Искусственный интеллект в промышленности

Промышленный искусственный интеллект , или промышленный ИИ , обычно относится к применению искусственного интеллекта в промышленности и бизнесе. В отличие от общего искусственного интеллекта, который является передовой исследовательской дисциплиной для создания компьютеризированных систем, выполняющих задачи, требующие человеческого интеллекта, промышленный ИИ больше озабочен применением таких технологий для решения промышленных проблем для создания ценности для клиентов, повышения производительности, сокращения затрат, оптимизация, прогнозный анализ ^{[ 1 ]} и открытие прозрения. ^{[ 2 ]}

В последние годы искусственный интеллект и машинное обучение стали ключевыми факторами использования данных в производстве благодаря ряду различных факторов: более доступные датчики и автоматизированный процесс сбора данных; Более мощные вычислительные возможности компьютеров для выполнения более сложных задач с большей скоростью и меньшими затратами; Более быстрая инфраструктура подключения и более доступные облачные сервисы для управления данными и аутсорсинга вычислительных мощностей. ^{[ 3 ]}

Категории

Возможные применения промышленного искусственного интеллекта и машинного обучения в производственной сфере можно разделить на семь областей применения: ^{[ 4 ]}

Анализ рынка и тенденций
Машины и оборудование
Интралогистика
Производственный процесс
Цепочка поставок
Здание
Продукт

Каждую область приложения можно дополнительно разделить на конкретные сценарии применения, описывающие конкретные сценарии искусственного интеллекта и машинного обучения в производстве. В то время как некоторые области применения напрямую связаны с производственными процессами, другие охватывают смежные с производством области, такие как логистика или заводское строительство. ^{[ 4 ]}

Примером сценария применения Process Design & Innovation являются коллаборативные роботы . Коллаборативные роботизированные руки способны запоминать движения и траектории, демонстрируемые людьми-операторами, и выполнять ту же задачу. ^{[ 5 ]} Прогнозное и профилактическое обслуживание на основе данных посредством машинного обучения — это примерные сценарии применения из области применения машин и оборудования . ^{[ 4 ]}

Проблемы

В отличие от полностью виртуальных систем, в которых приложения ML уже сегодня широко распространены, реальные производственные процессы характеризуются взаимодействием виртуального и физического мира. Данные записываются с помощью датчиков и обрабатываются на вычислительных объектах, а при желании действия и решения переводятся обратно в физический мир с помощью исполнительных механизмов или людей-операторов. ^{[ 6 ]} Это создает серьезные проблемы для применения машинного обучения в системах технологического проектирования. Эти проблемы связаны со столкновением характеристик процесса, данных и модели: высокие требования к надежности производственной области, высокий риск и потенциал потерь, множество разнородных источников данных и непрозрачность функциональности модели ML препятствуют более быстрому внедрению ML в реальные производственные процессы.

В частности, производственные данные включают в себя множество различных модальностей, семантики и качества. ^{[ 7 ]} Кроме того, производственные системы динамичны, неопределенны и сложны. ^{[ 7 ]} а инженерные и производственные задачи требуют большого количества данных, но скудной информации. ^{[ 8 ]} Кроме того, из-за разнообразия вариантов использования и характеристик данных требуются наборы данных по конкретным проблемам, которые трудно получить, что затрудняет работу как практиков, так и академических исследователей в этой области. ^{[ 9 ]}

Характеристики процесса и отрасли

Сферу производственного инжиниринга можно рассматривать как довольно консервативную отрасль, когда речь идет о внедрении передовых технологий и их интеграции в существующие процессы. Это связано с высокими требованиями к надежности производственных систем, возникающими из-за потенциально высокого экономического ущерба от снижения эффективности процесса, например, из-за дополнительных незапланированных простоев или недостаточного качества продукции. Кроме того, специфика обрабатывающего оборудования и изделий не позволяет широко внедрять различные процессы. Помимо технических причин, неохотное внедрение машинного обучения вызвано отсутствием опыта в области ИТ и науки о данных во всей области. ^{[ 4 ]}

Характеристики данных

Данные, собираемые в производственных процессах, в основном поступают от датчиков, которые часто собирают образцы для оценки состояния продукта, процесса или окружающей среды в реальном мире. Показания датчиков чувствительны к шуму и представляют собой лишь оценку реальности в условиях неопределенности. Производственные данные обычно включают в себя несколько распределенных источников данных, в результате чего получаются различные модальности данных (например, изображения из систем визуального контроля качества, показания датчиков временных рядов или информация о задании и продукте в разрезе). Несогласованность в сборе данных приводит к низкому соотношению сигнал/шум , низкому качеству данных и большим усилиям по их интеграции, очистке и управлению. Кроме того, в результате механического и химического износа производственного оборудования данные процесса подвержены различным формам отклонения данных .

Характеристики модели машинного обучения

Модели ML рассматриваются как системы «черного ящика» из-за их сложности и непрозрачности отношений ввода-вывода. Это снижает понятность поведения системы и, следовательно, ее приемлемость для операторов установки. Из-за отсутствия прозрачности и стохастичности этих моделей невозможно получить детерминированное доказательство функциональной правильности, что усложняет сертификацию производственного оборудования. Учитывая присущее им неограниченное поведение прогнозирования, модели машинного обучения уязвимы к ошибочным или манипулируемым данным, что еще больше ставит под угрозу надежность производственной системы из-за недостаточной надежности и безопасности. Помимо высоких затрат на разработку и развертывание, дрейф данных вызывает высокие затраты на обслуживание, что невыгодно по сравнению с чисто детерминированными программами .

Стандартные процессы обработки данных на производстве

Разработка приложений ML – начиная с идентификации и выбора варианта использования и заканчивая развертыванием и обслуживанием приложения – следует за отдельными этапами, которые можно организовать в стандартных моделях процессов. Модели процессов помогают структурировать процесс разработки и определить требования, которые необходимо выполнить на каждом этапе для перехода к следующему этапу. Стандартные процессы можно разделить на общие и предметно-ориентированные. Общие стандартные процессы (например, CRISP-DM , ASUM-DM, KDD , SEMMA или Team Data Science Process ) описывают общедействительную методологию и, таким образом, не зависят от отдельных областей. ^{[ 10 ]} С другой стороны, процессы, специфичные для предметной области, учитывают конкретные особенности и проблемы специальных областей применения.

Конвейер машинного обучения в производстве — это специализированная методология обработки данных, основанная на модели CRISP-DM и специально разработанная для применения в областях проектирования и производственных технологий. ^{[ 11 ]} Чтобы решить основные проблемы ML в инженерии — характеристики процессов, данных и модели — методология особенно фокусируется на оценке вариантов использования, достижении общих данных и понимания процессов, интеграции данных, предварительной обработке данных реальных производственных данных, а также развертывании и сертификация реальных приложений машинного обучения.

Источники промышленных данных

Основой большинства приложений искусственного интеллекта и машинного обучения в промышленных условиях являются комплексные наборы данных из соответствующих областей. Эти наборы данных служат основой для обучения используемых моделей. ^{[ 7 ]} В других областях, таких как компьютерное зрение, распознавание речи или языковые модели, необходимы обширные справочные наборы данных (например, ImageNet , Librispeech, ^{[ 12 ]} Народная речь ) и данные, взятые из открытого Интернета. ^{[ 13 ]} для этой цели часто используются. Такие наборы данных редко существуют в промышленном контексте из-за высоких требований конфиденциальности. ^{[ 9 ]} и высокая специфичность данных. Поэтому промышленные приложения искусственного интеллекта часто сталкиваются с проблемой доступности данных. ^{[ 9 ]}

По этим причинам существующие наборы открытых данных, применимые к промышленным приложениям, часто создаются государственными учреждениями, такими как государственные учреждения или университеты, а также конкурсами по анализу данных, проводимыми компаниями. В дополнение к этому существуют платформы обмена данными. Однако большинство этих платформ не имеют промышленной направленности и предлагают ограниченные возможности фильтрации промышленных источников данных.

См. также

Ссылки

^ «Сокращение времени простоя с помощью искусственного интеллекта в нефтегазовой отрасли» . Тех27 .
^ Салломи, Пол. «Искусственный интеллект становится мейнстримом» . ВСЖ . The Wall Street Journal — Журнал CIO — Deloitte . Проверено 9 мая 2017 г.
^ Шацкий, Дэвид; Мураскин, Крейг; Гурумурти, Рагу. «Когнитивные технологии: Реальные возможности для бизнеса» . Обзор Делойта.
^ Перейти обратно: ^а ^б ^с ^д Краус, Дж.; Хюльсманн, Т.; Лейендекер, Л.; Шмитт, Р.Х. (2023). «Области применения, варианты использования и наборы данных для машинного обучения и искусственного интеллекта в производстве» . В Ливальде, Матиас; Верль, Александр; Бауэрнхансль, Томас; Мёринг, Ганс-Кристиан (ред.). Производство на переднем крае технологий . Конспект лекций по технологии производства. Чам: Международное издательство Springer. стр. 504–513. дои : 10.1007/978-3-031-18318-8_51 . ISBN 978-3-031-18318-8 .
^ «Что означает коллаборативный робот?» . Проверено 9 мая 2017 г.
^ Моностори, Л.; Кадар, Б.; Бауэрнхансль, Т.; Кондо, С.; Кумара, С.; Рейнхарт, Г.; Зауэр, О.; Шух, Г.; СИХН, В.; Уэда, К. (01 января 2016 г.). «Кибер-физические системы в производстве» . Анналы CIRP . 65 (2): 621–641. дои : 10.1016/j.cirp.2016.06.005 . ISSN 0007-8506 .
^ Перейти обратно: ^а ^б ^с Вуэст, Торстен; Веймер, Дэниел; Иргенс, Кристофер; Тобен, Клаус-Дитер (январь 2016 г.). «Машинное обучение в производстве: преимущества, проблемы и приложения» . Производство и производственные исследования . 4 (1): 23–45. дои : 10.1080/21693277.2016.1192517 . ISSN 2169-3277 . S2CID 52037185 .
^ Лу, Стивен Сай. (1 января 1990 г.). «Подходы машинного обучения к решению задач синтеза и интеграции знаний для современной инженерной автоматизации» . Компьютеры в промышленности . 15 (1): 105–120. дои : 10.1016/0166-3615(90)90088-7 . ISSN 0166-3615 .
^ Перейти обратно: ^а ^б ^с Журдан, Николя; Лонгард, Лукас; Бигель, Тобиас; Меттерних, Иоахим (2021). «Машинное обучение для интеллектуального обслуживания и контроля качества: обзор существующих наборов данных и соответствующих вариантов использования» . дои : 10.15488/11280 . {{cite journal}}: Для цитирования журнала требуется |journal= ( помощь )
^ Азаведо, Ана (2008). «KDD, SEMMA и CRISP-DM: параллельный обзор». Европейская конференция IADIS. Интеллектуальный анализ данных . S2CID 15309704 .
^ Краусс, Джонатан; Дориссен, Йонас; Менде, Хендрик; Фрай, Майк; Шмитт, Роберт Х. (2019). «Машинное обучение и искусственный интеллект в производстве: области применения и общедоступные наборы данных» . В Вульфсберге — Йенс Петер; Хинтце, Вольфганг; Беренс, Бернд-Арно (ред.). Производство на переднем крае технологий . Берлин, Гейдельберг: Springer. стр. 493–501. дои : 10.1007/978-3-662-60417-5_49 . ISBN 978-3-662-60417-5 . S2CID 213777444 .
^ Панайотов, Василий; Чен, Гого; Пови, Дэниел; Худанпур, Санджив (2015). «Либриспич: корпус ASR на основе аудиокниг, являющихся общественным достоянием». Международная конференция IEEE по акустике, речи и обработке сигналов (ICASSP) , 2015 г. стр. 5206–5210. дои : 10.1109/icassp.2015.7178964 . ISBN 978-1-4673-6997-8 . S2CID 2191379 . Проверено 18 октября 2023 г.
^ ОпенАИ (2023 г.). «Технический отчет GPT-4». arXiv : 2303.08774 [ cs.CL ].

[1] «Сокращение времени простоя с помощью искусственного интеллекта в нефтегазовой отрасли» . Тех27 .

[2] Салломи, Пол. «Искусственный интеллект становится мейнстримом» . ВСЖ . The Wall Street Journal — Журнал CIO — Deloitte . Проверено 9 мая 2017 г.

[:5-3] Шацкий, Дэвид; Мураскин, Крейг; Гурумурти, Рагу. «Когнитивные технологии: Реальные возможности для бизнеса» . Обзор Делойта.

[:1-4] Перейти обратно: ^а ^б ^с ^д Краус, Дж.; Хюльсманн, Т.; Лейендекер, Л.; Шмитт, Р.Х. (2023). «Области применения, варианты использования и наборы данных для машинного обучения и искусственного интеллекта в производстве» . В Ливальде, Матиас; Верль, Александр; Бауэрнхансль, Томас; Мёринг, Ганс-Кристиан (ред.). Производство на переднем крае технологий . Конспект лекций по технологии производства. Чам: Международное издательство Springer. стр. 504–513. дои : 10.1007/978-3-031-18318-8_51 . ISBN 978-3-031-18318-8 .

[5] «Что означает коллаборативный робот?» . Проверено 9 мая 2017 г.

[6] Моностори, Л.; Кадар, Б.; Бауэрнхансль, Т.; Кондо, С.; Кумара, С.; Рейнхарт, Г.; Зауэр, О.; Шух, Г.; СИХН, В.; Уэда, К. (01 января 2016 г.). «Кибер-физические системы в производстве» . Анналы CIRP . 65 (2): 621–641. дои : 10.1016/j.cirp.2016.06.005 . ISSN 0007-8506 .

[:2-7] Перейти обратно: ^а ^б ^с Вуэст, Торстен; Веймер, Дэниел; Иргенс, Кристофер; Тобен, Клаус-Дитер (январь 2016 г.). «Машинное обучение в производстве: преимущества, проблемы и приложения» . Производство и производственные исследования . 4 (1): 23–45. дои : 10.1080/21693277.2016.1192517 . ISSN 2169-3277 . S2CID 52037185 .

[8] Лу, Стивен Сай. (1 января 1990 г.). «Подходы машинного обучения к решению задач синтеза и интеграции знаний для современной инженерной автоматизации» . Компьютеры в промышленности . 15 (1): 105–120. дои : 10.1016/0166-3615(90)90088-7 . ISSN 0166-3615 .

[:3-9] Перейти обратно: ^а ^б ^с Журдан, Николя; Лонгард, Лукас; Бигель, Тобиас; Меттерних, Иоахим (2021). «Машинное обучение для интеллектуального обслуживания и контроля качества: обзор существующих наборов данных и соответствующих вариантов использования» . дои : 10.15488/11280 . {{cite journal}}: Для цитирования журнала требуется |journal= ( помощь )

[10] Азаведо, Ана (2008). «KDD, SEMMA и CRISP-DM: параллельный обзор». Европейская конференция IADIS. Интеллектуальный анализ данных . S2CID 15309704 .

[11] Краусс, Джонатан; Дориссен, Йонас; Менде, Хендрик; Фрай, Майк; Шмитт, Роберт Х. (2019). «Машинное обучение и искусственный интеллект в производстве: области применения и общедоступные наборы данных» . В Вульфсберге — Йенс Петер; Хинтце, Вольфганг; Беренс, Бернд-Арно (ред.). Производство на переднем крае технологий . Берлин, Гейдельберг: Springer. стр. 493–501. дои : 10.1007/978-3-662-60417-5_49 . ISBN 978-3-662-60417-5 . S2CID 213777444 .

[12] Панайотов, Василий; Чен, Гого; Пови, Дэниел; Худанпур, Санджив (2015). «Либриспич: корпус ASR на основе аудиокниг, являющихся общественным достоянием». Международная конференция IEEE по акустике, речи и обработке сигналов (ICASSP) , 2015 г. стр. 5206–5210. дои : 10.1109/icassp.2015.7178964 . ISBN 978-1-4673-6997-8 . S2CID 2191379 . Проверено 18 октября 2023 г.

[13] ОпенАИ (2023 г.). «Технический отчет GPT-4». arXiv : 2303.08774 [ cs.CL ].

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]

[ 8 ]

[ 9 ]

[ 10 ]

[ 11 ]

[ 12 ]

[ 13 ]