Предиктивное обслуживание: катализатор следующей промышленной революции

Трансформационный потенциал искусственного интеллекта — тема, провоцирующая дебаты по отраслям. Пока его будущее влияние часто обсуждается, истинная область его влияния остается сложной и многогранной.

«Искусственный интеллект» может относиться к чему угодно — от узких, задачно-специфичных алгоритмов до спекулятивного концепта искусственного общего интеллекта (AGI) — машин, рассуждающих и действующих с человеческим уровнем интеллекта. Голливуд драматизировал это видение в фильмах вроде Терминатора, и публичные фигуры вроде Илона Маска и Билла Гейтса выражали опасения по поводу его импликаций. Однако когда и будет ли AGI материализован — неопределенно. Gartner предсказывает десятилетия до того, как машины приблизятся к человеческому рассуждению, хотя узкий ИИ уже превосходит людей в специализированных аренах вроде шахмат и Го. Мартин Форд, автор Architects of Intelligence, эхо это мнение, отмечая, что приход AGI остается непредсказуемым.

Аналогично, следующая промышленная революция остается неуловимой. Пока концепции вроде Индустрии 4.0 предполагают, что ИИ, IIoT и смежные технологии могли бы спровоцировать новую волну продуктивности, западная продуктивность стагнирует уже годами. Промышленное производство США упало на 0,1% в марте — провал, который Wall Street Journal описал как доказательство того, что мануфактура вошла в «soft patch».

Несмотря на эти макро-тренды, многочисленные промышленные фирмы собирают осязаемые выгоды, паря IIoT с машинным обучением. FogHorn, стартап, помог Daihen, японской промышленной электроник-компании, устранить 1800 часов ручного ввода данных в одном заводе. Ведущий производитель напитков сэкономил эквивалент одного миллиона банок пива, внедрив предиктивную платформу Augury, которая фьюзит беспроводные вибрационные, ультразвуковые, температурные и магнитные датчики с ML для детектирования неисправностей оборудования. Сооснователь и CEO Augury Саар Ёсковиц объяснил, что выявление серьезного износа подшипника на наполнителе позволило пивоварне выполнить плановый ремонт во время простоя, предотвратив 8-часовой аварию, которая стоила бы $200 000 в потерянной выручке.

Цифровое крыло Air Liquide, Alizent, демонстрирует силу Индустрии 4.0 в масштабе. Используя ПО PI OSIsoft как дата-движок платформы, Air Liquide запустила платформу оптимизации заводов SIO несколько лет назад. По словам Майкла Канельлоса, старшего менеджера корпоративных коммуникаций OSIsoft, Air Liquide достигла окупаемости за три месяца и десятикратного возврата в первый год. Компания впоследствии расширила платформу для управления «lights-out» заводами по Франции и Юго-Восточной Азии, в конечном счете выделив Alizent в отдельное подразделение для обслуживания и Air Liquide и внешних клиентов.

White House Utility District, ведущий теннессий водоканал и канализация, сократил утечки воды с 32% до 15% через цифровую трансформацию, принося миллионы экономии. Дистрикт также снизил затраты на управление данными на $30 000 ежегодно и отложил $15 млн апгрейд завода на 11 лет, повышая репутацию сообщества и оценки кредитных агентств.

Марк Уилнерд, CEO и президент Toumetis — ML-фирмы для промышленных применений — предвидит скачок продуктивности в ближайшие пять лет. «Благодаря технологиям вроде машинного обучения, мы готовы к значительным выгодам», — сказал он, сравнивая ожидаемое улучшение с бумом продуктивности 1990-х.

Toumetis сотрудничает с энергетической компанией на нефтяном месторождении, которое может стать одним из топовых мировых производителей. Не надежные электросубмерсивные насосы тормозили вывод. Мониторя 1500 скважин и 100 потоков данных, Toumetis может предсказывать отказы насосов за 14 дней вперед, позволяя проактивные ремонты, максимизирующие прибыль и производство.

Внедрение машинного обучения в промышленных настройках редко прямое. Неконсистентность данных — ложные показания датчиков, пропущенные значения, необходимость обширной очистки — могут мешать анализу. Уилнерд отмечает, что мы все еще на зачаточной стадии применения ML к индастриальным задачам.

Исследование Bain & Co., Beyond Proofs of Concept: Scaling the Industrial IoT, опросило 600 хай-тек исполнителей и обнаружило, что IIoT, особенно предиктивное обслуживание, сложнее для развертывания, чем ожидалось. Тем не менее, отчет заключает, что промышленный IoT остается обещающей возможностью.

Одна из основных проблем — требование редкого сочетания доменной экспертизы и data-science акмена. Toumetis адресует это, нанимая закаленных промышленных экспертов, работавших в аналитике данных с конца 1990-х и начала 2000-х. Уилнерд подчеркивает, что успех зависит от четкого понимания проблемы и ее бизнес-ценности.

Ёсковиц эхо это мнение, отмечая, что дефицит талантов первазивен. В одной тренировочной сессии средний возраст участников был 55, иллюстрируя генерационный разрыв. С уходящими на пенсию старыми работниками и молодежью, неинтересованной к ролям обслуживания, США рискуют потерять бесценные наследие мануфактурные знания за следующее десятилетие.

Пока может быть премьюром декларировать, приведет ли IoT и ИИ к эре продуктивности на пар с первыми промышленными революциями — или Индустрия 4.0 будет походить на софтверный апгрейд вместо кибер-физической системной революции — организации все равно могут ответить на практический вопрос: как эти технологии могут доставить немедленную ценность, обеспечивая, чтобы правильные техники достигали правильных машин в правильное время?