Jika Anda diminta untuk memperkenalkan kecerdasan buatan untuk manufaktur dan industri, kemungkinan besar Anda akan memikirkan robot terlebih dahulu. Banyak perusahaan inovatif, seperti
Rethink Robotics , telah mengembangkan robot ramah untuk pabrik yang
bekerja berdampingan dengan kolega manusia. Robot industri secara historis telah dikembangkan untuk melakukan tugas tertentu, tetapi robot modern dapat dilatih dalam trik baru, dan mereka mampu membuat keputusan secara real time.
Dan meskipun robot terlihat seksi dan cemerlang - tetapi sebagian besar, AI dalam produksi dihargai karena kemampuan untuk mengambil data dari sensor dan menggunakan peralatan konvensional untuk mengubahnya menjadi prediksi cerdas yang bertujuan untuk meningkatkan dan mempercepat pengambilan keputusan. Saat ini, sekitar 15 miliar mobil terhubung ke Internet. Pada tahun 2020, Cisco
memperkirakan peningkatan jumlah ini menjadi 50 miliar. Integrasi mesin-mesin ini ke dalam sistem cloud otomatis yang cerdas adalah langkah penting berikutnya dalam evolusi produksi dan industri.
Pada 2015, General Electric meluncurkan program GE Digital untuk memperkenalkan inovasi perangkat lunak di semua divisi. Harel Kodesh, direktur teknis program, memberi tahu kami tentang kesulitan unik dalam menerapkan AI pada industri yang membedakan area ini dari konsumen.
1. Data industri seringkali tidak akurat
“Agar pembelajaran mesin berfungsi dengan baik, dibutuhkan sejumlah besar data. Data konsumen lebih sulit disalahpahami - jika, misalnya, Anda membeli pizza atau mengklik iklan, kata Kodesh. "Tapi di internet industri, 40% dari data itu palsu dan tidak berguna."
Misalkan Anda perlu menghitung kedalaman pengeboran, dan Anda menempelkan sensor kelembaban ke dalam tanah untuk melakukan pengukuran penting. Mereka dapat terdistorsi oleh suhu ekstrem, tindakan pekerja yang ceroboh, kerusakan peralatan, atau bahkan cacing yang secara tidak sengaja dipasang pada perangkat. "Data kami tidak berasal dari komputer yang nyaman dan aman yang terletak di ruang relaksasi Anda," kata Kodesh.
2. AI tidak bekerja di cloud, tetapi di perbatasan
Data pengguna diproses di awan pada cluster komputasi dengan kapasitas yang tampaknya tak terbatas. Amazon dapat dengan tenang merevisi riwayat penjelajahan dan belanja Anda dan memberikan rekomendasi baru. “Dalam prediksi pengguna, biaya rekomendasi positif palsu dan negatif palsu rendah. Anda akan segera lupa bahwa Amazon merekomendasikan Anda buku yang buruk, ”catat Kodesh.
Dan pada derek laut dalam, riser memindahkan minyak dari sumur di dasar laut ke permukaan. Jika ada masalah, beberapa klem yang menghalangi katup harus segera bekerja. Perangkat lunak canggih yang melayani aktuator klem ini melacak perubahan minimal dalam suhu dan tekanan. Kesalahan apa pun
bisa menjadi bencana .
Taruhan dan daya tanggap sistem sangat bagus dalam aplikasi industri, ketika jutaan dolar dan nyawa manusia dipertaruhkan. Dalam kasus ini, Anda tidak dapat mempercayai pekerjaan AI di awan, itu harus diterapkan secara lokal - kadang-kadang disebut "di perbatasan."
AI industri dibangun sebagai sistem ujung ke ujung; Kodesh menggambarkannya sebagai "tiket pulang pergi." Data muncul pada sensor yang terletak "di perbatasan", algoritma memprosesnya, kemudian tugas dimodelkan di cloud, dan kemudian dipindahkan kembali ke perbatasan untuk implementasi. Antara perbatasan dan cloud ada node kontrol dan banyak node penyimpanan, karena sistem harus dapat bekerja di bawah beban yang tepat di tempat yang tepat.
Di pabrik yang mengolah bijih menjadi ingot platinum, Anda perlu memantau secara instan penampilan ingot dengan kepadatan yang salah untuk menyesuaikan tekanan di awal rantai. Penundaan berarti hilangnya materi. Dengan cara yang sama, kincir angin terus-menerus memproses data untuk mengontrol pekerjaan. Kodesh memberikan contoh salah satu dari banyak masalah yang mungkin terjadi: “Satu juta byte mungkin berisi informasi tentang momen puntir blade, tetapi jika terlalu besar, blade akan terputus. "Informasi penting seperti itu harus diproses terlebih dahulu, bahkan jika itu berada di tempat ke-sejuta dalam antrian."
Memberikan data real-time dan akurat sangat rumit sehingga GE harus mengandalkan solusi yang dikembangkan secara internal. "Spark cepat," Kodesh mengakui, "tetapi ketika Anda perlu mengambil keputusan dalam 10 milidetik, Anda membutuhkan sistem lain."
3. Satu prediksi dapat dikenakan biaya $ 1000
Meskipun bagian besar dari data palsu dan daya komputasi terbatas di perbatasan, AI industri harus sangat akurat. Jika sistem analitik pesawat menentukan bahwa ada masalah pada mesin, maka perlu memanggil teknisi dan insinyur untuk melepas dan memperbaiki bagian yang rusak. Maskapai perlu menyediakan pengganti sementara sehingga dapat terus terbang. Dan semua usaha ini dapat dengan mudah menelan biaya $ 200.000.
"Kami tidak akan memberi tahu Anda tentang masalah jika itu tidak ada, dan kami pasti tidak akan memberi tahu Anda tentang masalah jika ada masalah," kata Kodesh. "Kami ingin memastikan sistem memiliki akurasi tinggi."
Menurut Kodesh, satu-satunya cara untuk memverifikasi akurasi dan kecepatan sistem adalah menjalankan ribuan algoritma secara bersamaan. Perusahaan konsumen seperti Amazon dapat memperoleh penghasilan mulai dari $ 1 hingga $ 9 untuk sebuah buku, sehingga mereka mungkin bersedia mengeluarkan $ 0,001 untuk prediksi. Dan ketika ribuan dolar dipertaruhkan, raksasa industri dan industri membelanjakan dari $ 40 hingga $ 1.000 untuk prediksi.
"Untuk $ 1.000, saya dapat menjalankan banyak algoritma secara paralel, mengumpulkan hasil dan menjalankan algoritma genetika untuk membuat perkiraan," kata Kodesh. "Ini akan menciptakan efek survival of the fittest ketika prakiraan paling fit digunakan dan yang kurang cocok dibuang."
4. Model yang kompleks harus dapat ditafsirkan.
Pengguna jarang memikirkan mengapa Amazon membuat rekomendasi khusus. Ketika taruhannya tinggi, orang mulai mengajukan pertanyaan. Teknisi yang bekerja di bidang ini selama 45 tahun tidak akan mempercayai mesin yang tidak dapat menjelaskan prediksi mereka.
Untuk mencapai tingkat interpretabilitas yang tinggi, GE perlu menemukan teknologi yang sepenuhnya baru. Sayangnya, bakat yang dibutuhkan sangat sedikit. “Saya mengagumi lembaga-lembaga pendidikan yang berusaha memenuhi permintaan pasar dengan spesialis pemrosesan data baru, tetapi matematika mereka tidak cukup dalam,” keluh Kodesh.
“Profesional sejati perlu melangkah lebih dalam. Mereka perlu memiliki keterampilan analitis yang luar biasa dan tahu bagaimana menyaring dan menormalkan jutaan titik pengukuran secara real time. "