Проекты ИИ в воздухе

Каждый человек испытывает страх, и делает это по-своему. В мире искусственного интеллекта страх вызван незнанием процесса, профессиональным влиянием неудачи и сложной задачей объединения всех людей и точек зрения, необходимых только для того, чтобы начать. В аэрокосмической отрасли эта проблема усугубляется нехваткой ресурсов, проблемами с цепочками поставок и нестабильностью рынка. Добавьте огромное количество разрозненных, разрозненных данных, и вы получите рецепт тупиковой ситуации, неудачных проектов и напрасной траты денег.

Реальный отказ от запуска. Вот три ключевых урока, извлеченных из нашей работы с Rolls-Royce и Gulfstream, которые помогут вашему проекту ИИ начать работу.

Урок 1. Как съесть слона?

Один укус за раз. Аэрокосмические компании хотят увеличить операционную прибыль. От сокращения времени простоя до прогностического качества и прогнозирования движения критически важных деталей — существует множество возможностей. Не увлекайтесь всеми возможностями. Найдите тот, который можно выполнить быстро, и укрепите доверие к своей команде и поставщику. Это важно, потому что ИИ — это итеративный процесс. Если доступность данных и предметной экспертизы несовместимы, ваш проект остановится. В Rolls-Royce мы обсудили варианты использования профилактического обслуживания и сокращения брака, прежде чем остановиться на прогнозируемом качестве на испытательном стенде. Почему? Потому что данные и ресурсы клиентов, которые нам были нужны, были легко доступны, а путь для интеграции возможностей был очевиден. Вспомните бритву Оккама:самый простой путь — лучший.

Урок 2. Не теряйте контроль

Ключевым моментом разногласий между бизнесом и ИТ является то, кто сохранит контроль над этой новой возможностью и как она будет поддерживаться и поддерживаться. Поставщики облачных услуг рекламируют быстрый старт благодаря доступной и доступной инфраструктуре. Для бизнеса это четкий путь к началу работы без бюрократии ИТ-процессов. Однако это может привести к технической блокировке; ситуация, когда вся ваша логика, модели и процессы обработки данных застряли в системах одного провайдера. Затраты возрастут, гибкость будет ограничена, и вы почувствуете себя в ловушке. Помните, что ценность заключается в логике, моделях и конструкциях данных, а не в инфраструктуре. В компании Gulfstream мы избежали этой ловушки, применив контейнеризацию — подход, который позволяет полностью перенести логику и функциональность, развернуть и масштабировать их в любой комбинации инфраструктуры в зависимости от требований и стоимости. Компания Gulfstream смогла сохранить контроль над своей интеллектуальной собственностью и масштабировать ее для поставщиков по своему выбору.

Урок 3. Понимание реальной стоимости

Легко влюбиться в быстрый, простой и доступный вариант использования. Но что произойдет, если вы захотите масштабировать его на несколько линий, заводов и процессов? Это по-прежнему быстро, просто и доступно? Облачные решения могут быть обманчивы в этом отношении; хранение недорого, но вычислительные мощности, необходимые для обучения и настройки моделей, могут стать дорогостоящими по мере роста наборов данных. Один клиент спрогнозировал 35-кратное увеличение затрат на облако, связанное с масштабированием модели профилактического обслуживания на четыре предприятия. Опять же, контейнеризацию можно использовать для оптимизации затрат на масштабируемость. В Rolls-Royce мы использовали контейнеризацию для переобучения моделей в более дешевой локальной инфраструктуре, а затем развернули переобученные модели в облачных средах для обеспечения оптимального доступа и доступности. Это помогло снизить затраты на масштабирование до 5 % в год.

Управление сложностью, контролем и затратами является основой успеха любого машинного обучения или ИИ. Мы используем шаблоны, разработанные за годы работы над проектами, чтобы упростить, понять и донести эти рекомендации до ключевых проектных групп.