Применение технологий с элементами искусственного интеллекта (ИИ) в промышленности открывает возможности для оптимизации многих производственных процессов, повышения производительности и экономии ресурсов.
Однако, внедрение проектов ИИ на промышленном предприятии сопряжено с многими трудностями и требует от предприятия серьезных инвестиций, в том числе — в специфические компетенции и знания в области ИИ.
По мнению эксперта в области ИИ и машинного обучения Сашина Адхара, есть три ключевые технологии, которые необходимы для ускорения внедрения ИИ на предприятии.
Дополненные алгоритмы data discovery (аналитики неструктурированных данных)
Традиционная модель реализации проекта по ML на предприятии предполагает достаточно сложный и требующий больших специальных данных в области data science проект внедрения. Такой проект включает в себя последовательность стадий: подготовка данных, инжиниринг “фич”, выбор алгоритмов, обучение модели, тестирование и валидацию. На любой из ступеней могут произойти серьезные проблемы. Обычно, проект по ML в промышленности занимает от трех до семи и более месяцев — от старта до создания моделей, применимых в производстве.
Первой большой проблемой является получение чистых данных. Данные на предприятии хранятся в различных системах: ERP, CMMS, операционных системах и др. Данные поступают в различных форматах и хранятся в разлчных хранилищах. Ручной сбор и очистка таких данных становится трудоемкой и дорогой задачей.
Комадам проектов по ML в промышленности необходима масштабируемая, безопасная и высокопроизводительная среда для управления и анализа информационных данных.
И в этом могут помочь инструменты дополненного анализа данных data discovery. Они способны драматически ускорить процесс. Решения по data discovery позволяют автоматизировать получение релевантных данных для анализа. Они легко масштабируются и позволяют обрабатывать тысячи сетов данных в миллионах таблиц.
После того, как сеты данных подготовлены решениями data discovery, они могут храниться в специальных хранилищах data marts, готовыек использованию в решениях ML.
Автоматизация ИИ
После того, как будут определены юзкейсы и агрегированы данные, следующим шагом становится превращение сырых данных во “входы” ML (инжиниринг “фич”). Проект по ИИ требует создания мультидисциплинарной команды с экспертизой в инжиниринге фич и ML.
Эксперты в области операционных технологий сами не обладают знаниями и опытом создания предиктивных моделей, они полагаются на дата-сайентистов и команды по продвинутой аналитике данных. Но нанять сегодня последних — сложная задача в условиях повышенного спроса на такие кадры.
Автоматизация ИИ может помочь сократить стоимость затрат на внедрение ИИ и существенно ускорить этот процесс.
Используя решения по автоматизации ML, предприятия могут сконцентрироваться на своей операционной деятельности. Платформы ИИ с автоматизированным инжинирингом фич позволяют строить предиктивные модели буквально “нажатием клавиши”.
Такие платформы позволяют автоматизировать до 100% разработки в ML за счет использования внутреннего “движка” на ИИ, позволяющего автоматически находить значимые паттерны и строить таблицы, готовые к ML анализу, на основании операционных данных. Идеальное платформенное ИИ решение позволяет операционной команде строить модели и анализировать информацию вообще без привлечения дополнительных специалистов по data science.
“Пограничная” (on the edge) предиктивная аналитика
Умное производство требует предиктивных возможностей в реальном времени — например, в управлении складскими запасами в производстве just-in-time, мониторинге качества, выявлении аномалий. Есть много возможностей применения “пограничных” вычислений на производстве.
“Пограничная” архитектура позволяет обрабатывать данные локально, фильтровать их и существенно сокращать объем данных, передаваемых на центральные серверы.
Современное умное производство должно обладать возможностью анализировать данные, полученные от различного оборудования и процессов, в режиме реального времени. И в этом плане критически важным является возможность размещения предиктивных моделей на “граничных” устройствах — оборудовании, локальных шлюзах или серверах.
Эти три технологии позволят выиграть в скорости, углубить получаемые инсайты, сделают принятие решений более точным. Умная и гибкая автоматизация ИИ — необходимый шаг в направлении фабрики будущего.
