Sztuczna inteligencja w przemyśle
Przemysłowa sztuczna inteligencja lub przemysłowa sztuczna inteligencja zwykle odnosi się do zastosowania sztucznej inteligencji w przemyśle. W przeciwieństwie do ogólnej sztucznej inteligencji, która jest pionierską dyscypliną badawczą mającą na celu budowanie skomputeryzowanych systemów realizujących zadania wymagające ludzkiej inteligencji, przemysłowa sztuczna inteligencja jest bardziej zainteresowana zastosowaniem takich technologii w celu rozwiązania przemysłowych problemów związanych z tworzeniem wartości dla klienta, poprawą wydajności, redukcją kosztów, optymalizacja, analiza predykcyjna i odkrywanie wglądu. Chociaż w dystopijnej wizji zastosowań sztucznej inteligencji inteligentne maszyny mogą odbierać ludziom pracę i powodować problemy społeczne i etyczne, ogólnie przemysł ma bardziej pozytywny pogląd na sztuczną inteligencję i widzi, że tej transformacji gospodarki nie da się powstrzymać i oczekuje ogromnych możliwości biznesowych w tym procesie.
Historia
Koncepcja sztucznej inteligencji została po raz pierwszy zaproponowana w latach czterdziestych XX wieku, a pomysł poprawy produktywności i uzyskiwania wglądu poprzez inteligentne analizy i modelowanie nie jest nowy. Sztuczna inteligencja i systemy oparte na wiedzy były aktywną gałęzią badawczą sztucznej inteligencji przez cały cykl życia produktu w zakresie projektowania produktu, planowania produkcji, dystrybucji i usług terenowych. Systemy e-produkcji i e-fabryki nie używały terminu „AI”, ale zwiększają skalę modelowania systemów inżynieryjnych, aby umożliwić pełną integrację elementów w ekosystemie produkcyjnym w celu inteligentnego zarządzania operacjami.
Niedawno, aby przyspieszyć przywództwo w inicjatywie AI, rząd USA uruchomił oficjalną stronę internetową AI.gov, aby podkreślić swoje priorytety w przestrzeni AI. Istnieje kilka powodów niedawnej popularności przemysłowej sztucznej inteligencji: bardziej przystępne cenowo czujniki i zautomatyzowany proces pozyskiwania danych; Większe możliwości obliczeniowe komputerów w celu wykonywania bardziej złożonych zadań z większą szybkością przy niższych kosztach; Szybsza infrastruktura łączności i bardziej dostępne usługi w chmurze do zarządzania danymi i outsourcingu mocy obliczeniowej.
Kategorie
Sama technologia nigdy nie tworzy żadnej wartości biznesowej, jeśli problemy w przemyśle nie są dobrze zbadane. Główne kategorie, do których przemysłowa sztuczna inteligencja może się przyczynić, obejmują; innowacje w zakresie produktów i usług, doskonalenie procesów i odkrywanie spostrzeżeń.
Cloud Foundry szeroko osadzają sztuczne inteligentne technologie. Systemy cybermanufacturingu wykorzystują również analizy predykcyjne i modelowanie cyberfizyczne, aby wypełnić lukę między produkcją a stanem maszyn w celu zoptymalizowania produktywności.
Aplikacje produktów do tworzenia wartości dla użytkownika
Przemysłową sztuczną inteligencję można osadzić w istniejących produktach lub usługach, aby uczynić je bardziej skutecznymi, niezawodnymi, bezpieczniejszymi i wydłużyć ich żywotność. Na przykład przemysł motoryzacyjny wykorzystuje komputerowe systemy wizyjne, aby unikać wypadków i umożliwiać pojazdom utrzymywanie pasa ruchu, ułatwiając bezpieczniejszą jazdę. W produkcji jednym z przykładów jest przewidywanie żywotności brzeszczotów samoświadomych taśmowych , dzięki czemu użytkownicy będą mogli polegać na dowodach degradacji, a nie doświadczeniu, co jest bezpieczniejsze, przedłuży żywotność brzeszczotów i zbuduje profil użytkowania brzeszczotów aby pomóc w doborze ostrza.
Aplikacje procesowe do poprawy produktywności
Automatyzacja jest jednym z głównych aspektów aplikacji procesowych sztucznej inteligencji w przemyśle. Z pomocą sztucznej inteligencji zakres i tempo automatyzacji zostały zasadniczo zmienione. Technologie sztucznej inteligencji zwiększają wydajność i rozszerzają możliwości konwencjonalnych aplikacji sztucznej inteligencji. Przykładem są roboty współpracujące . Współpracujące ramiona robotyczne są w stanie nauczyć się ruchu i ścieżki demonstrowanej przez ludzkich operatorów i wykonać to samo zadanie. Sztuczna inteligencja automatyzuje również proces, który kiedyś wymagał udziału człowieka. Przykładem jest metro w Hongkongu, gdzie program sztucznej inteligencji decyduje o rozmieszczeniu i harmonogramowaniu pracy inżynierów z większą wydajnością i niezawodnością niż ludzie.
Kolejnym aspektem aplikacji procesowych jest modelowanie systemów wielkoskalowych. Systemy Cybermanufacturing są definiowane jako system usług produkcyjnych, który jest połączony w sieć i odporny na błędy dzięki modelowaniu opartemu na dowodach i głębokiemu uczeniu się opartemu na danych . Taki system dotyczy dużych i zwykle rozproszonych geograficznie aktywów, które trudno jest modelować za pomocą konwencjonalnego modelu opartego na fizyce poszczególnych aktywów. Dzięki uczeniu maszynowemu i algorytmom optymalizacji, oddolna struktura uwzględniająca stan maszyn może wykorzystać duże próbki zasobów i zautomatyzować zarządzanie operacjami, planowanie zapasów części zamiennych i planowanie konserwacji.
Aplikacje Insight do odkrywania wiedzy
Przemysłowa sztuczna inteligencja może być również wykorzystywana do odkrywania wiedzy poprzez identyfikowanie spostrzeżeń w systemach inżynierskich. W lotnictwie i aeronautyce sztuczna inteligencja odgrywa kluczową rolę w wielu krytycznych obszarach, z których jednym jest zapewnienie bezpieczeństwa i przyczyna. NASA stara się proaktywnie zarządzać ryzykiem dla bezpieczeństwa samolotów, analizując równolegle dane numeryczne lotu i raporty tekstowe, aby nie tylko wykryć anomalie, ale także powiązać je z czynnikami sprawczymi. Ten wydobyty wgląd w to, dlaczego pewne awarie zdarzały się w przeszłości, rzuci światło na przewidywania podobnych incydentów w przyszłości i zapobiegnie problemom, zanim one wystąpią.
Konserwacja predykcyjna i zapobiegawcza dzięki uczeniu maszynowemu opartemu na danych ma również kluczowe znaczenie dla redukcji kosztów w zastosowaniach przemysłowych. Programy prognostyczne i zarządzania stanem zdrowia ( PHM ) wykorzystują możliwości w hali produkcyjnej, modelując pogorszenie stanu technicznego sprzętu.
Wyzwania
Wyzwania związane z przemysłową sztuczną inteligencją, aby odblokować wartość, polegają na przekształceniu surowych danych w inteligentne prognozy umożliwiające szybkie podejmowanie decyzji. Ogólnie rzecz biorąc, istnieją cztery główne wyzwania związane z realizacją przemysłowej sztucznej inteligencji: dane, szybkość, wierność i możliwość interpretacji.
Systemy inżynieryjne generują obecnie wiele danych, a nowoczesny przemysł jest rzeczywiście środowiskiem dużych zbiorów danych . Jednak dane przemysłowe są zwykle ustrukturyzowane, ale mogą być niskiej jakości.
Proces produkcyjny przebiega szybko, a sprzęt i obrabiany przedmiot mogą być drogie, aplikacje sztucznej inteligencji muszą być stosowane w czasie rzeczywistym, aby móc natychmiast wykrywać anomalie, aby uniknąć marnotrawstwa i innych konsekwencji. Rozwiązania oparte na chmurze mogą być wydajne i szybkie, ale nadal nie spełniają pewnych wymagań dotyczących wydajności obliczeniowej. Edge computing może być lepszym wyborem w takim scenariuszu.
W przeciwieństwie do systemów rekomendacji AI skierowanych do konsumentów, które mają wysoką tolerancję na fałszywe pozytywne i negatywne wyniki, nawet bardzo niski odsetek fałszywych alarmów lub negatywnych wyników może kosztować całkowitą wiarygodność systemów AI. Przemysłowe aplikacje sztucznej inteligencji zwykle zajmują się krytycznymi kwestiami związanymi z bezpieczeństwem, niezawodnością i operacjami. Wszelkie niepowodzenia w przewidywaniach mogą mieć negatywny wpływ na gospodarkę lub bezpieczeństwo użytkowników i zniechęcić ich do polegania na systemach sztucznej inteligencji.
Oprócz dokładności prognoz i wierności wydajności, przemysłowe systemy sztucznej inteligencji muszą również wykraczać poza wyniki prognoz i zapewniać analizę przyczyn źródłowych anomalii. Wymaga to, aby podczas opracowywania analitycy danych pracowali z ekspertami dziedzinowymi i włączali know-how domeny do procesu modelowania, a także dostosowywali model do uczenia się i gromadzenia takich spostrzeżeń jako wiedzy.