Искусственный интеллект в производстве

Введение

Промышленный искусственный интеллект, или промышленный ИИ, обычно относится к применению искусственного интеллекта в промышленности. В отличие от общего искусственного интеллекта, который является пограничной исследовательской дисциплиной для создания компьютеризированных систем, выполняющих задачи, требующие человеческого интеллекта, промышленный ИИ больше озабочен применением технологий для решения промышленных проблем, для создания потребительской ценности, повышения производительности и т.д. Хотя в антиутопическом видении приложений ИИ интеллектуальные машины могут отнимать у людей работу и вызывать социальные и этические проблемы, промышленность в целом придерживается более позитивного взгляда на ИИ и видит, что это преобразование экономики невозможно остановить, и ожидает огромных бизнес-возможностей в этом процессе.
Концепция искусственного интеллекта была первоначально предложена в 1940-х годах, и идея повышения производительности и понимания с помощью интеллектуальной аналитики и моделирования не нова. Системы искусственного интеллекта, основанные на знаниях, были активным научно-исследовательским подразделением искусственного интеллекта на протяжении всего жизненного цикла продукта для его проектирования, планирования производства, распространения и полевых услуг.
Недавно, чтобы ускорить лидерство в инициативе ИИ, правительство США запустило официальный сайт AI.gov, чтобы осветить его приоритеты в области ИИ. Есть несколько причин недавней популярности промышленного ИИ: более доступные датчики и автоматизированный процесс сбора данных; Более мощные вычислительные возможности компьютеров для выполнения более сложных задач с более высокой скоростью при меньших затратах; Более быстрая инфраструктура подключения и более доступные облачные сервисы для управления данными и аутсорсинга вычислительной мощности. Однако одна технология никогда не создает никакой коммерческой ценности, если проблемы в отрасли не изучены должным образом. Основные категории, в которые промышленный ИИ может внести свой вклад: инновации в продуктах и услугах, совершенствование процессов и открытие аналитики.

1 ПРИМЕНЕНИЕ ПРОМЫШЛЕННОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Промышленный ИИ может быть встроен в существующие продукты или услуги, чтобы сделать их более эффективными, надежными, безопасными и повысить их долговечность. Автомобильная промышленность, например, использует компьютерное зрение, чтобы избежать аварий и позволить транспортным средствам оставаться на полосе движения, что способствует более безопасному вождению. 
Автоматизация является одним из основных аспектов в технологических приложениях промышленного ИИ

. С помощью ИИ масштабы и темпы автоматизации были коренным образом изменены. Технологии искусственного интеллекта повышают производительность и расширяют возможности традиционных приложений искусственного интеллекта. Примером являются совместные роботы. Совместные роботизированные руки способны изучать движение и путь, демонстрируемые операторами, и выполнять ту же задачу. ИИ также автоматизирует процесс, который требовал участия человека. Примером является метро Гонконга, где программа ИИ решает вопросы распределения и планирования работы инженеров с большей эффективностью и надежностью, чем это делают люди.
Другим аспектом приложений процессов является моделирование крупномасштабных систем. Системы киберпроизводства определяются как производственные сервисные системы, которые объединены в сеть и устойчивы к сбоям благодаря моделированию на основе фактических данных и глубокому обучению на основе данных. Такая система имеет дело с большими и обычно географически распределенными активами, которые трудно смоделировать с помощью обычной модели, основанной на физике отдельных активов. С помощью алгоритмов машинного обучения и оптимизации система «снизу вверх», учитывающая работоспособность машины, может использовать большие выборки активов и автоматизировать управление операциями, планирование инвентаризации запасных частей и планирование технического обслуживания.
Промышленный ИИ также может быть использован для открытия знаний путем выявления идей в инженерных системах. В авиации и аэронавтике ИИ играет жизненно важную роль во многих критических областях, одной из которых является обеспечение безопасности и первопричина. НАСА пытается активно управлять рисками для безопасности воздушного судна, параллельно анализируя числовые данные и текстовые отчеты о полетах, чтобы не только обнаружить аномалии, но и связать их с причинными факторами. Это продуманное понимание того, почему в прошлом случаются определенные неисправности, позволит пролить свет на прогнозы подобных инцидентов в будущем и предотвратить проблемы до их возникновения.
Интеллектуальное и профилактическое обслуживание с помощью машинного обучения, управляемого данными, также имеет решающее значение для снижения затрат в промышленных приложениях. Полученная информация может быть использована для повышения эффективности и качества. 

2 ПРОБЛЕМЫ РЕАЛИЗАЦИИ ПРОМЫШЛЕННОГО ИИ

Задачи промышленного ИИ для раскрытия ценности заключаются в преобразовании необработанных данных в интеллектуальные прогнозы для быстрого принятия решений. В целом, существует четыре основных проблемы в реализации промышленного ИИ.
В настоящее время инженерные системы генерируют много данных, а современная индустрия действительно представляет собой среду больших данных . Тем не менее, промышленные данные обычно структурированы, но могут быть низкого качества.
Качество данных может быть плохим, и в отличие от других приложений, ориентированных на потребителя, данные из промышленных систем обычно имеют четкое физическое значение, что затрудняет компенсацию качества с помощью объема.
Производственный процесс происходит быстро, а оборудование и заготовка могут быть дорогими, приложения ИИ должны применяться в режиме реального времени, чтобы иметь возможность немедленно обнаруживать аномалии, чтобы избежать потерь и других последствий. Облачные решения могут быть мощными и быстрыми, но они по-прежнему не соответствуют определенным требованиям эффективности вычислений. В этом случае лучшим выбором могут быть Edge-вычисления.
В отличие от ориентированных на потребителя систем рекомендаций по ИИ, которые имеют высокую толерантность к ложным положительным и отрицательным результатам, даже очень низкий уровень ложных срабатываний или отрицательных результатов может стоить полной достоверности систем ИИ. Приложения промышленного ИИ обычно имеют дело с критическими вопросами, связанными с безопасностью, надежностью и эксплуатацией