• <tbody id="swsam"></tbody>
  • <optgroup id="swsam"><nav id="swsam"></nav></optgroup>
    <optgroup id="swsam"><td id="swsam"></td></optgroup>
  • 中國自動化學會專家咨詢工作委員會指定宣傳媒體
    新聞詳情
    isee-

    工業需要什么樣的AI

    http://www.consult-gem.com 2024-05-30 10:28 來源:貝加萊

    AI的浪潮不斷的沖擊著人們的眼球,尤其是ChatGPT帶來的巨大變革,以及現今大模型的時代到來,都會使得人們確信未來是人工智能的時代。它也同樣影響著制造業,產業里不斷的尋求答案—究竟AI能夠為我們帶來哪些改變?但是,對于AI的難題正在于此—換做另一個話題更好,工業究竟需要什么樣的AI似乎更為合理。前者是拿著榔頭找釘子,而后者則更符合工業一直以來的技術發展思維,問題需要什么樣的工具?而不是工具需要什么樣的問題。

    1).簡單易用的AI工具

    工業的AI,它需要簡單易用—畢竟,工業為了解決問題,即使是發展工具,它也必須與工業本身的機理、編程結合。工業的工程師通常是未經AI專業訓練的,或者即使是來自AI領域的,在開發項目中,也需要比較好用的工具。這包括如何對數據進行預處理、在配置訓練方法的友好性,操作界面的易于理解,作為一個工具,如果需要非常復雜的操作話,那就很難被廣泛推廣。

    而且,這個AI工具所集成的訓練方法、模型都得適合工業的特點。因此,這也是現在工業自動化領域的廠商都會將AI集成到原有的系統中。

    因此,對于工業領域來說,采用嵌入式AI的集成,以及標準與規范的數據交互接口,要實現在工業自身特定的AI應用任務重,達到快速配置、計算與控制任務融合、閉環迭代,而這一切又需要簡單,易于被工程師掌握。

    因此,這是工業對AI需求的最為重要的話題—作為工具屬性,它必須對于工程師來說是友好的。

    2).工業需要高可解釋性的AI

    因為AI在更多的時候它是一個“黑盒”模式,它不同于機理的白盒—這就存在了“可解釋性”問題。也是商業AI在進入工業后,比較難的話題。

    機器學習里面可解釋性有多種,現在一般實際使用的叫做局部解釋,指的是解釋單次模型推理的決策依據。比如一個很復雜的神經網絡去推理表格數據,可以給出各個輸入之間的重要性關系。

    可解釋性,還有一些在于數據預處理的可解釋性、算法的可解釋性,事后的結果可解釋性,多個層級來實現。

    3).工業需要高精度的AI

    對于工業應用而言,模型精度會是一個比較重要的問題-超參數問題、模型結構、數據預處理等都會影響模型精度。而這個精度會讓推理、預測出現偏差—工業的任務它往往是容錯空間是比較小的。比如,時間的偏差、位置的偏差,例如:0.1mm對于商用人形機器人的定位訓練來說就太苛刻了—但對于工業機器人的配合加工來說卻是入門級的。在時間粒度上也是如此,對于時間嚴苛型任務而言,時間在精度上、實時性上,都是比較高要求的。

    精簡就是模型要小,因為有硬件算力和成本的限制—通常在嵌入式系統運行的模型推理,它本身就不可能用太強的處理器。

    4).小樣本模型訓練

    工業里的場景,可能這個問題比較突出,因為,通常機器學習需要較大的樣本量,但如果一個風力發電機組有大量的故障信號,這個機器就不應該銷售給用戶。包括質量問題,都是較少的參數可供學習。因此,工業里必須考慮這種場景,采用更多的小樣本訓練方法,例如對比方法,τ分布樣本處理。

    5).數據與機理結合

    這個對于自動化企業來說,應該是比較擅長的地方。但是,這個需要在軟件的接口上達成比較容易實現的交互。

    OPC UA事實上,也在建立這種連接和模型交互的規范,AAS資產管理殼、行業信息模型,分別用于處理如何在不同的軟件平臺間建立交互的接口,它主要的目的在于降低接口的便利性,避免需要人工為其開發接口。AAS、行業信息模型則在數據采集方面。這些主要是解決在數據與機理融合的工程創建、運營、維護上。

    核心的數據與機理結合,則是要發揮各自的優勢。因為,在現實的工程開發,乃至現實的生產中,機理并不能完全了解系統的最優,或者效率更高的參數組—本身操作人員也缺乏這個認知。因此,AI介入主要還是在更優的參數收斂,包括時間、成本的收斂方向,會有一定的作用。但是,AI并不直接參與控制,只是作為離線的學習給出更優參數,當然,回到可解釋性問題,那也是需要由人做出判斷是否確認被運行。

    6).人機結合的AI

    人機結合,是因為這里有一個重要的背景,即,AI它學習的是什么?

    因為AI實際上,除了AI挖掘數據中的潛能,在一些場景里,AI本身也是向人學習的—比如,在膠印機里,通過采樣印刷品的品質,數字掃描方式給計算機。然后,計算機同時觀測技師如何調節水墨均衡的過程,反饋的參數來學習,究竟如何來改善印刷品質。

    這種需求未來也會更多,因為在很多領域如航空航天、半導體領域的高級技術人員是極其昂貴的—甚至達到百萬級以上的收入,且這樣的人又特別少,如何將他們的豐富經驗提煉出來,這也同樣是產業需要借助AI來解決的問題。

    因此,總結來說,工業的AI,需要結合工業本身的特點,在工具的開發、數據連接、處理、特征選擇、訓練、參數調整、與實時任務接口、云端連接等開發特別聚焦的功能,讓用戶易用,滿足工業特點的AI。

    版權所有 中華工控網 Copyright?2024 Gkong.com, All Rights Reserved
    久久九九八八色偷偷_国产成人凹凸视频在线观看_国内久久这里只有精品66_无码专区一va亚洲v天堂
  • <tbody id="swsam"></tbody>
  • <optgroup id="swsam"><nav id="swsam"></nav></optgroup>
    <optgroup id="swsam"><td id="swsam"></td></optgroup>