首页 > 互联网资讯 > 五步将机器智能应用到工业

五步将机器智能应用到工业

如今,很少有技术领域像机器学习那样炙手可热,这其中是有理由的。通过训练算法来发现大量数据中的模式和异常,机器学习可以广泛应用于促进强大的实时洞察和决策。在工业领域,企业管理着价值数十亿美元的重要设备,机器学习和工业资产理所当然地成为了天生绝配。


至少,是有可能做到的。但是,工业资产对机器学习和人工智能技术来说都是独特的挑战。机器智能可以在突破性的新工业应用中发挥关键作用。但是为了利用它,工业企业和支持它们的科技公司,无论大小,都需要走一条不同于其他类型企业的道路。


以下是企业在工业系统中成功利用机器学习的五个关键步骤:


第1步:明确定义术语

“机器学习”、“分析”,甚至“数据科学”等基本术语都已被广泛使用(有时还被滥用),它们实际上已经失去了从公司到公司的任何特定含义。要想成功地将机器学习应用到工业系统中,首先要弄明白这些术语。先让我们快速地回顾一下:

1

人工智能(AI)

尽管经常与机器学习互换使用,但从技术上而言是一种集合。它包含任何可以由机器提供的智能。

2

机器学习

是一种编程技术,可以让计算机在不被明确编程的情况下学习和改进。它可以包括监督和无监督学习,前者并非指由人监督,而是从过去的结果中学习。机器学习可以涵盖广泛的算法,并应用于广泛的应用领域,从有针对性的广告到语音识别到反恶意软件等。

3

深度学习

是一种特定类型的机器学习,其中的算法结构类似于神经网络。深度学习,包括深度强化学习,是当今机器学习中最振奋人心的领域,尤其是工业应用领域。例如,GE正在使用深度学习来帮助视觉系统识别检查过程中的腐蚀迹象。在这个领域,创业公司也在做着振奋人心的工作,他们将深度强化学习应用到系统,用于获取数据集,和学习控制工业系统、机器人、暖通空调系统等的最优方法。

除了清楚地说明我们所说的机器学习的含义之外,这些技术的开发人员应该清楚地认识到它们可以应用于哪些特定的岗位和职能。例如,机器学习可以应用于研究、探索和数据挖掘,这些领域都与开发很不同,与将机器学习应用到生产系统上也是很不同的。随着公司开发和发展机器学习工具,他们需要清楚地区分这些功能,并确保他们创建的工具与特定的岗位和他们要支持的人保持一致。


第2步:了解你的商业模式

曾几何时,仅仅提供“机器学习”或“预测分析”本身就构成了一种商业模式。随着用于生成分析的工具包和算法变得越来越便宜,越来越普及,越来越商品化,现在已经饱和了。如今的情况是,真正的盈利能力不是来自拥有一个强大的算法,而是来自拥有大量的好的数据,而算法可以从中学习。

展望未来,机器学习的最成功的应用不太可能涉及“销售分析”。确切地说,将来自将机器学习嵌入到产品中来交付业务成果的公司——通常是一种在大型客户群中聚集数据的功能。了解核心竞争力和不同数据类型的独特价值的公司(因为并非所有数据都是同等价值的)将能够以创新的方式嵌入机器学习。如果智能数据驱动系统的基本方程是计算+算法+独特的数据+领域专业知识,那么企业利用机器学习的主要区别将主要取决于后面两个因素。

由于工业公司希望这个数字时代能够运行复杂的、精心策划的、优化的资产的交响乐(通常是异构的和等级分明的),那些能够利用这种技术来重新思考商业模式的公司的机会几乎是无限的。


第3步:认识领域专业知识的重要性

为了支持工业系统,机器学习算法和工具必须包含对所管理资产的物理行为的深刻的、基本的理解,以及使用这些资产的背景。正如前面提到的,机器学习中真正的价值创造越来越可能并非来自计算和算法,而是来自其对独特数据的应用,并结合深度的领域专业知识。

换句话说,你可能可以应用同样的基本算法来优化点击广告,优化网站设计,使访问者转化为销售额。然而,这些算法在确定飞机引擎或石油钻机的故障时用处不大。如要将机器学习应用到这些案例中,你需要开发这些工具、深刻了解具体设备、可能出现的问题类型以及标准的纠正措施的人员。


第4步:认识物理和数据模型的价值

工业设备和系统的物理性质意味着一个可知的、客观的事实:对物理资产的温度或压力测量具有实际意义。设备的故障模式具有物理起因和解释。因此,GE等公司建立了所支持资产的复杂模型。在决策规则和分析中可以对人类的专业知识进行编码,从而根据一系列观察到的信息输入,帮助判断所需采取的措施。

相比之下,数据驱动的模型,尤其是机器学习中使用的模型,通常很少将物理理解作为其创造的一部分——将其输出仅仅作为训练数据输入到系统中的功能。因此,数据驱动的模型可能不包含来自“真实世界”的我们已知的关于物理系统建模的所有信息。

即使在一个完美的数据驱动模型的世界里,物理模型也可以扮演重要的角色。首先,它们对于将机器智能应用于组成许多工业系统的超工程环境至关重要,失败很罕见,因此几乎没有可供学习的数据。物理模型也可以与更复杂的数据驱动模型一起工作,为更复杂的数据驱动模型提供参考,并且可以作为一种“现实检查”来检查纯数据驱动模型的行为。

有各种机会将物理和数据驱动的模型结合起来以提供更好的结果。将机器学习成功地引入工业系统的公司应该认识到这两种类型的分析的重要性和独特作用,以及创建和管理它们的不同方式(以及由谁创建和管理)。


第5步:将问题细化

随着快速、有效地应用分析和机器学习的压力越来越大,许多公司开始尝试解决这个问题,成败参半。许多方法存在的一个最大的问题在于,他们试图创建一个一刀切的“机器学习”解决方案,妄图从“白板”阶段一直延伸到生产。而实际上,早期的白板阶段决定成功的因素与生产阶段决定成功的因素截然不同(有时甚至相反)。

解决这个问题的方法是把这个问题细化。这意味着要清楚地思考分析和机器学习用户在其不同岗位上的需求:

1

研究、探索和数据挖掘

这里的目标是优化(解答)速度、灵活性、迭代能力和可及性。这些活动的解决方案将较少涉及重复利用、性能和可靠性。

2

开发

一旦一组分析方法显示出有可能带来价值,就会有强大的推动力围绕这些方法开发出可重复和可伸缩的工作流。这里出现了新的问题:算法的规模会达到10、100或1000倍数据吗?是否有可用的和可及的实时数据连接?所需的计算资源在经济上是否可行?这个模型能否适用于不同的客户?对于这个阶段,一个成功的机器学习分析平台应该建立在回答这些问题的基础上。

3

生产

这里,最重要的是促成从开发到生产的相对无缝的过渡。这意味着优化性能、可靠性和容错性。


展望未来

工业企业能够在生产系统中充分利用机器学习之前,还存在一些障碍。但是,这些挑战是可以克服的,而且现在整个行业的许多聪明人都在试图攻克难关。

在GE Ventures,我们正处于机器学习革命的最前沿,我们总在寻觅新的公司,他们以新颖、有趣的方式应用人工智能来解决我们客户的最紧迫的问题。例如,去年GE收购了该领域最好的创新公司之一,Wise.io。

通过将深度领域专业知识与新的算法结合起来,我们期待一波激动人心的创业公司推动机器智能向前发展,帮助客户了解他们的设备今天在做什么,明天可能做什么,以及他们如何不断从资产中获得最大价值。


参与编稿人员

特别感谢GE Digital智能系统副总裁和前Wise.io公司首席执行官Jeff Erhardt对本文的启发和贡献。


友情链接