萝北陈苗资讯>科技 >谈人工智能颠覆工业领域或许为时尚早

谈人工智能颠覆工业领域或许为时尚早

时间:2019-12-02 12:01:53

作者:匿名点击: 375

人工智能自诞生以来经历了几次起伏。它还经历了许多技术变革和大规模应用,从早期的专家系统、机器学习到目前热门的深入学习。除了消费互联网、金融、安全等领域,人工智能技术也广泛渗透到工业领域的许多环节。人工智能技术在工业领域的集成和应用是工业领域数字化、网络化和智能化转型和发展的关键。

Geoffery hinton在2006年提出“深度信任网络”可以通过一种称为“贪婪分层预训练”的训练策略来高效、快速地进行训练。这种训练策略大大提高了模型的训练效率和输出精度,从而证明了“深度学习”的可行性。2012年,这位学者和他的学生在imagenet挑战赛中,通过名为alexnet的深层神经网络,成功地将图像识别的错误率降低了10.8个百分点,从而完全点燃了深度学习的第一枪,被业界视为第三波人工智能回归的起点。

阿里云研究中心出版的《中国企业2020:人工智能的应用实践与趋势》中指出,第三波的回归与第一波和第二波是一样的,因为技术基础仍然是神经网络,而不同的是深度学习的成功。除了“贪婪分层预训练”的训练策略使深度学习网络的训练更加可行之外,这种成功在很大程度上取决于算法模型规模的指数级升级。模型尺度中神经元的总数和神经元连接的数量级使深度学习模型成为一个更大的网络和更高密度的系统,从而能够处理更复杂的问题,并在真实环境中得出更准确的结论。

这一波的最大突破在于物体识别,它不再局限于图像识别,还可以识别声音、文本等。这一发展极大地提高了人工智能技术在不同垂直领域的应用性能和效率。它还从质量上提高了计算机视觉、语音识别和自然语言处理的准确性。人工智能的应用正在现实商业世界中逐渐发挥重要的支撑作用。目前,新一轮科技革命和工业革命正在蓬勃发展。我们正在进入一个人工智能驱动的新时代。

作为在工业人工智能领域发挥先锋作用的企业,西门子近年来在工业环境中基于人工智能取得了许多成功。例如,将连续运行算法集成到生产过程中,以提高预测分析的准确性,并大大降低质量检验的成本。该算法用于自动分析燃气轮机的运行数据、环境条件和部件特性,以延长维护周期,降低成本。为了给钢厂提供基于人工智能的质量控制,这个自主学习系统现在已经成为一个经典的解决方案。

施耐德电气全球工业自动化战略高级副总裁艾伦·德迪埃(Alan Dedié)表示,全球工业制造水平已经停滞了十多年,但现在面临着利用人工智能提高制造生产率和效率的重要机遇。联想集团董事长兼首席执行官杨袁青指出,人工智能作为一种新的技术驱动力,正在引发第四次产业革命,尤其是垂直产业的智力转型。利用人工智能技术升级改造传统产业已经成为社会转型的新动力。从国际发展趋势来看,世界主要国家都把人工智能作为增强国家竞争力和维护国家安全的主要战略。

工业互联网产业联盟发布的《工业智能白皮书》指出,深入学习和知识映射是实现工业智能的两大技术方向,也是本轮科技革命和产业转型的战略技术。深度学习是基于工业应用中的计算机科学和神经科学。它可以“绕过机理,直接通过数据形成结果”,解决影响因素少但计算复杂度高的问题,在解决机理未知或模糊的工业问题中产生良好的效果,如复杂缺陷的产品质量检测等。

与其他领域的应用场景不同,工业领域的决策通常是在开放的环境中进行的,规则是不确定的,同时存在多个目标。这导致人工智能技术在消费者互联网、金融和安全领域取得了更多突破,但尚未在工业制造领域得到广泛应用。2018年,波士顿发现,近90%的高管计划在3年内将人工智能用于生产,但实际上只有28%的高管拥有全面而详细的实施路线。虽然人工智能正在加速其向各个领域的渗透,但很难落在工业领域,这是一个具有巨大发展潜力的领域。

(一)工业数据质量有待提高

阿里工业云总经理杨鄢国提出数字化发展有三个阶段:自动化、网络化和智能化。自动化是实现数字化的基础。在数字化的基础上,我们可以存储大量的数据,通过工业互联技术很好地收集这些数据,然后根据这些海量数据进行决策和分析,从而实现真正的工业数据智能。第三波人工智能的主流是利用深度学习挖掘有用的信息,并在大量数据的基础上找到深层的逻辑关系。特别是在算法还没有完全成熟并且还在不断迭代的阶段,通过提供大数据和基于深度的学习算法,可以很好地解决问题或者极大地提高性能。

深入研究技术培训数据的前提是要有大量有效的数据。然而,大多数企业的信息化水平仍然很低,数据的规模和标准化还远远不够。

工业领域数据规模的现状就像人工智能专家吴恩达提出的问题:“当然,数据越多越好。我没有说许多数据是无用的。但在农业、制造业、医疗和其他领域的一些应用场景中,如果你只有100张照片呢?”由于自身行业特点的限制,短期内无法扩大或改善数据规模。如何利用小数据集促进深度学习技术能力的提高和工业应用的发展,是一个需要关注和深入探索的课题。

数据标准化程度是工业领域的一个普遍问题。例如,在图片标准化方面,由于生产条件和成本控制的限制,在工业场景中提取图片数据时,经常会出现模糊、明暗和缺失的对象,这极大地影响了深度学习训练数据的准确性。收集合适且可用的数据已经成为工业人工智能无法回避的一个门槛。如何利用有限的硬件资源提供尽可能多的可用数据也是工业人工智能的一个主要焦点。

(2)技术不是进入工业的唯一关键

2017年12月,吴恩达宣布创建landing.ai,其目标是帮助制造企业使用算法降低成本、改善质量管理和消除供应链瓶颈。从该公司的名称可以看出,人工智能技术必须登陆,但这次登陆并不简单。到目前为止,登陆. ai提到的工业领域的合作客户仍然只是富士康,它成立之初的客户,登陆速度并不令人满意。

浪潮集团人工智能与hpc总经理刘军指出,“人工智能产业”将深入到各个行业的应用实践中。有必要选择合适的人工智能技术,并与了解行业应用场景的开发人员、软件供应商和集成商一起实施。在工业领域尤其如此,仅仅通过一种技术很难推动整个产品的开发。工业人工智能的着陆需要设备,这仅靠软件算法是无法解决的。需要形成一个集光学、电学等为一体的系统驱动方案。例如,机器视觉技术在工业检测中的实际应用远远不足以仅仅依靠视觉算法,视觉算法不能真正实现检测功能。视觉企业积累的核心技术去除算法还包括设备和方案能力等。

例如,人工智能技术在工业生产改进中的应用需要不同的策略来不断提高生产效率,这就要求制造商对目标行业的生产情况有非常深刻的了解。同时,在生产改进方面,企业会有相对更个性化的需求,人工智能算法的通用性会更弱。因此,在工业领域,人工智能真正落地的关键不仅仅在于人工智能技术或芯片本身的发展,还需要在特定的应用领域进行长期的深度培养和积累,这涉及到更复杂的内容和要求。

(3)工业领域对技术可靠性要求较高

杭州宋新机器人研究所所长陈力表示,虽然人工智能技术的实施效果很好,但工业自动化等领域更重要的要求是稳定的技术输出保证,这也是人工智能登陆行业的瓶颈。

事实上,与消费者领域等其他行业相比,对技术可靠性的要求更高,客户需求更个性化,因此对产品稳定性和调试效率也有更高的要求。例如,体验准确率为90%的人脸识别功能是很好的,但是在一些自动应用场景中,登陆应用的准确率需要达到99%,甚至99.99%。可以想象,对于日产量在10,000级以上的工厂,如果识别准确率低于99%,每天会有数百个不良产品混入好产品中。

(四)工业领域技术投入产出比不确定

人工智能技术的应用在早期有很高的投资,但回报是未知的和不确定的,这很可能导致许多企业陷入困境。例如,预测性维护已经被提出很长时间了,但是在工业领域一直不冷不热。这是因为为了说服企业投资,有必要证明在算法上的投资比常规维护更经济。如果部件的寿命与常规维护时间相差不大,或者如果这些部件的更换成本不太大,预测性维护的价值将会打折扣。

对于技术用户来说,工业企业应用人工智能技术所需的各种高精度传感器价格昂贵,需要大量的运行、维护和升级费用,而企业可以为人工智能技术的发展分配有限的资金。然而,对于技术提供商来说,企业有着更加个性化的需求,各公司合作研发的实现方式可能完全不同。大多数人工智能项目需要在工厂里长期驻扎,人工智能技术公司需要投入大量资源。

更重要的是,尽管互联网行业正在步入智能时代,推荐算法和人脸识别发展迅速,并取得了显著的成绩,但大多数传统行业仍在行业3.0的门槛上苦苦挣扎,机器人和工业控制等一系列自动化过程并不是人工智能技术的真正应用。毫无疑问,工业的未来发展必须需要人工智能。然而,人工智能算法可能无法在短期内显示出工业领域的巨大优势。

人工智能技术与工业领域的整合与发展的确有广阔的前景,但目前工业智能水平仍处于相对初级的阶段,人工智能驱动的自动化尚未对生产力的增长产生可量化的重大影响。中国工程院院士吴何权指出,人工智能需要与工业物联网(iiot)、大数据分析、云计算和网络物理系统相结合,以促进工业以灵活、高效和节能的方式运行。

不同产业的发展是相互促进的,人工智能不能成为一种神奇的药物。对于工业领域来说,当工业领域的自动化、网络化和信息化发展成熟时,人工智能可能会在工业领域做出巨大贡献。对于许多中小企业来说,在决定转向工业4.0,寻求工业互联网的升级改造之前,首先要了解其所处的阶段,以便对症下药,实现效益最大化。

广西快乐十分 21点 湖南快乐十分 内蒙古快三开奖结果

热门文章
热图