесс, который, опять же, представляет собой эволюцию с течением времени. Итак, вы собираетесь найти способы интегрировать свою технологию в среду процессов и людей, чтобы приносить дополнительную пользу ».

Промышленные организации, вложившие средства в создание прочной базы науки о данных, могут затем начать исследовать потенциал более продвинутых методов, таких как нейронные сети. И по мере их развития они могут перейти от характеристики того, что происходит в их операциях, к корреляции переменных, возникающих в этой среде, и, в конечном итоге, к установлению причинно-следственной связи между переменными. «Здесь говорится:« Когда происходит A, возникает B, поэтому я знаю, что C материализуется », - объяснил Курейши. «Это дает вам возможность лучше прогнозировать. Вы можете начать говорить:«Я начинаю замечать эти аномалии. Если вы не вмешаетесь на каком-то уровне, тогда я знаю, что это условие C будет выполнено ».

Следующий уровень расширяет изысканность. «Вы можете дать действительно четкую рекомендацию в предписывающей манере, чтобы исправить или оптимизировать процесс», - добавил Курейши. На верхнем уровне полностью автоматизирован весь процесс выявления аномалий и устранения их до того, как они вызовут более серьезные проблемы. «Мы говорим о Терминаторе», - пошутил Курейши.

Промышленным организациям следует избегать выводов о том, что их путешествие по стратегии ИИ имеет определенный конечный пункт. «За холмом нет нирваны», - сказал Дуркан. «Это становится все сложнее и сложнее».

Наконец, лидеры отрасли должны понимать, что «интеграция данных имеет первостепенное значение, но данные сами по себе - это только начало модели прогнозирования и аналитической модели», - добавил Дуркан. Таким профессионалам жизненно важно понимать иерархию своих активов, модель активов и контекст активов. «Затем вы можете начать создавать более подробную информацию о потоках данных и инфраструктуре данных в вашей организации», - добавил Дуркан. Оттуда они могут использовать данные для наглядной визуализации и оперативной реакции. «Вот для чего 90% людей собираются его использовать», - добавил он. «Но для этого нужно сделать первый шаг».