Войти
Промышленный искусственный интеллект, или промышленный ИИ, обычно относится к применению искусственного интеллекта в промышленности. 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 проблем, связанных с созданием ценности для клиентов, повышением производительности, снижением затрат, сайтом. оптимизация, прогнозный анализ и открытие инсайтов. 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.
Концепция искусственного интеллекта была первоначально предложена в 1940-х годах, и идея повышения производительности и получения информации с помощью интеллектуальной аналитики и моделирования не нова. Искусственный интеллект и системы, основанные на знаниях, были активной исследовательской отраслью искусственного интеллекта на протяжении всего жизненного цикла продукта для проектирования продукта, планирования производства, распределения и обслуживания на местах. Системы электронного производства и электронные фабрики не используют термин «ИИ», но они расширяют моделирование инженерных систем, чтобы обеспечить полную интеграцию элементов в производственную экосистему для интеллектуального управления операциями.
Недавно, чтобы ускорить лидерство в инициативе AI, правительство США запустило официальный веб-сайт AI.gov, чтобы осветить свои приоритеты в области AI. 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.
Сами по себе технологии никогда не создают никакой ценности для бизнеса, если проблемы в отрасли недостаточно изучены. Основные категории, в которые может внести свой вклад промышленный ИИ; инновации в продуктах и услугах, совершенствование процессов и аналитические исследования.
Сервисные платформы Cloud Foundry широко используют технологии искусственного интеллекта. Системы киберпроизводства также применяют прогнозную аналитику и кибернетические системы. физическое моделирование для устранения разрыва между производством и состоянием оборудования для оптимизации производительности.
Промышленный ИИ может быть встроен в существующие продукты или услуги, чтобы сделать их более эффективными и надежными, безопаснее, и для повышения их долговечности. 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 полотна для самонастраиваемых ленточнопильных станков, чтобы пользователи могли полагаться на свидетельства ухудшения характеристик, а не на опыт, который безопаснее и продлит срок службы полотна, и создайте профиль использования лезвий, чтобы облегчить выбор лезвий.
Автоматизация - один из основных аспектов технологических приложений промышленного ИИ. С помощью ИИ масштабы и скорость автоматизации коренным образом изменились. Технологии ИИ повышают производительность и расширяют возможности обычных приложений ИИ. Примером могут служить коллаборативные роботы. Совместные роботизированные манипуляторы могут изучать движение и траекторию, демонстрируемые операторами-людьми, и выполнять ту же задачу. 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.
Другим аспектом приложений процессов является моделирование крупномасштабных систем. Системы киберпроизводства определяются как система производственных услуг, которая объединена в сеть и устойчива к сбоям за счет моделирования на основе фактов и данных. глубокое обучение. 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.
Промышленный ИИ также можно использовать для обнаружения знаний, выявляя идеи в инженерных системах. 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, параллельно анализируя числовые данные полета и текстовые отчеты, чтобы не только обнаруживать аномалии, но и связывать их с причинными факторами. Полученное понимание того, почему определенные сбои случаются в прошлом, прольет свет на прогнозы аналогичных инцидентов в будущем и предотвратит проблемы до того, как они возникнут.
Прогнозируемое и профилактическое обслуживание посредством управляемых данными машинное обучение также имеет решающее значение для снижения затрат в промышленных приложениях. Программы прогнозирования и управления работоспособностью (PHM ) отражают возможности в цехе путем моделирования ухудшения состояния оборудования.
Задачи промышленного ИИ по раскрытию ценности заключаются в преобразовании необработанных данных в интеллектуальные прогнозы для быстрого принятия решений. В целом, при реализации промышленного ИИ есть четыре основных проблемы: данные, скорость, точность и интерпретируемость.
Технические системы теперь генерируют много данных, и современная промышленность действительно является большими данными Окружающая среда. Однако промышленные данные обычно структурированы, но могут быть низкого качества.
Производственный процесс происходит быстро, а оборудование и деталь 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 все равно не будут соответствовать определенным требованиям эффективности вычислений. Граничные вычисления могут быть лучшим выбором в таком сценарии.
В отличие от ориентированных на потребителя систем рекомендаций по ИИ, которые имеют высокую устойчивость к ложным срабатываниям и отрицаниям, даже очень низкий уровень ложных срабатываний или отрицательных результатов может стоить всего надежность систем искусственного интеллекта. 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.
Помимо точности прогнозирования и достоверности производительности, промышленные системы искусственного интеллекта также должны выходить за рамки результатов прогнозирования и провести анализ первопричин аномалий. Для этого необходимо, чтобы во время разработки специалисты по обработке данных работали с экспертами в предметной области и включали ноу-хау предметной области в процесс моделирования, а также чтобы модель могла адаптивно изучать и накапливать такую информацию, как знания.
