Промышленные приложения ИИ — за пределами доказательства концепции
Общие подводные камни при применении ИИ в промышленных контекстах
Продвижение ИИ в различные сферы нашей жизни делает его одной из наиболее ценимых технологий на сегодняшний день. Были достигнуты впечатляющие успехи, и ожидания постоянно растут. В этой области также наблюдается тенденция переноса технологий из потребительского пространства в промышленные приложения. Однако, по данным нескольких аналитических исследований, примерно в 75% случаев промышленные проекты ИИ никогда не выходят за рамки PoC. Почему так происходит?
Энтузиасты, опираясь на успех ИИ в потребительской сфере, часто упускают из виду некоторые важные свойства промышленных приложений. В этой статье мы перечислим несколько промышленных проблем, которые необходимо решить, чтобы сделать проект ИИ успешным.
Index
Важность данных
Технология, которую сегодня называют ИИ, в основном представляет собой нейронные сети (см. также: Машинное обучение). Не вдаваясь в подробности, их можно представить как математические функции — аппроксимация выходной переменной из набора входных переменных с помощью обученной сети.
Для обучения этой сети необходим большой набор данных с метками. Это пары данных, в которых известен выход, связанный с входом. Затем сеть между входом и выходом настраивается таким образом, чтобы в результате получился известный выход. Поскольку нейронные сети могут иметь большое количество внутренних переменных, для достижения удовлетворительных результатов требуется большое количество наборов обучающих данных. После того как сеть обучена, можно вводить новые входные данные, и сеть производит выходной сигнал, полученный на основе данных обучения.
В отличие от других видов программного обеспечения, функциональность нейронной сети практически не определяется программным кодом, описывающим алгоритм. Алгоритмы нейронных сетей являются общими. Тип проблемы, которую решает нейронная сеть, определяется данными, на которых она обучена.
Поэтому качество решения ИИ полностью зависит от наличия и качества обучающих данных. При этом сеть способна аппроксимировать только те данные, которые были включены в набор обучающих данных. Если ей дать фотографии кошек и собак, она сможет сказать вам «это, скорее всего, кошка», но никогда не определит слона. Более того, нет никакой гарантии, что сеть распознает заданный набор данных, даже если он находится в пространстве, на котором она обучалась.
В потребительских приложениях такие наборы данных в основном доступны, часто в базах данных крупных технологических компаний. И в большинстве потребительских приложений ИИ некоторые неправильно помеченные результаты являются нормальными. Если 500 изображений кошек распознаются правильно, и только несколько — нет, это достаточно хорошо. Для промышленных приложений все обстоит иначе. Почему?
В промышленных приложениях решения, принимаемые с помощью ИИ, могут оказать значительное влияние на промышленное производство. С другой стороны, собрать достаточное количество информации довольно сложно, а возможно, и дорого. Если результаты работы системы ИИ окажутся неверными, это может привести к убыткам или даже к ущербу или еще хуже. Случайное неправильное толкование системы ИИ в большинстве случаев недопустимо. Вот несколько советов о том, на что следует обратить внимание в промышленных проектах ИИ.
Инициация — перед началом проекта ИИ
Прежде чем начать проект ИИ, необходимо прояснить некоторые вопросы. Первый и самый главный вопрос, который, как ни удивительно, часто упускается из виду, это: Какую проблему вы хотите решить и почему. Эта проблема должна быть достаточно актуальной, чтобы оправдать усилия, т.е. должны существовать некоторые базовые соображения, касающиеся бизнес-кейса. Следующий вопрос — какую технологию использовать для ее решения. ИИ может быть лучшим решением, а может и не быть. Одной из важных причин, почему он может не подойти, является недостаток данных, что приводит к сопутствующему вопросу: есть ли у нас данные о проблеме, которую нужно решить?
И наконец, решение должно быть воплощено в жизнь. Очень часто это включает в себя расширение масштаба. Поэтому полезно заранее подумать, есть ли у вас данные не только с одной машины для PoC, но и возможно ли получить данные с других машин, как того требует бизнес-кейс.
Поиск правильной проблемы — это бизнес-решение, поэтому давайте рассмотрим другие вопросы немного глубже.
Информация — данные для приложений искусственного интеллекта
Промышленные предприятия генерируют большое количество данных. Для управления роботом, или сталелитейным заводом, или любым другим промышленным процессом используются датчики, которые управляют оборудованием, чтобы оно вело себя так, как задумано. Большая часть этих данных сразу же отбрасывается. Но они генерируются и могут быть записаны. Значит, данных должно быть достаточно для обучения ИИ?
Проблема использования данных заключается в том, содержат ли они необходимую информацию. Если вы хотите предсказывать отказы, у вас должны быть данные об отказах. Поскольку промышленное оборудование выходит из строя редко, вероятно, недостаточно собрать данные только по одной машине. Для этого вам нужны данные со многих установок, где оборудование вышло из строя. Если вы управляете собственными заводами, у вас может не быть необходимого количества машин, если вы поставщик, вы можете знать, где и почему машины вышли из строя, но ваши клиенты могут не предоставить вам эти данные. Чтобы получить эти данные, вы должны предложить клиенту ценностное предложение, почему он должен это сделать.
Кроме того, использование ИИ для воспроизведения информации, которая у вас уже есть, неэффективно. Поскольку данные процесса коррелируют с физикой процесса, обучение системы ИИ с необработанными данными может выявить эти законы физики. Но они известны, они применялись при проектировании завода. Вы хотите применить ИИ для обнаружения эффектов, которые не могут быть легко объяснены инженерными данными. Поэтому вам придется удалить из данных известное, чтобы обучить сеть тому, чего вы не знаете.
Подводя итог: для успешного использования ИИ вам нужны данные, содержащие информацию, необходимую для достижения поставленной цели. Эти данные могут находиться в разных местах, в разных форматах. Если их нет в свободном доступе, имейте в виду, что на их сбор легко уйдет большая часть бюджета вашего проекта ИИ.
Воздействие — результаты ИИ
ИИ может достичь впечатляющих результатов, но он также может привести к удивительным неудачам. И в отличие от обычного программного обеспечения, его трудно тестировать. Даже незначительные изменения во входных данных могут привести к совершенно другим результатам, а природа нейронной сети не позволяет выявить причину изменения результата. Она также не раскрывает причину, почему она пришла к правильному выводу.
Применяя ИИ в промышленной системе, вы должны знать о его недостатках и рисках и смягчать их с помощью других технических средств. Имейте в виду, что нельзя исключить ни ложных срабатываний, ни ложных отрицательных результатов, что должно быть учтено при проектировании системы и процесса. Необходима обычная система контроля или система безопасности, которая следит за тем, чтобы часть ИИ оставалась в разумных эксплуатационных пределах.
Подводя итог: применяйте ИИ там, где у него есть сильные стороны, и не пытайтесь растянуть его там, где у него есть слабые стороны. Знайте о них и прикрывайте их альтернативными процессами и технологиями.
Реализация — применение ИИ
После получения исходных данных для обучения вы готовы к работе. Существует большая вероятность того, что ваш PoC будет работать. Превращение его в производственную систему по-прежнему сопряжено с определенными трудностями.
Одним из ключевых вопросов является общая архитектура: как мы уже говорили, для обучения системы требуется много данных и много вычислительной мощности. Для выполнения обоих этих требований во многих случаях хорошо подходят облачные решения. Однако применение обученной сети гораздо менее сложно и может быть выполнено локально, возможно даже на специальных чипах ИИ. Скорость, доступность данных, безопасность, конфиденциальность и, возможно, другие параметры должны определять ваше архитектурное решение.
Если вы хотите учиться в процессе работы, то нейронную сеть необходимо периодически переобучать, обновлять модели и т. д. Это может потребовать дополнительных ИТ-ресурсов, которые не требовались в PoC.
Одним из неприятных свойств систем искусственного интеллекта является тот факт, что не гарантируется, что обучающие данные из PoC создадут сеть, работающую в аналогичной, но немного другой среде. Поэтому перенос решения на другую установку имеет свои проблемы, и в настоящее время они решаются в рамках исследований.
Система может быть более устойчивой к таким изменениям, если при обучении будут учитываться входные данные из различных установок. Возвращаясь к предыдущему утверждению: подумайте об этом на ранних этапах проекта, потому что вы можете рискнуть потратить большие усилия на сбор и очистку данных при работе со следующим клиентом, в то время как вы можете повторно использовать небольшие усилия, затраченные на обучение ИИ.
Выводы
Мы не можем не подчеркнуть, что хорошие, репрезентативные наборы обучающих данных, содержащие информацию, необходимую для вашего решения, являются ключом к успешному решению ИИ. Убедитесь, что у вас есть такие данные, как на начальном этапе, так и на протяжении всего жизненного цикла вашего решения. Но самое главное — осознайте, какие задачи вы хотите, чтобы выполняло ваше решение. Применяйте ИИ там, где он уместен, и комбинируйте его с другими компонентами, которые могут выполнить эту задачу более эффективно.
Комментарии закрыты.