Если вас попросят представить искусственный интеллект для производства и промышленности, вы, скорее всего сначала подумаете о роботах. Множество инновационных компаний, таких, как Rethink Robotics, разработали дружелюбно выглядящих роботов для фабрик, трудящихся бок о бок с коллегами-людьми. Индустриальные роботы исторически разрабатывались для выполнения конкретных заданий, но современных роботов можно обучать новым трюкам, и они способны принимать решения в реальном времени.

И пусть роботы выглядят сексуально и блестяще – но по большей части ИИ на производстве ценится за способность брать данные с датчиков и при помощи обычной аппаратуры превращать их в интеллектуальные предсказания, направленные на улучшение и ускорение принятия решений. Сегодня порядка 15 млрд машин подсоединено к интернету. К 2020 году Cisco предсказывает увеличение этого количества до 50 млрд. Объединение этих машин в интеллектуальные автоматические облачные системы – следующий важный шаг в эволюции производства и промышленности.



В 2015 году General Electric запустила программу GE Digital по внедрению программных инноваций во всех подразделениях. Харел Кодеш [Harel Kodesh], технический директор программы, рассказал нам об уникальных трудностях в применении ИИ к промышленности, которые отличают эту область от потребительской.

1. Промышленные данные часто оказываются неточны

«Чтобы машинное обучение правильно работало, необходимо огромное количество данных. Потребительские данные тяжелее неправильно понять – если вы, к примеру, покупаете пиццу или кликаете на рекламе, – говорит Кодеш. – А вот в индустриальном интернете 40% данных ложные и бесполезные».

Допустим, вам нужно подсчитать глубину бурения, и вы втыкаете в землю датчик влажности, чтобы провести важные измерения. Они могут быть искажены экстремальными температурами, неаккуратными действиями рабочих, сбоями в работе оборудования или даже червём, случайно насаженным на устройство. «Наши данные исходят не от комфортного и безопасного компьютера, расположенного в вашей комнате отдыха», – утверждает Кодеш.

2. ИИ работает не в облаке, а на границе

Пользовательские данные обрабатываются в облаках на вычислительных кластерах с кажущейся бесконечной ёмкостью. Amazon может спокойно переработать вашу историю просмотра страниц и покупок и выдать новые рекомендации. «В пользовательских предсказаниях стоимость ложных положительных и ложных отрицательных рекомендаций низка. Вы быстро забудете, что Amazon порекомендовал вам плохую книгу», – отмечает Кодеш.

А на глубоководной буровой вышке водоотделяющая колонна передаёт нефть с колодцев на морском дне на поверхность. При возникновении проблемы должны мгновенно сработать несколько зажимов, блокирующих клапан. Сложное ПО, обслуживающее актуаторы этих зажимов, отслеживает минимальные изменения температуры и давления. Любая ошибка может стать катастрофой.

Ставки и отзывчивость системы велики в промышленных приложениях, когда на кон поставлены миллионы долларов и человеческих жизней. В этих случаях нельзя доверять работу ИИ в облаках, её нужно реализовывать на местах – иногда это называют «на границе».

Индустриальный ИИ строится как система end-to-end; Кодеш описывает её, как «билет в оба конца». Данные появляются на датчиках, расположенных «на границе», алгоритмы их обрабатывают, затем задача моделируется в облаке, а потом передаётся обратно на границу для реализации. Между границей и облаком находятся контрольные узлы и множество накопительных узлов, поскольку система должна уметь работать под нужной нагрузкой в нужных местах.

На фабрике, которая перерабатывает руду в платиновые слитки, необходимо мгновенно отслеживать появление слитков неправильной плотности, чтобы подстраивать давление в начале цепочки. Любая задержка означает потерю материала. Точно так же и ветряк постоянно перерабатывает данные для контроля над работой. Кодеш приводит пример одной из множества вероятных проблем: «миллионный байт может содержать информацию о крутильном моменте лопасти, но если он будет слишком велик, то лопасть отломается. Такую критическую информацию необходимо обрабатывать в первую очередь, даже если она расположена на миллионном месте в очереди».

Подача корректных данных в реальном времени – задача настолько сложная, что GE приходится полагаться на индивидуальные решения, разработанные внутри компании. «Spark работает быстро, — признаёт Кодеш, — но когда вам необходимо принимать решения за 10 миллисекунд, нужны другие системы».

3. Единственное предсказание может обойтись вам в $1000

Несмотря на большую долю ложных данных и ограниченную вычислительную мощность на границе, индустриальному ИИ необходимо быть чрезвычайно точным. Если аналитическая система самолёта определяет, что в двигателе появилась проблема, необходимо вызвать техников и инженеров, чтобы те сняли и починили неисправную часть. Авиакомпании необходимо предоставить временную замену, чтобы она могла продолжать полёты. И вся эта затея может легко обойтись в $200 000.

«Мы не будем сообщать вам о наличии проблемы, если её нет, и мы однозначно не будем сообщать вам об отсутствии проблем, если проблема есть, – говорит Кодеш. – Мы хотим убедиться, что у системы высокая точность».

Если верить Кодешу, единственный способ убедиться в высокой точности и скорости системы – запустить тысячи алгоритмов одновременно. Потребительская компания типа Amazon может зарабатывать от $1 до $9 на книжке, поэтому они могут быть готовы потратить на предсказание $0,001. А когда на кону стоят тысячи долларов, индустриальные и промышленные гиганты тратят на предсказание суммы от $40 до $1000.

«За $1000 я могу параллельно запустить множество алгоритмов, собрать результаты и запустить генетический алгоритм для выработки прогноза, – рассказывает Кодеш. – Это создаст эффект выживания сильнейших, когда используются наиболее приспособленные прогнозы и отбрасываются менее подходящие».

4. Сложные модели должны быть интерпретируемыми

Пользователи редко задумываются над тем, почему Amazon выдаёт какую-то конкретную рекомендацию. Когда ставки высоки, люди начинают задавать вопросы. Техники, работающие в этой области по 45 лет, не будут доверять машинам, не способным объяснить свои предсказания.

Для достижения уровня высокой интерпретируемости GE требуется изобретать совершенно новые технологии. К сожалению, необходимых талантов крайне мало. «Восхищаюсь учебными заведениями, пытающимися удовлетворить запросы рынка новыми специалистами по обработке данных, но их математика недостаточно глубока», – жалуется Кодеш.

«Реальным специалистам нужно идти глубже. Им нужно обладать незаурядными аналитическими способностями, и знать, как фильтровать и нормализовать миллионы измерительных точек в реальном времени».