Кои са най-подходящите индустриални приложения за изкуствен интелект (ИИ) и начините за постигане на истинска възвръщаемост на инвестициите?

Изкуственият интелект – от къде да започнете?

Монтирането на прости и достъпни сензори към машините е добра първа стъпка към ангажирането с техники за машинно обучение (МО). След като разполагате с тези потоци от данни, можете да започнете да идентифицирате модели и тенденции и да започнете да оптимизирате използването на активите си.

В крайна сметка първостепенно е осигуряването на качествени, безпристрастни данни; без това не можете да започнете да мислите как да извлечете стойност от тези потоци данни.

Какви умения са ви необходими?

Техническите познания са важни, но не подценявайте практическите познания. Някой, който е прекарал години на производствената линия, може да ви каже много неща, които липсват във вашите данни.

По същия начин не подценявайте софтуерното инженерство. Много неща вървят ненужно погрешно поради пропуски в софтуерното инженерство. Хората, трябва да се обучават в умения за софтуерно инженерство, за да са сигурни, че прилагат това, което е необходимо.

Повечето компании възприемат цикъл „разработване, тестване, изследване“, така че е важно да има човек, който да го изпълнява вътрешно. Наличието на вътрешни ИИ и МО експерти е необходимо, за да тестват последователно веригата, е също толкова важно.

Ако ще промените части от вашия бизнес с тези технологии, тогава ви се налага да имате малък екип със специализирани умения, които могат да адаптират тези технологии и да ги използват, за да водят вашия бизнес напред. Освен това е по-добре да имате някакво ниво от вътрешни възможности във вашата организация, за да можете да вземате решения за закупуване на разузнавателни данни.

Производителите също трябва да обмислят привличането и преквалификацията учени, като физици, за да използват тези инструменти. Те имат правилното мислене, така че трябва да могат да бъдат преквалифицирани в тези роли относително лесно.

Как да превърните това в печалба?

Често това е най-трудната част. Това помага да се реализират вашите идеи и проекти с по-широките данни или дигиталната стратегия на вашата организация. Ако даден експеримент не е съобразен с тази стратегия, вероятно не е най-добрата идея да отделите твърде много време или ресурси за него.

Започнете да прилагате подход на дизайнерско мислене към събирането на потребителските изисквания. И така, изваждането на предвидената технология или техника и фокусирането й конкретно върху бизнес проблема, случая на употреба и проучване какво се е случило преди, какво се е случило след това и как това ще се използва в бизнеса.

Наистина е изключително важно да изберете добри проекти, с които да започнете, защото това създава инерция и продължаваща инвестиция. Но на някакво ниво трябва да вярвате че определена технология има стойност и сте готови да инвестирате в нея.

Как могат да се използват Изкуственият интелект и Машинното обучение за проблеми с предсказуемата поддръжка?

От гледна точка на практиката, предвидимата поддръжка е предизвикателство, защото през повечето време данните ви не съдържат примери за това как изглежда неуспехът. Когато нямате отрицателни примери, е много трудно да обучите системата си.

Може да извършите анализи на видео и изображения на живо, както и анализ, базиран на шум, където търсите промени във вибрациите. Възможностите по същество са безкрайни, ключовият въпрос е дали данните ви дават реална картина за проблем, който би се поучил.

Техники като използване на разпознаване на образци за идентифициране на видове откази, които се случват в рамките на определен период от време, и след това работа по планиране на това до рутинна поддръжка са били използвани значително.

Област от нарастващ интерес е използването на обработката на данни и регистрационните файлове, разположени в SCADA системи, за да се идентифицират и модели на откази. Тези усилия могат да бъдат подпомогнати чрез цифровизиране на човешки дневници и добавяне на обработка на естествен език, за да се осигури допълнителен контекст.

Реалистични ли са идеите за Изкуственият интелект и Машинното обучение за малките и средни предприятия?

Тези дейности могат да станат скъпи и има много скрити неизвестни, така че предвидете провала. Бихте могли да го понесете при ограничен бюджет, но трябва да компенсирате това с времето. Нереалистично е да мислите, че можете да имате минимален период от време и минимален размер на инвестицията.

Има много технологии с отворен код, публикации и обяснения, което означава, че по-голямата част от работата е свършена. За организациите, които започват това пътуване, трябва да обмислят много добре стратегията си за данни. Добавянето на стратегия за машинно обучение към тази основа става малко по-просто, в относително изражение.

Най-скъпото нещо би било самият талант и именно там малките и средни предприятия (МСП) се конкурират с големите организации. След това, предвид собствеността и гъвкавостта да работят, МСП не би трябвало да имат проблем да отклонят най-добрите таланти за проекта.

Използвайте наличните ресурси за извличане на данни от определено оборудване или бизнес процес и след това обработете тези данни, за да генерирате полза.

Кой е най-добрият език за кодиране при проектите за Изкуствен Интелект и Машинно обучение?

За МСП Python направи скок по отношение на разработката с отворен код, така че осигурява достъп до добри уроци и много подготвени решения. Може да помислите и възможностите, предлагани от Scala, SPARK и Julia.