Следующее поколение промышленного ИИ

Промышленные предприятия, машины, инфраструктуры: более половины бизнес-лидеров ожидают, что в ближайшие пять лет ими будет управлять искусственный интеллект (ИИ). Это одна из заметных международных тенденций, выявленная исследованиями компаний Longitude Research и Siemens.

Более 500 высокопоставленных руководителей из областей энергетики, производства, тяжелой промышленности, инфраструктуры и транспорта были опрошены на тему промышленного ИИ: о вариантах использования, положительном и отрицательном опыте, препятствиях и их личном отношении к решениям искусственного интеллекта. Их ответы дают уникальное представление о будущем ИИ в промышленных компаниях.

Представьте, что вы можете автоматизировать некоторые повседневные операционные решения в вашей компании, чтобы ваши сотрудники могли больше сосредоточиться на стратегических проектах, таких как разработка новых линеек продуктов или развитие бизнеса. Насколько хорошей должна быть модель ИИ, прежде чем вы передадите ей управление? Например, должен ли он быть таким же мощным, как люди-инженеры, или даже более мощным? А что, если ошибка привела к значительным финансовым потерям или даже травмам? Тогда ваш ответ будет другим?

В новом опросе приняли участие 515 руководителей высшего звена (включая энергетику, обрабатывающую промышленность, тяжелую промышленность, инфраструктуру и транспорт) с такими сценариями. Их ответы, опыт и вопросы дают уникальное представление о будущем ИИ в промышленных компаниях.

Тяжелая промышленность и серьезные последствия

В упомянутых отраслях ИИ может во многом способствовать предотвращению несчастных случаев и повышению безопасности рабочих мест. Методы ИИ схожи во всех отраслях. Но это не относится к последствиям ошибки. Во многих промышленных компаниях неверные решения могут привести к отсутствию на работе тысяч людей; миллионы долларов могут быть потеряны, если машины перегреются; небольшие изменения давления могут спровоцировать экологическую катастрофу или даже стоить жизни.

Примечательно, что 44% опрошенных считают, что в ближайшие пять лет системы искусственного интеллекта будут автономно управлять машинами, которые теоретически могут привести к травмам или даже смерти. Еще большая часть респондентов (54%) ожидают, что искусственный интеллект будет самостоятельно управлять некоторыми крупными капитальными активами их компании за тот же период.

Если системы ИИ совершают такой решающий скачок с точки зрения своей ответственности, то они должны сами совершить скачок в развитии. Это часто обусловлено разработкой новых подходов к тому, как данные могут генерироваться, управляться, представляться и совместно использоваться.

Контекстные данные и моделирование: ИИ уже применяется к наборам данных, которые создаются и организуются по-новому. Графы знаний являются примером этого. Они фиксируют отношения между данными, скрытыми в разных наборах данных, их значение и помещают данные в контекст. Другой пример — цифровые двойники. Они обеспечивают детальное цифровое представление или моделирование реального продукта, системы или процесса.

Интегрированный ИИ и анализ общей картины

Интернет вещей (IoT) и периферийные технологии создают разнообразные машинно-генерируемые наборы данных, которые открывают новые возможности для оценки ситуаций и получения информации в реальном времени — либо в облаке, либо непосредственно на месте с помощью так называемых пограничных устройств, оснащенных интеллектом.

Данные других: улучшенные протоколы и технологии для обмена данными между компаниями могут помочь в разработке моделей ИИ, которые одновременно основываются на данных от поставщиков, партнеров, регулирующих органов, клиентов и, возможно, даже конкурентов.

Контекст меняет значение

Чтобы углубить один из упомянутых примеров: использование графов отраслевых знаний имеет огромный потенциал: различные наборы данных могут быть объединены. «Графики знаний добавляют контекст к данным, которые вы анализируете», — объясняет Норберт Гаус, руководитель отдела исследований и разработок (НИОКР) по оцифровке и автоматизации в Siemens. «Например, данные машины можно анализировать в контексте информации о ее конструкции, включая задачи, для которых она была разработана, предполагаемые рабочие температуры, критические пороговые значения деталей и многое другое. Кроме того, мы могли бы добавить историю обслуживания подобных машин, например, ошибки, отзывы и ожидаемые результаты испытаний в течение всего срока службы машины. Графы знаний значительно упрощают обогащение машинных данных, используемых для обучения моделей ИИ, и добавление ценной контекстной информации».

В ходе опроса были изучены типы контекстных данных, которые, по мнению руководителей, сегодня принесут наибольшую пользу. Данные от поставщиков оборудования были главным приоритетом: 71 процент опрошенных оценили это как более или менее большое преимущество. Далее следовали внутренние данные из других подразделений, регионов или отделов (70%), данные от поставщиков (70%) и данные о производительности продуктов, проданных и использованных клиентами (68%).

Компания, которая использует графы знаний для объединения различных типов данных, таких как история продукта, эксплуатационные характеристики или условия окружающей среды, сможет создать единую модель ИИ, которая позволит делать более точные прогнозы, повышать эффективность и тем самым, например, автоматизировать системы и процессы более эффективно.

Доверие к алгоритмам

По мере того, как приложения становятся все более мощными, возникают новые проблемы. Например, возникнет необходимость передать ИИ ответственность в тех областях, которые ранее были закреплены за людьми. В этих случаях приложениям ИИ необходимо завоевать доверие лиц, принимающих решения. В конечном счете, целые компании должны научиться находить новый способ борьбы с ним — с новыми преимуществами и рисками.

В ходе опроса участников также попросили представить себя в конкретных сценариях и решить, чьему суждению они будут доверять: модели искусственного интеллекта или другому суждению опытного сотрудника. Все сценарии были разработаны таким образом, чтобы решение имело значительные финансовые последствия. Результат: 56 процентов опрошенных предпочли решение модели ИИ.

56 процентов – это много или мало? Респондентам ранее сообщали, что в течение годичного пилотного проекта модель ИИ принимала лучшие решения, чем самые опытные сотрудники компании — в этом отношении 56% — это низкий показатель. Это означает, что оставшиеся 44 процента с большей вероятностью будут доверять решениям людей, даже если факты подтверждают ИИ.

Возникающие вопросы об использовании новых поколений промышленного ИИ волнуют многих специалистов и руководителей. Кроме того, их использование может принести с собой много проблем. Опрос показал, что лица, принимающие решения, в целом с оптимизмом смотрят в будущее промышленного ИИ. Если ИИ будет развиваться так, как ожидалось, руководители ожидают меньше вредоносных кибератак, более простое управление рисками, изначально больше инноваций, более высокую прибыль и более безопасные рабочие места. Такой широкий и значительный спектр потенциальных положительных воздействий является сильным стимулом для решения всех задач на пути к промышленному ИИ следующего поколения.