如果要求您为制造业和工业引入人工智能，您很可能会首先想到机器人。 许多创新的公司，例如
Rethink Robotics ，都为与人类同事
并肩工作的工厂开发了外观友好的机器人。 历史上已经开发了工业机器人来执行特定任务，但是现代机器人可以接受新的技巧训练，并且能够实时做出决策。
而且，尽管机器人看上去性感迷人，但在大多数情况下，生产中的AI能够从传感器中获取数据并使用常规设备将其转变为旨在改善和加快决策的智能预测而受到赞赏。 如今，大约有150亿辆汽车连接到Internet。 思科
预计 ，到2020年，这一数字将增加到500亿美元，将这些机器集成到智能自动云系统中是生产和行业发展的下一个重要步骤。
2015年，通用电气推出了GE Digital计划，以在所有部门引入软件创新。 该计划的技术总监Harel Kodesh向我们介绍了将AI应用于工业的独特困难，使该领域与消费者区分开。
1.工业数据通常不准确
为了使机器学习正常工作，需要大量数据。 消费者数据更容易被误解-例如，如果您购买比萨饼或点击广告，Kodesh说。 “但是在工业互联网上，40％的数据是虚假的和无用的。”
假设您需要计算钻孔深度，然后将湿度传感器插入地面以进行重要测量。 极端温度，工人的粗心行为，设备故障甚至是意外地安装在设备上的蠕虫都会使它们变形。 Kodesh说：“我们的数据并非来自位于休息室的舒适安全的计算机。”
2. AI不是在云中工作，而是在边界上工作
用户数据在看似无限的计算集群上的云中进行处理。 亚马逊可以冷静地修改您的浏览和购物历史记录并提供新的建议。 “在用户预测中，错误肯定和错误否定建议的成本很低。 您会很快忘记亚马逊为您推荐的一本糟糕的书，”科德什指出。
在深水井架上，立管将油从海底的井中转移到地表。 出现问题时，几个夹紧阀的夹具应立即工作。 为这些夹具的执行器提供服务的先进软件可跟踪温度和压力的最小变化。 任何错误
都可能是一场灾难 。
当数百万美元的生命和生命处于危险之中时，该系统的风险和响应能力在工业应用中非常重要。 在这些情况下，您不能信任AI在云端的工作，它必须在本地实施-有时被称为“边界”。
工业AI被构建为端到端系统； Kodesh将其描述为“往返机票”。 数据出现在“边界”上的传感器上，由算法进行处理，然后在云中对任务进行建模，然后将其传输回边界以进行实施。 在边界和云之间有控制节点和许多存储节点，因为系统必须能够在正确的地方在正确的负载下工作。
在将矿石加工成铂锭的工厂中，您需要立即监视密度错误的锭的外观，以便在链条开始时调整压力。 任何延迟都意味着材料损失。 以同样的方式，风车不断处理数据以控制工作。 Kodesh给出了一个可能的问题之一的示例：“百万分之一字节可能包含有关叶片扭转力矩的信息，但如果过大，叶片将折断。 “即使这些关键信息位于队列的第百万位，也必须首先对其进行处理。”
交付实时，准确的数据是如此复杂，GE必须依靠内部开发的定制解决方案。 Kodesh承认：“火花非常快，但是当您需要在10毫秒内做出决定时，就需要其他系统。”
3.单个预测可能要花费您$ 1000
尽管边界上有大量错误数据和有限的计算能力，但工业AI仍需要非常准确。 如果飞机的分析系统确定发动机发生了问题，则必须致电技术人员和工程师以拆卸和维修有故障的零件。 航空公司需要提供临时替换品，以便它可以继续飞行。 而所有这些风险投资可以轻松地花费20万美元。
Kodesh说：“如果问题不存在，我们不会通知您，如果有问题，我们绝对不会通知您。” “我们要确保系统具有高精度。”
根据Kodesh的说法，验证系统的高精度和速度的唯一方法是一次运行数千个算法。 像亚马逊这样的消费者公司，一本书的收入在1美元到9美元之间，因此他们可能愿意在预测上花费0.001美元。 当成千上万美元处于危险之中时，工业和工业巨头在预测上的花费从40美元到1000美元不等。
“只要花1,000美元，我就可以并行运行许多算法，收集结果并运行遗传算法进行预测，” Kodesh说。 “当使用最适合的预测而舍弃最不适合的预测时，这将产生最适合者的生存效果。”
4.复杂的模型必须是可解释的。
用户很少考虑亚马逊为何提出具体建议。 当赌注很高时，人们开始提出问题。 在该领域工作了45年的技术人员不会信任那些无法解释其预测的机器。
为了达到较高的可解释性，GE需要发明全新的技术。 不幸的是，所需的人才很少。 “我很钦佩教育机构试图与新的数据处理专家一起满足市场的需求，但是他们的数学知识还不够深入，” Kodesh抱怨道。
“真正的专业人士需要更深入。 他们需要具有出色的分析能力，并且知道如何实时过滤和标准化数百万个测量点。”