Ускорение ИИ-проектов в авиакосмической: преодоление страха, ограничений и заторов данных

Три ключевых урока от работы с Rolls-Royce и Gulfstream

Каждый человек испытывает страх, и делает это по-своему. В мире ИИ страх движится незнакомством с процессом, профессиональным влиянием неудачи и пугающими задачами по сбору всех людей и перспектив, необходимых просто для начала. В авиакосмической этой сложности добавляются нехватка ресурсов, проблемы цепочки поставок и волатильность рынка. Добавьте массивные объемы разрозненных, несвязанных данных — и у вас рецепт для затора, неудачных проектов и потраченных денег.

Неудача запуска реальна. Вот три ключевых урока, извлеченные из нашей работы с Rolls-Royce и Gulfstream, которые очистят ваш ИИ-проект для взлета.

Урок 1: Как съесть слона?

По одному укусу за раз. Авиакосмические компании хотят увеличить операционные маржи. От сокращения простоев до предиктивного качества и прогнозирования движения критических деталей — возможностей много. Не застревайте во всех возможностях. Найдите ту, которую можно выполнить быстро, и установите надежность вашей команды и поставщика. Это важно, потому что ИИ — итеративный процесс. Если доступность данных и экспертизы предметных экспертов нестабильна, ваш проект застопорится. В Rolls-Royce мы обсуждали варианты использования для предиктивного обслуживания и сокращения брака перед тем, как остановиться на предиктивном качестве на испытательном стенде. Почему? Потому что данные и ресурсы клиента, которые нам нужны, были легко доступны, а путь интеграции возможности был ясен. Думайте о бритве Оккама здесь: самый прямой путь — лучший.

Урок 2: Не теряйте контроль

Ключевая точка споров между бизнесом и IT — кто сохранит контроль над этой новой способностью и как она будет поддерживаться и обслуживаться. Облачные поставщики рекламируют быстрые старты через легко доступную, доступную инфраструктуру. Для бизнеса это представляет ясный путь начать без бюрократии IT-процессов. Однако это может привести к технической привязке; ситуации, где вся ваша логика, модели и процессы данных застревают в системах одного провайдера. Затраты вырастут, гибкость будет ограничена, и вы почувствуете себя в ловушке. Помните, ценность в логике, моделях и данных конструктах — не обязательно в инфраструктуре. В Gulfstream мы избежали этой ловушки, используя контейнеризацию, подход, позволяющий вашей логике и функциональности быть полностью переносимыми, развертываемыми и масштабируемыми через любую комбинацию инфраструктуры на основе требований и затрат. Gulfstream смог сохранить контроль над своей интеллектуальной собственностью и мог масштабировать её к провайдерам их выбора.

Урок 3: Понимайте истинную стоимость

Легко влюбиться в быстрый, простой и доступный вариант использования. Но что происходит, если вы хотите масштабировать его на несколько линий, заводов и процессы? Все еще быстро, просто и доступно? Облачные решения могут быть обманчивы в этом отношении; хранение недорого, но вычислительная мощность, необходимая для обучения и настройки моделей, может стать дорогой по мере роста наборов данных. Один клиент предсказал 35-кратное увеличение облачных затрат, связанных с масштабированием модели предиктивного обслуживания по четырем заводским операциям. Опять же, контейнеризацию можно использовать для оптимизации затрат масштабируемости. В Rolls-Royce мы использовали контейнеризацию для переобучения моделей на локальной инфраструктуре с более низкой стоимостью, затем развернули переобученные модели в облачных средах для оптимального доступа и доступности. Это помогло держать затраты масштабирования под 5% в год.

Управление сложностью, контролем и затратами — ядро успеха любого усилия по машинному обучению или ИИ. Мы использовали шаблоны, разработанные за годы проектов, чтобы упростить, понять и коммуницировать эти руководства по ключевым проектным командам.