工业环境中的人工智能为何与众不同

工业数据体量庞大，并且很难汇总分析。如果数据来源不同且种类多，人工智能很难发挥作用。由于人工智能需要一目了然的数据，并确保所有数据指标易于被访问、标准化、可识别，导致人工智能与工业环境无缘。例如，您是否能明确指出这个数据来自于哪台设备、汽车或机器？以及该数据在特定时刻位于何处？如果不能，其数据状态相关的所有其它信息就更困难了（例如天气、温度和维修历史等）。汇总分析所有这些数据的结果，以及帮助理解数据的本体论（ontology），这就是我们所谓的数字主线。它是奠定坚实数据基础的关键。

数据访问可能受阻

第一、二和三次工业革命之后的若干年，数据使用方法、协议、格式和存储机制发生了重大变化。系统和设备可能位于防火墙后，安装在隔离的大楼中，孤立地分布在不同作战区或遗留在被人遗忘的区域。如果物理访问不是问题，那么获取数据的安全性和访问权限通常可能受阻。

如果预测失误，可能带来致命后果。人工智能经常出错（例如，YouTube的事实检查功能错误地将巴黎圣母院大火归为疑似恐怖袭击）。这种情况出现在YouTube中，结果可能具有一定煽动性，会造成暴乱的潜在危险。但如果工业环境中的人工智能辅助自动化出错，结果就会非常敏感、危险甚至致命。灾难性波音Air-Max事件就是例证。完成自动化解决方案开发后，需要长时间的管理和认证。因此，我们尝试将人工智能用于工业环境时必须慎重。

如何在工业环境中发掘人工智能的潜能

显而易见，来自工业的企业希望通过人工智能帮助实现“无处不在数据智能”来创造价值。下面列出了几个步骤和指导原则：不要跳过奠定数据基础这一关键步骤。如果没有可靠的数据基础，人工智能将是一纸空谈。应投资数字主线，密切关注可从其它行业借鉴的人工智能应用。

了解哪些应用场景真正切实可行。人工智能/深度学习的成功应用场景是取代简单、不需要得出敏感或危险结论的重复性感知任务。工业环境中的生产应用场景，例如：

测试自动化/测试机器人人工智能开始使用后加快了消费电子产品组装车间的最终测试工作。深度学习能识别可能重复或不必要的测试，进而找到最理想的方法指导完成系列产品的测试。

光学质量检查/分类这是一种图像识别应用，成功用于检测和检定产品表面的划痕、污点和凹痕，进而决定某产品批次为低、中还是高质量，更快速、可靠地完成工作。

安全检查这是另一种光学检查应用。铁路公司利用大量图形识别和分类流程，加快对大量轨道车部件的定期检查。

利用可协同运行来解决问题的一组或一套模型及各种方法，包括人工智能：

·自动完成简单的数据管理任务，如源目标概率映射；

·进行模式识别，开发可帮助自动完成观测或改进肉眼观察（如视觉、听觉和文本）工作的特性；

·通过人工智能开发的特性添加到更多传统统计/机器学习模型中；

·利用“人机回圈”自动化来帮助创建带标签数据集。

正如帕累托法则（Pareto Principle）所倡导的，通过最简单的方式，20%的付出，获得80%的回报,并解决问题。开始时采用最简单的方法，然后在需求增加时进行进一步推广。

未来方向

毫无疑问，要在工业环境中成功进行数据分析，必须确保完成所有这些关键步骤。但在这一过程中，可能会发现利用现有人工智能工具的机会，实现自动运行工业操作流程的某一部分，帮助学习并不断进步，而不置生命于危险之中或影响到正常运行。