Четыре основных отличия потребительского искусственного интеллекта от производственного

      Комментарии к записи Четыре основных отличия потребительского искусственного интеллекта от производственного отключены

Четыре основных отличия потребительского искусственного интеллекта от производственного

В случае если вас попросят представить ИИ для промышленности и производства, вы, вероятнее сперва поразмыслите о роботах. Множество инновационных компаний, таких, как Rethink Robotics, создали дружелюбно выглядящих роботов для фабрик, трудящихся вместе c сотрудниками-людьми. Индустриальные роботы исторически разрабатывались для исполнения конкретных заданий, но современных роботов возможно обучать новым трюкам, и они способны принимать решения в настоящем времени.

И пускай роботы выглядят сексуально и блестяще – но в основном ИИ на производстве ценится за свойство брать эти с датчиков и при помощи простой аппаратуры превращать их в интеллектуальные предсказания, направленные на ускорение и улучшение принятия ответов. Сейчас порядка 15 млрд автомобилей подсоединено к интернету. К 2020 году Cisco предвещает повышение этого количества до 50 млрд.

Объединение этих автомобилей в интеллектуальные автоматические облачные совокупности – следующий ответственный ход в промышленности и эволюции производства.

В 2015 году General Electric запустила программу GE Digital по внедрению программных инноваций во всех подразделениях. Харел Кодеш [Harel Kodesh], технический директор программы, поведал нам об неповторимых трудностях в применении ИИ к индустрии, каковые отличают эту область от потребительской.

1. Промышленные эти довольно часто выясняются неточны

«Дабы машинное обучение верно трудилось, нужно огромное количество данных. Потребительские эти тяжелее неправильно осознать – если вы, например, берёте пиццу либо кликаете на рекламе, – говорит Кодеш. – А вот в индустриальном интернете 40% данных фальшивые и ненужные».

Допустим, вам необходимо подсчитать глубину бурения, и вы втыкаете в почву датчик влажности, дабы совершить серьёзные измерения. Они смогут быть искажены экстремальными температурами, неаккуратными действиями рабочих, сбоями в работе оборудования либо кроме того червём, случайно насаженным на устройство.

«Отечественные эти исходят не от комфортного и надёжного компьютера, расположенного в вашей комнате отдыха», – утверждает Кодеш.

2. ИИ трудится не в облаке, а на границе

Пользовательские эти обрабатываются в тучах на вычислительных кластерах с кажущейся нескончаемой ёмкостью. Amazon может нормально переработать вашу историю покупок и просмотра страниц и выдать новые советы.

«В пользовательских предсказаниях цена фальшивых хороших и фальшивых отрицательных рекомендаций низка. Вы скоро забудете, что Amazon порекомендовал вам нехорошую книгу», – отмечает Кодеш.

А на глубоководной буровой башне водоотделяющая колонна передаёт нефть с колодцев на морском дне на поверхность. При происхождении неприятности должны мгновенно сработать пара зажимов, блокирующих клапан. Сложное ПО, обслуживающее актуаторы этих зажимов, отслеживает давления и минимальные изменения температуры.

Каждая неточность может стать трагедией.

Ставки и отзывчивость совокупности громадны в промышленных приложениях, в то время, когда на кон поставлены миллионы долларов и людских судеб. В этих обстоятельствах нельзя доверять работу ИИ в тучах, её необходимо реализовывать на местах – время от времени это именуют «на границе».

Индустриальный ИИ строится как совокупность end-to-end; Кодеш обрисовывает её, как «билет в оба финиша». Эти появляются на датчиках, расположенных «на границе», методы их обрабатывают, после этого задача моделируется в облаке, а позже передаётся обратно на границу для реализации. Между облаком и границей находятся множество и контрольные узлы накопительных узлов, потому, что совокупность обязана мочь трудиться под нужной нагрузкой в нужных местах.

На фабрике, которая перерабатывает руду в платиновые слитки, нужно мгновенно отслеживать появление слитков неправильной плотности, дабы подстраивать давление в начале цепочки. Каждая задержка свидетельствует утрату материала. Совершенно верно так же и ветряк всегда перерабатывает эти для контроля над работой.

Кодеш приводит пример одной из множества возможных неприятностей: «миллионный байт может содержать данные о крутильном моменте лопасти, но если он будет через чур велик, то лопасть отломается. Такую критическую данные нужно обрабатывать прежде всего, даже если она расположена на миллионном месте в очереди».

Подача корректных данных в настоящем времени – задача такая сложная, что GE приходится надеяться на личные ответы, созданные в компании.

«Spark трудится скоро, — признаёт Кодеш, — но в то время, когда вам нужно принимать решения за 10 миллисекунд, необходимы другие системы».

3. Единственное предсказание может обойтись вам в $1000

Не обращая внимания на значительную часть фальшивых данных и ограниченную вычислительную мощность на границе, индустриальному ИИ нужно быть очень правильным. В случае если аналитическая совокупность самолёта определяет, что в двигателе показалась неприятность, нужно вызвать техников и инженеров, дабы те сняли и починили неисправную часть. Компании нужно дать временную замену, дабы она имела возможность продолжать полёты.

И вся эта выдумка может легко обойтись в $200 000.

«Мы не будем информировать вам о наличии неприятности, в случае если её нет, и мы конкретно не будем информировать вам об отсутствии неприятностей, в случае если неприятность имеется, – говорит Кодеш. – Мы желаем убедиться, что у совокупности высокая точность».

Если доверять Кодешу, единственный метод убедиться в скорости системы и высокой точности – запустить тысячи методов в один момент. Потребительская компания типа Amazon может получать от $1 до $9 на книжке, исходя из этого они смогут готовься израсходовать на предсказание $0,001. А в то время, когда на кону стоят тысячи американских долларов, индустриальные и промышленные гиганты тратят на предсказание суммы от $40 до $1000.

«За $1000 я могу параллельно запустить множество методов, собрать результаты и запустить генетический метод для выработки прогноза, – говорит Кодеш. – Это создаст эффект выживания сильнейших, в то время, когда употребляются самый приспособленные прогнозы и отбрасываются менее подходящие».

4. Сложные модели должны быть трактуемыми

Пользователи редко вспоминают над тем, из-за чего Amazon выдаёт какую-то конкретную рекомендацию. В то время, когда ставки высоки, люди начинают задавать вопросы. Техники, трудящиеся в данной области по 45 лет, не будут доверять автомобилям, не талантливым растолковать собственные предсказания.

С целью достижения уровня высокой интерпретируемости GE требуется изобретать совсем новые разработки. К сожалению, нужных талантов очень мало.

«Восхищаюсь учебными заведениями, пробующими удовлетворить запросы рынка новыми экспертами по обработке данных, но их математика не хватает глубока», – жалуется Кодеш.

«Настоящим экспертам необходимо идти глубже. Им необходимо владеть незаурядными аналитическими свойствами, и знать, как фильтровать и нормализовать миллионы измерительных точек в настоящем времени».

Развитие искусственного интеллекта


Интересные записи на сайте:

Подобранные по важим запросам, статьи по теме: