Как преодолеть препятствия, связанные с данными искусственного интеллекта в промышленности

Чтобы вывести искусственный интеллект из пилотного проекта и запустить его в производство, производители должны уделить приоритетное внимание базе данных, основанной на стандартах, контексте и управлении.

Автор: Джон Харрингтон, соучредитель и директор по продуктам HighByte

Искусственный интеллект (ИИ) по-прежнему остается главным приоритетом во всех отраслях, и производство не является исключением. По данным NTT Data, 38,6% лидеров производства и автомобилестроения перестраивают приложения со встроенными возможностями искусственного интеллекта, а 67,6% описывают свои текущие инвестиции в искусственный интеллект как очень значительные. Эти тенденции сигнализируют не только об увеличении внимания к интеграции решений искусственного интеллекта, но и о более масштабном сдвиге в принятии стратегических приоритетов, основанных на искусственном интеллекте, во всей отрасли.

Даже в этом случае стратегия не всегда хорошо воплощается в жизнь. Хотя исследование Deloitte показало, что многие команды перенесли свой первый вариант использования ИИ в живую эксплуатацию, только примерно каждый пятый вариант использования был последовательно масштабирован на разных сайтах. Производителям часто сложно перейти от пилотных проектов ИИ к реальным реализациям, наталкиваясь на общие камни преткновения, которые препятствуют эффективному внедрению на объектах с устаревшей инфраструктурой.

Вопреки распространенному мнению, это не чисто технологическая проблема. Устаревшие системы, которые так часто называют трудными для доступа или работы, на самом деле создают огромные объемы соответствующих данных, которые могут и должны способствовать более информированным операциям.

Настоящая проблема заключается в том, что оперативные данные, генерируемые этими системами, разрозненны, непоследовательны и не используются должным образом для развертывания ИИ. Сегодняшние операторы нередко взаимодействуют с шестью-десятью различными системами для выполнения своей работы. В совокупности эти проблемы сдерживают инициативы в области искусственного интеллекта еще до того, как они успевают начать работу, снижая их эффективность и рентабельность инвестиций в заводских цехах. Вместо того, чтобы сосредоточиться на скорости и широте внедрения, производители, которые Преуспеть с масштабными инициативами в области ИИ добьются те, кто сначала создаст прочную, надежную, стандартизированную и контекстуализированную основу для промышленных операций с данными.

Почему инициативы в области промышленного ИИ застопорились

Производители борются с масштабированием ИИ не из-за отсутствия инноваций, а потому, что их базовые экосистемы данных не готовы поддерживать шаблоны решений ИИ в масштабе. Когда данные распространяются по целому ряду ERP-систем, MES-платформ, систем SCADA, электронных таблиц и устаревшего оборудования, они становятся недоступными и непригодными для моделей искусственного интеллекта, требующих больших объемов данных, которые поддерживают высокоценные варианты использования. Находясь там, где он создается, в экосистемах производственных технологий, которые состоят из различных систем, машин и уникальных датчиков, которые приобретались в течение многих лет и были развернуты в нескольких сетях. Благодаря уникальным шаблонам интеграции и протоколам, определяющим, какие системы совместно используют какие данные, не существует общего хранилища или шаблона доступа для данных, генерируемых этими разрозненными элементами сети. Без дискретных коррелированных наборов данных большие языковые модели (LLM) и другие решения искусственного интеллекта не знают, как получить доступ к данным или даже какие данные использовать.

Несогласованность данных и отсутствие полезности: В производственных системах и машинах отсутствуют стандарты относительно того, какие данные доступны, как они определяются и где команды могут получить к ним доступ. Даже если необработанные данные доступны, для них не определены стандарты того, как они собираются, хранятся и контекстуализируются. Даже если это определено для одного актива, класса актива, линии или объекта, следующий будет другим и потребует больше работы и подключений. LLM попытается сделать выводы, используя любые доступные данные — без четких определений он сделает неверные предположения о том, какие данные использовать, что они означают и какого рода данные. Из этого должны вытекать межсистемные отношения. Это приводит к галлюцинациям ИИ, создает недостаток доверия как к моделям, так и к данным, а также к тому, что пользователи могут принимать важные решения на основе неверной информации. Отсутствие управления и ограждений: Без четких правил, регулирующих сбор, обмен и использование данных в разрозненных системах, масштабирование инициатив в области ИИ становится более трудным. Агентам искусственного интеллекта нужны специальные ограждения и инструкции, чтобы гарантировать, что они выполняют назначенные им роли в производственной среде. Когда в системах отсутствуют адекватные меры контроля доступа к данным, безопасности, соответствия требованиям и управления рисками, нет никакой гарантии, что они примут правильные решения, что приведет к увеличению отходов, поломке активов или даже физической опасности в заводских цехах.

Эти основные проблемы не будут решены путем внедрения еще одной модели искусственного интеллекта или платформы IIoT в производственную инфраструктуру. Вместо этого они требуют от команд переосмысления архитектуры данных, лежащей в основе операций, основанных на искусственном интеллекте.

Стандартизация данных всего предприятия в рамках общей структуры помогает производителям сравнивать производительность, копировать лучшие практики и эффективно развертывать искусственный интеллект.

Создание фундамента со стандартами, контекстом и управлением

Эффективность любой системы искусственного интеллекта напрямую зависит от качества и удобства использования данных, которые она получает. Чтобы обеспечить качество и надежность, производители должны создать общую структуру, которая позволит данным беспрепятственно перемещаться между системами, объектами и командами.

Это многоэтапный процесс, который включает в себя:

• Стандартизацию данных в сети. Вся информация, генерируемая машинами, датчиками и приложениями, должна соответствовать единообразным форматам и определениям. Отношение к данным как к продукту и использование общих моделей данных помогает устранить несоответствия между активами, линиями, системами и сайтами, которые исторически могли использовать, переводить или измерять свои данные. Действия по-разному. Эта стандартизация помогает производителям легче сравнивать производительность, тиражировать передовой опыт и более эффективно развертывать ИИ в разных местах.
• Добавление важного контекста к данным. ИИ должен понимать контекст, связанный с операционными или бизнес-решениями, чтобы он мог действовать соответствующим образом. В нынешнем виде необработанные данные телеметрии дают ИИ лишь ограниченную ценность для понимания того, как работает машина, он не распознает взаимосвязи в более широкой производственной среде или изменчивость между продуктами или сырьем. Контекстуализация продуктов данных четко определяет параметры, необходимые ИИ для понимания иерархии оборудования, производственных процессов, истории активов, заказов на работу, показателей качества, условий эксплуатации и многого другого, помогая производителям получать большую выгоду от развертывания ИИ. Операторы, системы и агенты ИИ. Поддерживая единый источник достоверных данных, производители могут обеспечить точность принятия решений человеком и искусственным интеллектом.
• Обеспечение управляемого управления данными. Команды должны определить, когда продукты данных доступны и каким пользователям, а также установить, кто за какие ресурсы данных отвечает. Установление такого комплексного управления при сохранении доступности данных имеет решающее значение для масштабирования операций в масштабе предприятия и создания надежных, заслуживающих доверия систем и результатов. Этого можно добиться, используя платформу интеграции, которая помогает производителям определять свои информационные продукты, проверять данные и более тщательно управлять потоками данных.

Переход от пилотных проектов к операциям на основе искусственного интеллекта

Разница между экспериментированием и преобразованием на основе искусственного интеллекта часто сводится к готовности данных. Мощная и взаимосвязанная промышленная служба обработки данных Foundation помогает раскрыть всю ценность промышленного ИИ, давая производителям возможность выйти за рамки изолированных сценариев использования и перейти к масштабируемым операционным приложениям.

Инвестируя в более надежную инфраструктуру данных, производители могут раскрыть ценные варианты использования ИИ, такие как прогнозное и предписывающее обслуживание, мониторинг производства и повышение производительности в реальном времени, совершенствование контроля качества, оптимизация цепочки поставок и запасов, а также аналитика решений. Эта модель также помогает разрушить устоявшуюся организационную разрозненность, освобождая данные для более беспрепятственного потока между ИТ, ОТ, инженерами, операторами, бизнес-командами и приложениями искусственного интеллекта.

Надежная инфраструктура DataOps обеспечивает повторяемый успех, независимо от того, основан ли он на искусственном интеллекте или нет. Благодаря контекстуализированной и связанной экосистеме производители будут более гибкими и более подготовленными к адаптации по мере изменения бизнес-приоритетов и появления новых эффективных технологий.

Хорошие данные, хорошие результаты

Производителям, которые продолжают бороться с фрагментированными системами, противоречивыми данными, неясной собственностью и неэффективным управлением, будет трудно выйти за рамки ограниченных пилотных программ искусственного интеллекта.

Приоритет данных продукты со стандартизацией, контекстуализацией и оптимизированными конвейерами данных — и все это в рамках управляемой и управляемой системы — команды могут создать условия для масштабирования ИИ и создания ценности для бизнеса. По мере того, как заводы становятся все более взаимосвязанными и интеллектуальными, конкурентное преимущество будет принадлежать тем, кто рассматривает DataOps как основную часть своей стратегии продвижения вперед, к агентному искусственному интеллекту и за его пределами. HighByte, ориентированный на определение стратегии бизнеса и продукции компании. В сферу его ответственности входит управление продуктами, успех клиентов, успех партнеров и стратегия выхода на рынок.

Джон увлечен предоставление технологий, которые повышают производительность и безопасность в производственных и промышленных условиях. Свою 25-летнюю карьеру он посвятил как поставке программного обеспечения производителям, так и работе на производственных должностях производителей. Этот опыт дал ему уникальный взгляд на то, как поставщики и конечные пользователи играют важную роль во внедрении новых технологических решений.

Джон получил степень бакалавра наук в области машиностроения в Вустерском политехническом институте и степень магистра делового администрирования в Бэбсон-колледже. ЗГ107З ЗГ108З