Промышленный искусственный интеллект или промышленный ИИ обычно относится к применению искусственного интеллекта в промышленности. [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 проблем, связанных с созданием ценности для клиентов, повышением производительности и затратами. сокращение, оптимизация сайта, прогнозный анализ [2] и инсайты. [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 активной исследовательской отраслью искусственного интеллекта на протяжении всего жизненного цикла продукта для проектирования продуктов, планирования производства, распределения и полевых услуг. [5] Электронные производственные системы и электронные заводы [6] не используют термин «ИИ», но они расширяют масштабы 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, совершенствование процессов и открытие новых идей. [8]
Сервисные платформы Cloud Foundry широко используют технологии искусственного интеллекта. [9] [10] Cybermanufacturing системы также применяется прогнозный анализом и кибер-физического моделирование для решения разрыва между производством и здоровьем машины 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 транспортным средствам оставаться в полосе движения, что способствует более безопасному вождению. В производстве одним из примеров является прогнозирование срока службы полотна для ленточнопильных станков с самооценкой , чтобы пользователи могли полагаться на доказательства ухудшения характеристик, а не на опыт, что более безопасно, продлит срок службы полотна и создаст профиль использования полотна. чтобы помочь в выборе лезвия. [12]
Технологические приложения для повышения производительности
Автоматизация - один из основных аспектов промышленных приложений искусственного интеллекта. [8] С помощью искусственного интеллекта масштаб и скорость автоматизации коренным образом изменились. [13] Технологии искусственного интеллекта повышают производительность и расширяют возможности обычных приложений искусственного интеллекта. Примером могут 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.
Другой аспект приложений процессов - моделирование крупномасштабных систем. [8] Системы киберпроизводства определяются как система производственных услуг, которая объединена в сеть и устойчива к сбоям за счет моделирования на основе фактов и глубокого обучения на основе данных . [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 планирование технического обслуживания.
Приложения Insight для поиска знаний
Промышленный ИИ также можно использовать для открытия знаний , выявляя идеи 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, параллельно анализируя числовые данные полета и текстовые отчеты, 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 произойдут. [15]
Прогнозное и профилактическое обслуживание с помощью машинного обучения на основе данных также имеет решающее значение для снижения затрат в промышленных приложениях. Программы прогнозирования и управления здоровьем ( PHM ) учитывают возможности в производственном 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, реализация промышленного ИИ сталкивается с четырьмя основными проблемами: данные, скорость, точность и интерпретируемость. [1]
Инженерные системы теперь генерируют много данных, и современная промышленность действительно представляет собой среду больших данных . Однако промышленные данные обычно структурированы, но могут быть некачественными. [1]
Производственный процесс происходит быстро, а оборудование и заготовка могут быть дорогими, приложения искусственного интеллекта 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 к 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 отрицательных результатов 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 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 позволяли модели адаптивно изучать и накапливать такие идеи, как знания. [1]
Смотрите также
Рекомендации
- ^ a b c d e f Яо, Мария. «4 уникальных вызова промышленного искусственного интеллекта» . Forbes . Дата обращения 9 мая 2017 .
- ^ «Сокращение времени простоя с помощью искусственного интеллекта в нефтегазовой отрасли» . Tech27 .
- ^ Салломи, Пол. «Искусственный интеллект становится мейнстримом» . The Wall Street Journal . The Wall Street Journal - CIO Journal - Deloitte . Дата обращения 9 мая 2017 .
- ^ а б «Подготовка к будущему искусственного интеллекта» (PDF) . Управление научно-технической политики . Проверено 10 мая 2017 года - из Национального архива .
- ^ Фокс, Марк (1986). «Промышленные применения искусственного интеллекта». Робототехника . 2 (4): 301–311. DOI : 10.1016 / 0167-8493 (86) 90003-3 .
- ^ Ваурзыняк, Патрик. «Движение к электронной фабрике». Журнал SME Manufacturing .
- ^ «Искусственный интеллект для американского народа» . whitehouse.gov . Проверено 19 марта 2019 - с помощью национальных архивов .
- ^ а б в г д е Щацкий, Давид; Мураскин, Крейг; Гурумурти, Рагу. «Когнитивные технологии: реальные возможности для бизнеса» . Обзор Deloitte.
- ^ «Предикс» . General Electric . Дата обращения 9 мая 2017 .
- ^ «IBM Bluemix» . IBM . Дата обращения 9 мая 2017 .
- ^ а б «Киберпроизводственные системы» . Национальный научный фонд . Дата обращения 9 мая 2017 .
- ^ "【世界 翻轉 中】 不怕 機器 翻臉 感應 器 讀懂 它 的 心! - YouTube" . Youtube . Дата обращения 9 мая 2017 .
- ^ Маньяка, Джеймс; Чуй, Михаил; Миремади, Мехди; Бугин, Жак; Джордж, Кэти; Уиллмотт, Пол; Дьюхерст, Мартин (2017). «Работающее будущее: автоматизация, занятость и производительность» . Дата обращения 9 мая 2017 . Цитировать журнал требует
|journal=
( помощь ) - ^ "Что означает совместный робот?" . Дата обращения 9 мая 2017 .
- ^ Ласковски, Николь. «НАСА использует текстовую аналитику для повышения безопасности полетов» . Сеть TechTarget . Дата обращения 9 мая 2017 .