取消
搜索历史
热搜词
原创
活动
创新2.0
I T
产业
当前位置:首页 >互联网•IT > 互联网+ > 互联网化 > 正文
人工智能离制造业还有多远?
来源:ENI经济和信息化网  作者:常健 2020-10-27 09:39:27
人工智能在制造业应用,目的是创造价值 过去谈到信息化,离不开三个词:流程、规则、制度,业务按照系统流程执行。而人工智能也涉及三个词:感知、认知、决策,要解决的是这三个环节的问题。

这一波人工智能的再度兴起,终于让我们看到了人工智能技术实实在在的应用实践,AI成为社会发展、经济增长的必然需要已经是一个共识。人工智能技术已经在金融银行业和互联网经济中产生了巨大的价值,也必将为传统制造业带来巨大的改变,当“物理世界”和“数字世界”发生碰撞,制造效率再次得以提升,数据科学为企业运营决策和资源优化提供了可量化的依据。

道理如此,但真正落地应用,如何让人工智能价值最大化,制造业实践中会遇到哪些挑战,又有哪些应对之道?

人工智能制造业应用,目的是创造价值 过去谈到信息化,离不开三个词:流程、规则、制度,业务按照系统流程执行。而人工智能也涉及三个词:感知、认知、决策,要解决的是这三个环节的问题。

举个例子,规定一辆车五千或一万公里做一次保养,是通过大量的实践统计数据分析得出的,不保养可能会出现问题。但是按固定里程计划保养是不是一个最好的保养策略呢,是不是最经济呢?常识告诉我们不一定。那么人工智能可以怎么优化保养策略呢?比如可以通过车上安装传感设备,获得数据,让AI感知到车辆的详细工况,通过算法给出建议,帮助决策该不该保养或哪些地方该保养。

再比如手机加工,怎样才能保证不因为加工车床的刀具磨损出现计划外的宕机,做出合理及时的保养决策呢?最好的方式当然是可以预知刀具明天很可能会坏,今天换掉。提前换或者推后换,都会对生产效率、成本带来问题。

比如在产品研发方面,如何快速将之前的产品研发知识构建成智能知识库,把最相关的知识最直接准确的按逻辑提供给研发人员,而不是打开知识文档库去查找文档。构建知识点之间的内在联系逻辑,让人工智能在感知研发人员在做什么,需要什么。在整个制造业链条上,从研发到营销,类似的人工智能的应用场景非常多,也被大量试验证实了,那么人工智能制造业的规模化应用离我们还有多远?

另外一个问题,人工智能是一个更加复杂的技术,应用技术是需要投入的,那么创造多大的价值才值得去实现一个AI应用。举个例子,一家整车企业,每年因发动机异响造成的售后成本是两个亿,对这个异响,人工智能是可以远程诊断的,那应用这样一个技术,能降低多少售后成本?因此,任何人工智能应用最后都会归结到价值衡量,不只是考虑技术问题,还要算出能带给企业多少利润或节省多少成本。

人工智能应用场景中,制造企业挑战有哪些? 面对人工智能在技术上已经可以实现的诸多应用场景,在制造业的落地过程中又有哪些难点与挑战呢?

第一,制造业“体质”。我们说的是体质,不是体制。挑选培养运动员,有的选去练长跑,有的选去练游泳,从常识我们都知道,很大程度上是由天生体质决定的。制造业的 “体质”是什么呢?制造业的“体质”就是扎扎实实,没有捷径。或者我们可以说,制造业不热衷于讨论“模式”。制造业要建一条数字化生产线,不能讲互联网的“试错”,“快速迭代”。三年的时间,可能一个互联网企业已经上市了或落幕了。但是对于制造业来讲,三年的时间一条数字化生产线可能还没有达到设计时的理想指标。这就是制造业的体质:有机器、有设备,必须跟实实在在的东西打交道。

第二,AI落地路径选择。富士康的李杰教授将人工智能应用在工业过程中的研究对象划分为四个象限:解决可见的问题、避免可见的问题、解决还不可见的问题,避免还不可见的问题。从哪一类对象入手才是对企业回报最大或最迫切的选择呢,是企业需要判断的。

第三,技术和人才。一谈到人工智能,脑子里第一个跳出来的概念是算法,算法在哪里?需要算法科学家,那么算法科学家哪里有?我们发现,企业在做传统信息化的时候(比如ERP系统,MES系统),基本上都是买来用,自行开发的鲜有听闻。但到人工智能就不同了,算法都靠供应商不现实,需要算法科学家的参与。因此,企业需要如何化解人工智能人才短板的问题。

第四,数据。新经济背景下,消费和零售行业应用人工智能最核心的三类数据为客户数据、行为数据和交易数据。一旦进入制造业,数据的类型一下五花八门。比如波形数据、时域数据、频率数据、生产数据、设备数据、实验数据、图像数据、音频数据等众多类型。这些数据要如何治理,如何使用呢?这么多数据该怎么选择才能够把模型训练出来?这也存在着很大问题。

企业级人工智能平台带来了什么? 面对这些挑战,业界的人工智能应用提供者必须思考出解法。而第四范式的选择是,致力于企业级通用的人工智能平台。

这个企业级人工智能平台有什么?一谈到人工智能,大家就会想到模型,从定义问题到建模,训练到模型评估最后到模型应用,整个过程都包括了数据的应用。一个完整的人工智能构架包含应用层、系统层和算力层。模型部署和应用是在应用层面,模型开发和管理在系统层,算力层面还存在异构算力要被管理和调度管起来,算力还要被合理重复的使用起来。这点在最底层,容易被忽略,但是很重要。一个大家熟知的例子就是:Iphone应用最流畅,但肯定不是因为硬件配置最高。

这样一个企业级的人工智能开发、部署、应用和管理平台,是第四范式最核心的产品。在这个产品中,有这么几个最核心的优势。

自动机器学习。通过自动机器学习的方法,在解决相应问题时,模型是由平台来产生的。平台产生的模型,必要时允许在平台工具中再由人来优化,但解决了模型必须依赖算法科学家来生产的问题。用户只需要把问题定义出来,平台自动产生模型,随着时间的推演,模型还可以迭代和更新。这个优势是第四范式世界领先的自研核心技术,希望帮助企业降低人工智能应用门槛,尽早体验人工智能技术。

AI数据治理“中台”。这里用中台这个词只是便于大家理解,因为近年这个词实在是太普及了。有了企业的人工智能数据“中台”,可以管理数据的有效性、一致性,定义标准的“数据形式”,给不同的系统使用角色提供不同的数据访问和应用形式等。解决了人工智能数据治理的问题。

软件定义算力。能用软件定义算力,一定是因为对算力硬件有充分的了解和掌握。第四范式的专业团队拥有包括获得ACM大赛世界冠军的一流专家,进行算力层的研发,致力提供运行最流畅的人工智能一体机来服务客户。

另外,第四范式还对解决某一类特定人工智能问题提供了开箱即用的应用。即成熟模型的快速应用部署,比如像一般的声音和图象处理问题等。

目前,第四范式在中国机器学习平台市场份额遥遥领先,根据IDC的报告,已经连续两年蝉联第一。

(本篇文章摘自第四范式制造业行业负责人常健在ENI主办活动“把握双循环机遇 打造内涵驱动力 再谈新常态下的智造规划及落地”重庆CIO智行社的演讲。)

编辑:张颖
活动 直播间  | CIO智行社

分享到微信 ×

打开微信,点击底部的“发现”,
使用“扫一扫”即可将网页分享至朋友圈。

Baidu
map