Wenn Sie aufgefordert werden, künstliche Intelligenz für Fertigung und Industrie einzuführen, werden Sie höchstwahrscheinlich zuerst an Roboter denken. Viele innovative Unternehmen wie
Rethink Robotics haben freundlich aussehende Roboter für Fabriken entwickelt,
die Seite an Seite mit menschlichen Kollegen arbeiten. Industrieroboter wurden in der Vergangenheit entwickelt, um bestimmte Aufgaben auszuführen. Moderne Roboter können jedoch in neuen Tricks geschult werden und Entscheidungen in Echtzeit treffen.
Und obwohl Roboter sexy und brillant aussehen - zum größten Teil wird KI in der Produktion für die Fähigkeit geschätzt, Daten von Sensoren zu erfassen und sie mit herkömmlichen Geräten in intelligente Vorhersagen umzuwandeln, um die Entscheidungsfindung zu verbessern und zu beschleunigen. Heute sind rund 15 Milliarden Autos mit dem Internet verbunden. Bis 2020
prognostiziert Cisco einen Anstieg dieses Betrags auf 50 Milliarden. Die Integration dieser Maschinen in intelligente automatische Cloud-Systeme ist der nächste wichtige Schritt in der Entwicklung von Produktion und Industrie.
Im Jahr 2015 startete General Electric das Programm GE Digital, um Software-Innovationen in allen Geschäftsbereichen einzuführen. Harel Kodesh, technischer Direktor des Programms, berichtete uns über die einzigartigen Schwierigkeiten bei der Anwendung von KI auf die Industrie, die diesen Bereich vom Verbraucher unterscheiden.
1. Industriedaten sind oft ungenau
„Damit maschinelles Lernen richtig funktioniert, wird eine große Datenmenge benötigt. Verbraucherdaten sind schwerer zu missverstehen - wenn Sie beispielsweise Pizza kaufen oder auf eine Anzeige klicken, sagt Kodesh. "Aber im industriellen Internet sind 40% der Daten falsch und nutzlos."
Angenommen, Sie müssen die Bohrtiefe berechnen und einen Feuchtigkeitssensor in den Boden stecken, um wichtige Messungen durchzuführen. Sie können durch extreme Temperaturen, unachtsame Handlungen von Arbeitern, Fehlfunktionen der Ausrüstung oder sogar einen versehentlich am Gerät montierten Wurm verzerrt werden. „Unsere Daten stammen nicht von einem komfortablen und sicheren Computer in Ihrem Ruheraum“, sagt Kodesh.
2. KI funktioniert nicht in der Cloud, sondern an der Grenze
Benutzerdaten werden in den Clouds auf Computerclustern mit scheinbar unendlicher Kapazität verarbeitet. Amazon kann Ihren Browser- und Einkaufsverlauf ruhig überarbeiten und neue Empfehlungen geben. „Bei Benutzervorhersagen sind die Kosten für falsch positive und falsch negative Empfehlungen niedrig. Sie werden schnell vergessen, dass Amazon Ihnen ein schlechtes Buch empfohlen hat “, bemerkt Kodesh.
Und auf einem Tiefwasser-Derrick befördert ein Riser Öl aus Brunnen auf dem Meeresboden an die Oberfläche. Im Falle eines Problems sollten sofort mehrere Klemmen funktionieren, die das Ventil blockieren. Die ausgeklügelte Software zur Wartung der Stellantriebe dieser Klemmen verfolgt minimale Temperatur- und Druckänderungen. Jeder Fehler
kann eine Katastrophe sein .
Der Einsatz und die Reaktionsfähigkeit des Systems sind in industriellen Anwendungen groß, wenn Millionen von Dollar und Menschenleben auf dem Spiel stehen. In diesen Fällen können Sie der Arbeit der KI in den Clouds nicht vertrauen. Sie muss lokal implementiert werden - manchmal wird sie als "an der Grenze" bezeichnet.
Die industrielle KI ist als End-to-End-System aufgebaut. Kodesh beschreibt es als "Hin- und Rückflugticket". Daten werden auf Sensoren angezeigt, die sich „an der Grenze“ befinden, von den Algorithmen verarbeitet, dann wird die Aufgabe in der Cloud modelliert und zur Implementierung zurück an die Grenze übertragen. Zwischen der Grenze und der Cloud befinden sich Kontrollknoten und viele Speicherknoten, da das System unter der richtigen Last an den richtigen Stellen arbeiten muss.
In einer Fabrik, in der Erz zu Platinbarren verarbeitet wird, müssen Sie sofort das Auftreten von Barren mit der falschen Dichte überwachen, um den Druck am Anfang der Kette anzupassen. Jede Verzögerung bedeutet Materialverlust. Auf die gleiche Weise verarbeitet eine Windmühle ständig Daten, um die Arbeit zu steuern. Kodesh gibt ein Beispiel für eines der vielen wahrscheinlichen Probleme: „Ein millionstes Byte kann Informationen über das Torsionsmoment der Klinge enthalten. Wenn es jedoch zu groß ist, bricht die Klinge ab. "Solche kritischen Informationen müssen zuerst verarbeitet werden, auch wenn sie sich an der millionsten Stelle in der Warteschlange befinden."
Die Bereitstellung präziser Daten in Echtzeit ist so komplex, dass GE auf maßgeschneiderte Lösungen zurückgreifen muss, die intern entwickelt wurden. "Spark ist schnell", gibt Kodesh zu, "aber wenn Sie Entscheidungen in 10 Millisekunden treffen müssen, brauchen Sie andere Systeme."
3. Eine einzelne Vorhersage kann Sie 1000 US-Dollar kosten
Trotz des großen Anteils falscher Daten und der begrenzten Rechenleistung an der Grenze muss die industrielle KI äußerst genau sein. Wenn das Analysesystem des Flugzeugs feststellt, dass ein Problem im Triebwerk aufgetreten ist, müssen Techniker und Ingenieure angerufen werden, um das defekte Teil zu entfernen und zu reparieren. Die Fluggesellschaften müssen einen vorübergehenden Ersatz bereitstellen, damit sie weiter fliegen können. Und all dieses Unternehmen kann leicht 200.000 US-Dollar kosten.
"Wir werden Sie nicht über ein Problem informieren, wenn es nicht existiert, und wir werden Sie definitiv nicht über ein Problem informieren, wenn es ein Problem gibt", sagt Kodesh. "Wir möchten sicherstellen, dass das System eine hohe Genauigkeit aufweist."
Laut Kodesh besteht die einzige Möglichkeit, die hohe Genauigkeit und Geschwindigkeit des Systems zu überprüfen, darin, Tausende von Algorithmen gleichzeitig auszuführen. Ein Verbraucherunternehmen wie Amazon kann mit einem Buch zwischen 1 und 9 US-Dollar verdienen, sodass es möglicherweise bereit ist, 0,001 US-Dollar für Prognosen auszugeben. Und wenn Tausende von Dollar auf dem Spiel stehen, geben Industrie- und Industriegiganten 40 bis 1.000 Dollar für Prognosen aus.
"Für 1.000 US-Dollar kann ich viele Algorithmen parallel ausführen, die Ergebnisse sammeln und den genetischen Algorithmus ausführen, um eine Prognose zu erstellen", sagt Kodesh. "Dies wird den Überlebenseffekt der Stärksten erzeugen, wenn die am besten geeigneten Prognosen verwendet und die weniger geeigneten verworfen werden."
4. Komplexe Modelle müssen interpretierbar sein.
Benutzer denken selten darüber nach, warum Amazon eine bestimmte Empfehlung abgibt. Wenn viel auf dem Spiel steht, stellen die Leute Fragen. Techniker, die seit 45 Jahren auf diesem Gebiet tätig sind, werden Maschinen nicht vertrauen, die ihre Vorhersagen nicht erklären können.
Um ein hohes Maß an Interpretierbarkeit zu erreichen, muss GE völlig neue Technologien erfinden. Leider sind die erforderlichen Talente äußerst gering. „Ich bewundere Bildungseinrichtungen, die versuchen, mit neuen Datenverarbeitungsspezialisten den Anforderungen des Marktes gerecht zu werden, aber ihre Mathematik ist nicht tief genug“, beklagt sich Kodesh.
„Echte Profis müssen tiefer gehen. Sie müssen über hervorragende analytische Fähigkeiten verfügen und wissen, wie Millionen von Messpunkten in Echtzeit gefiltert und normalisiert werden können. “