उपभोक्ता कृत्रिम बुद्धि और उत्पादन के बीच चार मुख्य अंतर

यदि आपको निर्माण और उद्योग के लिए कृत्रिम बुद्धिमत्ता का परिचय देने के लिए कहा जाता है, तो आप सबसे पहले रोबोट के बारे में सोचेंगे। कई नवीन कंपनियों, जैसे रेथिंक रोबोटिक्स , ने मानव सहयोगियों के साथ कंधे से कंधा मिलाकर काम करने वाले कारखानों के लिए अनुकूल दिखने वाले रोबोट विकसित किए हैं। औद्योगिक रोबोटों को विशिष्ट कार्यों को करने के लिए ऐतिहासिक रूप से विकसित किया गया है, लेकिन आधुनिक रोबोटों को नई चाल में प्रशिक्षित किया जा सकता है, और वे वास्तविक समय में निर्णय लेने में सक्षम हैं।

और यद्यपि रोबोट सेक्सी और शानदार दिखते हैं - लेकिन अधिकांश भाग के लिए, उत्पादन में AI को सेंसर से डेटा लेने और निर्णय लेने में सुधार और तेज करने के उद्देश्य से उन्हें बुद्धिमान भविष्यवाणियों में बदलने के लिए पारंपरिक उपकरणों का उपयोग करने की क्षमता के लिए सराहना की जाती है। आज, लगभग 15 बिलियन कारें इंटरनेट से जुड़ी हैं। 2020 तक, सिस्को ने इस राशि में 50 बिलियन की वृद्धि की भविष्यवाणी की है । बुद्धिमान स्वचालित क्लाउड सिस्टम में इन मशीनों का एकीकरण उत्पादन और उद्योग के विकास में अगला महत्वपूर्ण कदम है।



2015 में, जनरल इलेक्ट्रिक ने सभी डिवीजनों में सॉफ्टवेयर नवाचारों को पेश करने के लिए GE डिजिटल प्रोग्राम लॉन्च किया। कार्यक्रम के तकनीकी निदेशक, हरेल कोडेश ने हमें AI को उद्योग में लागू करने में अद्वितीय कठिनाइयों के बारे में बताया जो इस क्षेत्र को उपभोक्ता से अलग करते हैं।

1. औद्योगिक डेटा अक्सर गलत होता है

“मशीन सीखने के लिए ठीक से काम करने के लिए, बड़ी मात्रा में डेटा की आवश्यकता होती है। उपभोक्ता डेटा को गलत समझना मुश्किल है - यदि, उदाहरण के लिए, आप पिज्जा खरीदते हैं या एक विज्ञापन पर क्लिक करते हैं, तो कोडेश कहते हैं। "लेकिन औद्योगिक इंटरनेट पर, डेटा का 40% गलत और बेकार है।"

मान लीजिए कि आपको ड्रिलिंग की गहराई की गणना करने की आवश्यकता है, और आप महत्वपूर्ण माप करने के लिए जमीन में एक नमी सेंसर चिपकाते हैं। वे अत्यधिक तापमान, श्रमिकों की लापरवाह कार्रवाई, उपकरण की खराबी, या यहां तक ​​कि एक कीड़ा गलती से उपकरण पर चढ़कर विकृत हो सकते हैं। "हमारा डेटा आपके विश्राम कक्ष में स्थित एक आरामदायक और सुरक्षित कंप्यूटर से नहीं आता है," कोडेश कहते हैं।

2. AI बादल में नहीं, बल्कि सीमा पर काम करता है

उपयोगकर्ता डेटा को क्लाउड समूहों में क्लाउड पर संसाधित किया जाता है, जो प्रतीत होता है कि असीम क्षमता है। अमेज़ॅन आपके ब्राउज़िंग और खरीदारी के इतिहास को शांत कर सकता है और नई सिफारिशें प्रदान कर सकता है। “उपयोगकर्ता भविष्यवाणियों में, झूठी सकारात्मक और झूठी नकारात्मक सिफारिशों की लागत कम है। आप जल्दी से भूल जाएंगे कि अमेज़ॅन ने आपको एक खराब किताब की सिफारिश की थी, “कोडेश नोट।

और एक गहरे पानी के डेरिक पर, एक रिसर तेल को कुओं से सतह पर स्थानांतरित करता है। एक समस्या की स्थिति में, वाल्व को अवरुद्ध करने वाले कई क्लैंप को तुरंत काम करना चाहिए। इन क्लैम्प्स के एक्चुएटर्स की सर्विस करने वाला परिष्कृत सॉफ्टवेयर तापमान और दबाव में न्यूनतम बदलावों पर नज़र रखता है। कोई भी गलती अनर्थ हो सकती है ।

सिस्टम के दांव और जवाबदेही औद्योगिक अनुप्रयोगों में महान हैं, जब लाखों डॉलर और मानव जीवन दांव पर हैं। इन मामलों में, आप बादलों में AI के काम पर भरोसा नहीं कर सकते, इसे स्थानीय रूप से लागू किया जाना चाहिए - कभी-कभी इसे "सीमा पर" कहा जाता है।

औद्योगिक एआई को एंड-टू-एंड सिस्टम के रूप में बनाया गया है; कोडेश ने इसे "राउंड-ट्रिप टिकट" के रूप में वर्णित किया है। डेटा "सीमा पर स्थित" सेंसर पर दिखाई देता है, एल्गोरिदम इसे संसाधित करता है, फिर कार्य को क्लाउड में मॉडलिंग की जाती है, और फिर इसे कार्यान्वयन के लिए सीमा पर वापस स्थानांतरित कर दिया जाता है। सीमा और बादल के बीच नियंत्रण नोड और कई भंडारण नोड हैं, क्योंकि सिस्टम को सही स्थानों में सही लोड के तहत काम करने में सक्षम होना चाहिए।

एक कारखाने में जो प्लैटिनम सिल्लियों में अयस्क को संसाधित करता है, आपको श्रृंखला की शुरुआत में दबाव को समायोजित करने के लिए गलत घनत्व के सिल्लियों की उपस्थिति की तुरंत निगरानी करने की आवश्यकता है। किसी भी देरी का मतलब है कि सामग्री का नुकसान। उसी तरह, एक पवनचक्की लगातार काम को नियंत्रित करने के लिए डेटा संसाधित करती है। कोडेश कई संभावित समस्याओं में से एक का उदाहरण देता है: “एक मिलियन बाइट में ब्लेड के मरोड़ वाले क्षण की जानकारी हो सकती है, लेकिन अगर यह बहुत बड़ा है, तो ब्लेड टूट जाएगा। "ऐसी महत्वपूर्ण जानकारी को पहले संसाधित किया जाना चाहिए, भले ही वह कतार में मिलियनवें स्थान पर स्थित हो।"

वास्तविक समय के बारे में बताते हुए, सटीक डेटा इतना जटिल है कि GE को आंतरिक रूप से विकसित दर्जी समाधानों पर निर्भर रहना पड़ता है। "स्पार्क तेज़ है," कोडेश मानते हैं, "लेकिन जब आपको 10 मिलीसेकंड में निर्णय लेने की आवश्यकता होती है, तो आपको अन्य सिस्टम की आवश्यकता होती है।"

3. एक एकल भविष्यवाणी आपको $ 1000 खर्च कर सकती है

सीमा पर झूठे डेटा और सीमित कंप्यूटिंग शक्ति के बड़े हिस्से के बावजूद, औद्योगिक एआई को बेहद सटीक होने की आवश्यकता है। यदि विमान की विश्लेषणात्मक प्रणाली निर्धारित करती है कि इंजन में कोई समस्या आ गई है, तो दोषपूर्ण भाग को हटाने और मरम्मत के लिए तकनीशियनों और इंजीनियरों को कॉल करना आवश्यक है। एयरलाइंस को एक अस्थायी प्रतिस्थापन प्रदान करने की आवश्यकता है ताकि यह उड़ना जारी रख सके। और यह सभी उद्यम आसानी से $ 200,000 खर्च कर सकते हैं।

"हम एक समस्या के बारे में आपको सूचित नहीं करेंगे यदि यह मौजूद नहीं है, और हम निश्चित रूप से एक समस्या के बारे में आपको सूचित नहीं करेंगे यदि कोई समस्या है," कोडेश कहते हैं। "हम यह सुनिश्चित करना चाहते हैं कि सिस्टम में उच्च सटीकता हो।"

कोडेश के अनुसार, सिस्टम की उच्च सटीकता और गति को सत्यापित करने का एकमात्र तरीका हजारों एल्गोरिदम को एक साथ चलाना है। अमेजन जैसी उपभोक्ता कंपनी एक किताब पर $ 1 से $ 9 तक कहीं भी कमा सकती है, इसलिए वे भविष्यवाणी पर $ 0.001 खर्च करने को तैयार हो सकते हैं। और जब हजारों डॉलर दांव पर होते हैं, तो औद्योगिक और औद्योगिक दिग्गज भविष्यवाणी पर $ 40 से $ 1,000 तक खर्च करते हैं।

"$ 1000 के लिए, मैं समानांतर में कई एल्गोरिदम चला सकता हूं, परिणाम एकत्र कर सकता हूं और पूर्वानुमान बनाने के लिए आनुवंशिक एल्गोरिथ्म चला सकता हूं," कोडेश कहते हैं। "यह सबसे फिट पूर्वानुमान का उपयोग किया जाता है और कम उपयुक्त खारिज कर दिया जाता है जब यह योग्यतम के अस्तित्व प्रभाव पैदा करेगा।"

4. जटिल मॉडल की व्याख्या योग्य होनी चाहिए।

उपयोगकर्ता शायद ही कभी इस बारे में सोचते हैं कि अमेज़ॅन एक विशिष्ट सिफारिश क्यों करता है। जब दांव ऊंचे होते हैं, तो लोग सवाल पूछना शुरू कर देते हैं। 45 वर्षों से इस क्षेत्र में काम करने वाले तकनीशियन उन मशीनों पर भरोसा नहीं करेंगे जो उनकी भविष्यवाणियों को समझाने में असमर्थ हैं।

व्याख्या के उच्च स्तर को प्राप्त करने के लिए, जीई को पूरी तरह से नई प्रौद्योगिकियों का आविष्कार करने की आवश्यकता है। दुर्भाग्य से, आवश्यक प्रतिभाएं बहुत कम हैं। "मैं शैक्षिक संस्थानों की प्रशंसा करता हूं जो नए डेटा प्रोसेसिंग विशेषज्ञों के साथ बाजार की मांगों को पूरा करने की कोशिश कर रहे हैं, लेकिन उनका गणित पर्याप्त गहरा नहीं है," कोडीन शिकायत करते हैं।

“असली पेशेवरों को गहराई तक जाने की जरूरत है। उनके पास उत्कृष्ट विश्लेषणात्मक कौशल होना चाहिए और वास्तविक समय में लाखों मापने वाले बिंदुओं को फ़िल्टर और सामान्य करना सीखना होगा। ”