IDC的調研結果顯示，超過九成的企業正在使用或計劃在未來3年內使用人工智慧，缺乏模型訓練所需的數據、算力基礎設施存在不足、人工智慧應用方案的成本過高等因素是絕大部分企業目前面臨的主要挑戰。
製造企業，尤其是中小型企業，如何部署人工智慧（AI）和機器學習（ML）的應用，以最大化的實現大數據帶來的價值？來自STFC哈特裡中心副主任Michael Gleaves和GSK公司數據科學家Hassan Khalid給出了一些AI和ML在工業應用中的建議，以及實現真正投資回報的方法。
從哪兒開始著手？
將簡單且經濟實惠的傳感器連接到機器上，是使用機器學習技術的第一步。Michael認為，一旦你有了這些數據流，那麼你就可以開始識別模式和趨勢，並開始優化你的資產使用。
獲得高質量、無偏見的數據至關重要。否則，你將無法考慮如何從這些數據流中提取價值。
您需要什麼技能？
技術知識很重要，但請不要低估領域知識（domain knowledge）。在生產線上花了多年時間的人也許可以告訴您很多數據丟失的情況。
同樣，不要低估軟體工程。Hassan認為，很多事情之所以會出現不必要的錯誤，就是因為對軟體工程的輕視。像我這樣科學背景的人，必須要進行軟體工程技能的訓練，以確保我們實施的是真正要實現的技術。
大多數公司都採用「開發、測試、探索」周期，因此內部有人來參與和負責運行該周期非常重要。同樣重要的是，讓AI和ML專家為您的領域專家提供假設以進行良性循環測試。
「如果要用這些技術來顛覆您的部分業務，那麼就需要組建一支擁有專業技能的小團隊。」Michael建議。來自團隊的力量將有助於調整這些技術並利用它們來推動您的業務發展。另外，您最好在組織中具有一定程度的內部能力，以便您可以制定更適合的購買決策。
製造企業還應該考慮吸引和重新培訓具有物理和天文學科背景的人來使用這些工具。他們通常具有正確的思維方式，並且已將其編碼為博士學位的一部分，因此他們應該能夠相對輕鬆地轉換為這些角色。
如何獲得企業高層的支持？
這通常是最困難的部分，Hassan認為。獲得企業高層的支持，將有助於使您的想法和項目與組織更廣泛的數據或數位化策略保持一致。如果某個特定的實驗與該策略不符，那麼花太多的時間或資源可能不是最好的主意。
「我們已經開始將設計思維方法應用於用戶需求收集。」 Michael說。因此，除了預期的技術，還需要特別關注業務問題和用例，探索之前發生了什麼，之後會發生什麼，以及如何在業務中使用。
選擇好的項目開始真的很關鍵，因為這能創造動力和持續投資。在某種程度上，必須要有一個信念的飛躍，您堅信選擇的技術具有獨特價值，並且企業願意投資於它。
AI和ML如何用於預測性維護問題？
作為一名多年AI經驗的從業者，Hassan認為預測性維護是具有一定挑戰性的。因為在大多數情況下，您的數據都不包含故障情況的示例。當您沒有負面的例子時，就很難訓練您的系統。
我們已經進行了視頻和實時圖像分析，以及基於噪聲的分析，我們正在尋找振動的變化。這個過程可能是無止境的，關鍵的問題是數據是否給你提供了一個真實的失敗場景，可以從中學習。
Michael建議採用諸如模式識別之類的技術，識別一段時間內發生的故障類型，然後將其安排到日常維護中。
一個日益受到關注的領域是利用SCADA系統中的數據處理和日誌來識別故障模式。這些工作可以通過將人類日誌數位化，並添加自然語言處理來提供額外的上下文情境輔助。
AI和ML對中小企業是否現實？
關於AI和ML的項目成本可能會變得很昂貴，並且有很多隱藏的嘗試，可能也會面臨失敗。Hassan認為，對於中小企業來說，是可以在預算緊張的情況下實現目標的，但是必須做好隨時進行調整的準備。如果您認為可以花費最少的時間和投資成本就成功實施，可能是不現實的。
現在有很多開源技術、代碼、出版物和指南，這意味著大部分工作已經完成。對於開始這個旅程的企業來說，他們需要非常認真地思考他們的數據策略。相對而言，在這個數據基礎上加入機器學習策略就會變得稍微簡單一些。
對於中小型製造企業來說，最昂貴的成本可能是人才本身，這也是中小型企業與大型企業競爭差異懸殊的一個地方。不過話又說回來，只要擁有自主權和工作的靈活性，中小企業從巨頭那裡挖走頂尖人才也不是沒有機會。
什麼編碼語言更適合？
對於中小型企業來說，Python在開源開發方面已經實現了飛躍，能夠提供良好的教程和大量準備好的解決方案，是一個很好的選擇。Hassan建議，如果你處理的是Amazo級別的數據，那麼你可能需要考慮Scala、SPARK和Julia提供的附加功能。
工業AI
掃碼 | 關注我們
微信號 | gongye_AI