通用Digital CTO：工業人工智慧所面臨的4點特殊挑戰
Harel Kodesh
雷鋒網「新智造」按：當人們提到人工智慧的時候，絕大多數人想到的是消費級人工智慧，但事實上，人工智慧在工業和製造業領域也擁有廣泛的運用。近日，通用電氣數位業務（GE Digital）的首席技術官（CTO）Harel Kodesh接受專訪時談到了工業人工智慧與消費人工智慧的四大區別，並且對工業人工智慧所遇到的困境進行了分析。下面和雷鋒網一起來看看吧。新智造作為雷鋒網旗下欄目，關注智慧時代的創新與創造，目標是為創業者和投資人找到創投的機會。
在提到工業和製造業人工智慧的時候，人們的第一反應是機器人。事實上，很多創新企業，比如Rodney Brooks創辦的Rethink Robotics，已經開發出了外表和善的工廠機器人，它們和人類同事們一起不停地忙碌著。
歷史上，工業機器人通常被設計用來執行特定的細分任務，而現代機器人則被授予了新的使命：做出即時決策。
Rethink Robotics
儘管機器人的外表可以很光鮮亮麗，但在製造業中，絕大多數人工智慧的價值是將感測器和常規硬體中的資料轉換為智慧預測，來幫助企業做出更好更快的決策。
當前，有150億台機器連接到互聯網。到2020年，思科（Cisco）預測這一數字將超過500億。將這些機器一起連接到雲端的智慧自動化系統中，會是製造業和工業發展的下一個重要突破。
2015年，通用電氣（General Electric）推出了GE Digital，以推動各部門的軟體創新。GE Digital的首席技術官（CTO）Harel Kodesh，與我們分享了人工智慧在工業應用上所面對的獨特挑戰。
1、工業資料經常是不準確的
“要機器學習正常工作，你需要大量的資料。消費級的資料很難被誤讀，比如，你買了一個披薩或者點了一下廣告，那麼你的資料就是披薩和廣告的資訊。”Kodesh說道。“可是，當你觀察工業互聯網的時候，40%的資料是有爭議的，而且這些資料沒有任何用處。”
舉個例子，當你使用聯合收割機的時候，你必須計算聯合收割機要鑽多深，並且你需要將濕度感測器插到地面進行測量。此外，你的讀數可能會受到各種條件的影響，比如極端溫度、人為意外、硬體故障，甚至一隻小蟲無意間進入到了設備之中也會造成不小的影響。
Kodesh強調：“我們可不是從你舒適和安全的書房電腦中獲取資料的。”
2、工業人工智慧在終端運行，而不是雲端
消費級數據是由看起來擁有無限容量的雲計算集中處理的。亞馬遜（Amazon）可以奢侈地用他們的時間來大資料跟蹤你的流覽和購買記錄，並且向你展示新的推薦。
Kodesh指出：“在消費預測當中，就算預測錯了也不會有什麼大問題。你很快就會忘了亞馬遜曾經給你推薦過什麼爛書。”
而在千里之外的深海石油鑽井平臺上，有一個名為提升管的設備，一種將油從海底油井運送到地面設備的導管。如果提升管出現了某個問題，好幾個夾具必須立即回應關閉閥門。那些管理夾具執行器的複雜軟體必須能夠追蹤即時的溫度和壓力才行。而且錯誤的代價是可怕的，任何錯誤都可能意味著災難。
對工業應用來說，對風險控制和回應能力的要求高的多，因為人們的生命安全以及數百萬美元的寶貴資源都依靠著這些應用。在這種情況下，工業級的功能就不可能放在雲端運行，必須在本地實現，也就是在我們所說的“終端”。
工業人工智慧被構建為一個端到端的系統，Kodesh比喻它為“往返機票”，資料直接由終端的感測器生成，然後送達到演算法，在雲端建模，接著移回終端執行。在終端和雲之間有主管閘道和電腦存儲的多個節點，因為整個系統必須在正確的位置運行正確的載荷。
在鉑金條的製造設備中，如果生產的鉑金條成分有問題，那麼系統應該立即識別出來，以便於在開始的時候調節壓力。任何延遲都意味著原材料的浪費。
同樣的，一個風力發電機會不間斷地獲取資料以控制操作。Kodesh特意強調了某種故障的可能性：“在資料的第百萬個位元組可能是葉片扭矩的資料，如果扭矩太高，發電機的葉片就會掉落。而我們需要在第一時間知道這個關鍵資訊資料，即使在資料佇列中它排在百萬位以後。”
提供正確的即時資料是一項非常艱巨的任務，以至於通用電氣必須依靠定制的內部解決方案才行。“Spark技術很快，”Kodesh承認，“但是當你必須要在10毫秒內做出決定時，你需要不同的解決方案。”
深海石油鑽井平臺
3、單次預測花費超過1000美元
儘管錯誤資料量巨大，終端的處理能力也有限，但工業人工智慧依然需要表現的非常準確。
如果飛機上的分析系統判斷一個引擎出現了故障，專業的技術人員和工程師必須前往拆卸和維修故障部件。同時，飛機製造方還要向航空公司提供一個備用引擎，以便航空公司能順利完成飛行計畫。整個行動和交易能毫不費力地花費超過20萬美元。
Kodesh說：“在沒有問題的時候，我們不會告知你有問題；當出現問題的時候，我們更不會告訴你沒出現問題。我們要確保有一個精度非常高的系統。”
根據Kodesh的說法，唯一能夠確保這種高精度和表現的方法，就是同時運行數千種演算法。一個類似亞馬遜的消費公司，可能在一本書上的利潤是1-9美元，所以他們只願意為每個顧客的預測花0.001美元。但是對於工業和製造業巨頭們來說，由於有數十萬美元的風險，所以他們每次預測的花費都在40-1000美元之間。
Kodesh透露：“用1000美元，我可以同時運行大量演算法，並且將結果匯總，最後使用遺傳演算法來增加預測準確度。”
4、複雜模型必須被解釋
消費者們很少會問亞馬遜為何能做出具體的推薦。可是，對於工業和製造業，當風險增高的時候，人們就會開始提出問題了。一個在某領域已經工作了45年的技術人員，絕對不會相信一個無法解釋其預測原理的機器。
為了實現這種高度的可解釋性，通用電氣需要發明全新的技術。但不幸的是，他們所需要的人才實在是太稀缺了。
Kodesh抱怨說：“我很佩服那些試圖把市場需求和新資料科學家進行匹配的學校，但是這些人的數學能力太淺了。一個真正的資料科學家需要有更多的學術深度。他們需要成為能夠即時過濾和規範百萬個資料點的頂尖專家。”
VIA
Forbes
雷鋒網編譯