Искусственный интеллект в промышленности - Artificial intelligence in industry

Промышленный искусственный интеллект, или промышленный ИИ, обычно относится к применению искусственный интеллект в промышленность.[1] В отличие от общего искусственного интеллекта, который является передовой исследовательской дисциплиной для создания компьютеризированных систем, которые выполняют задачи, требующие человеческого интеллекта, промышленный ИИ больше озабочен применением таких технологий для решения промышленных проблемных точек для создания ценности для клиентов, повышения производительности, снижения затрат, размещения оптимизация, прогнозный анализ[2] и понимание открытия.[3] Хотя в антиутопическом видении приложений ИИ интеллектуальные машины могут лишать людей рабочих мест и вызывать социальные и этические проблемы, промышленность в целом более позитивно относится к ИИ и считает эту трансформацию экономики неудержимой и ожидает огромных возможностей для бизнеса в этом процессе.[4]

История

Концепция искусственного интеллекта была первоначально предложена в 1940-х годах,[4] и идея повышения производительности и получения информации с помощью интеллектуальной аналитики и моделирования не нова. Искусственный интеллект и Системы, основанные на знаниях были активным исследовательским отделом искусственного интеллекта на протяжении всего жизненного цикла продукта для проектирования продукта, планирования производства, распределения и полевых услуг.[5] Электронные производственные системы и электронные фабрики[6] не использовали термин «ИИ», но они увеличивают масштаб моделирования инженерных систем, чтобы обеспечить полную интеграцию элементов в производственную экосистему для интеллектуального управления операциями.

Недавно, чтобы ускорить лидерство в инициативе ИИ, правительство США запустило официальный веб-сайт AI.gov, чтобы осветить свои приоритеты в области ИИ.[7] Популярность промышленного ИИ в последнее время возросла по нескольким причинам: более доступные датчики и автоматизированный процесс сбора данных; Более мощные вычислительные возможности компьютеров для выполнения более сложных задач с большей скоростью и меньшими затратами; Более быстрая инфраструктура подключения и более доступные облачные сервисы для управления данными и аутсорсинга вычислительных мощностей.[8]

Категории

Сами по себе технологии никогда не создают ценности для бизнеса, если отраслевые проблемы недостаточно изучены. Основные категории, в которые может внести свой вклад промышленный ИИ; инновации в продуктах и ​​услугах, улучшение процессов и открытие новых идей.[8]

Cloud Foundry сервисные платформы широко используют технологии искусственного интеллекта.[9][10] Киберпроизводство системы также применяются прогнозная аналитика и киберфизическое моделирование для устранения разрыва между производством и состоянием оборудования для оптимизации производительности.[11]

Приложения продукта для создания ценности для пользователей

Промышленный ИИ может быть встроен в существующие продукты или услуги, чтобы сделать их более эффективными, надежными, безопасными и продлить срок их службы.[8] Например, в автомобильной промышленности компьютерное зрение используется для предотвращения аварий и позволяет автомобилям оставаться в полосе движения, что способствует более безопасному вождению. В производстве одним из примеров является прогнозирование срока службы лезвия для самооценки. ленточная пила машины, так что пользователи смогут полагаться на свидетельства ухудшения, а не на опыт, что безопаснее, продлит срок службы лезвия и создаст профиль использования лезвия, чтобы облегчить выбор лезвия.[12]

Технологические приложения для повышения производительности

Автоматизация - один из основных аспектов промышленных приложений искусственного интеллекта.[8] С помощью ИИ масштаб и скорость автоматизации коренным образом изменились.[13] Технологии ИИ повышают производительность и расширяют возможности обычных приложений ИИ. Примером может служить коллаборативные роботы. Совместные роботизированные манипуляторы могут изучать движение и траекторию, демонстрируемые операторами-людьми, и выполнять ту же задачу.[14] ИИ также автоматизирует процесс, который раньше требовал участия человека. Примером может служить метро Гонконга, где программа искусственного интеллекта решает распределение и планирование работы инженеров с большей эффективностью и надежностью, чем это делают люди-коллеги.

Еще один аспект приложений процессов - моделирование крупномасштабных систем.[8] Киберпроизводство системы определяются как система производственных услуг, которая объединена в сеть и устойчива к сбоям за счет моделирования на основе фактов и данных. глубокое обучение.[11] Такая система имеет дело с крупными и обычно географически распределенными активами, которые трудно смоделировать с помощью обычной модели, основанной на физике отдельных активов. С помощью алгоритмов машинного обучения и оптимизации восходящая структура, учитывающая состояние машины, может использовать большие выборки активов и автоматизировать управление операциями, планирование запасов запасных частей и процесс планирования технического обслуживания.

Приложения Insight для поиска знаний

Промышленный ИИ также можно использовать для открытие знаний путем выявления идей в инженерных системах.[8] В авиации и аэронавтике ИИ играет жизненно важную роль во многих критических областях, одна из которых - обеспечение безопасности и первопричина. НАСА пытается упреждающе управлять рисками для безопасности самолетов, анализируя числовые данные полета и текстовые отчеты параллельно, чтобы не только обнаруживать аномалии, но и связывать их с причинными факторами. Это добытое понимание того, почему определенные ошибки случаются в прошлом, прольет свет на прогнозы аналогичных инцидентов в будущем и предотвратит проблемы до того, как они возникнут.[15]

Прогнозирующий и профилактика через данные машинное обучение также имеет решающее значение для снижения затрат в промышленных приложениях. Прогностика и управление здоровьем (PHM ) программы отражают возможности в цехе, моделируя ухудшение состояния оборудования.

Вызовы

Задачи промышленного ИИ по раскрытию ценности заключаются в преобразовании необработанных данных в интеллектуальные прогнозы для быстрого принятия решений. В целом, существует четыре основных проблемы при реализации промышленного ИИ: данные, скорость, точность и интерпретируемость.[1]

Инженерные системы теперь генерируют много данных, и современная промышленность действительно большое количество данных среда. Однако промышленные данные обычно структурированы, но могут быть низкого качества.[1]

Производственный процесс происходит быстро, а оборудование и заготовка могут быть дорогими, приложения искусственного интеллекта необходимо применять 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 все равно не будут соответствовать определенным требованиям эффективности вычислений. Граничные вычисления могут быть лучшим выбором в таком сценарии.[1]

В отличие от систем рекомендаций по ИИ, ориентированных на потребителя, которые имеют высокую устойчивость к ложным срабатываниям и отрицаниям, даже очень низкий уровень ложных срабатываний или отрицаний может стоить общего доверия к системам ИИ. Приложения промышленного ИИ обычно решают критические вопросы, связанные с безопасностью, надежностью и эксплуатацией. Любой сбой в прогнозах может оказать негативное влияние на экономику и / или безопасность пользователей и лишить их желания полагаться на системы искусственного интеллекта.[1]

Помимо точности прогнозирования и достоверности производительности, промышленные системы искусственного интеллекта также должны выходить за рамки результатов прогнозирования и предоставлять анализ первопричин аномалий. Для этого требуется, чтобы во время разработки специалисты по обработке данных работали с экспертами в предметной области и включали ноу-хау домена в процесс моделирования, и пусть модель адаптивно учится и накапливает такие идеи, как знания.[1]

Смотрите также

Рекомендации

  1. ^ а б c d е ж Яо, Мария. «4 уникальных вызова промышленного искусственного интеллекта». Forbes. Получено 9 мая 2017.
  2. ^ «Сокращение времени простоя с помощью ИИ в нефтегазовой отрасли». Tech27.
  3. ^ Салломи, Пол. «Искусственный интеллект становится мейнстримом». Журнал "Уолл Стрит. The Wall Street Journal - CIO Journal - Deloitte. Получено 9 мая 2017.
  4. ^ а б «Подготовка к будущему искусственного интеллекта» (PDF). Национальный совет по науке и технологиям. Получено 10 мая 2017.
  5. ^ Фокс, Марк (1986). «Промышленные применения искусственного интеллекта». Робототехника. 2 (4): 301–311. Дои:10.1016/0167-8493(86)90003-3.
  6. ^ Ваурзыняк, Патрик. «Переход к электронной фабрике». Журнал SME Manufacturing.
  7. ^ «Искусственный интеллект для американского народа». Белый дом. Получено 19 марта 2019.
  8. ^ а б c d е ж Щацкий, Давид; Мураскин, Крейг; Гурумурти, Рагу. «Когнитивные технологии: реальные возможности для бизнеса». Обзор Делойта.
  9. ^ «Предикс». General Electric. Получено 9 мая 2017.
  10. ^ «IBM Bluemix». IBM. Получено 9 мая 2017.
  11. ^ а б «Киберпроизводственные системы». Национальный фонд науки. Получено 9 мая 2017.
  12. ^ "【世界 翻轉 中】 不怕 機器 翻臉 感應 器 讀懂 它 的 心！ - YouTube". YouTube. Получено 9 мая 2017.
  13. ^ Маника, Джеймс; Чуй, Михаил; Миремади, Мехди; Бугин, Жак; Джордж, Кэти; Уиллмотт, Пол; Дьюхерст, Мартин (2017). «Работающее будущее: автоматизация, занятость и производительность». Получено 9 мая 2017. Цитировать журнал требует | журнал = (помощь)
  14. ^ "Что означает совместный робот?". Получено 9 мая 2017.
  15. ^ Ласковски, Николь. «НАСА использует текстовую аналитику для повышения безопасности полетов». Сеть TechTarget. Получено 9 мая 2017.