5 производственных приложений для ИИ
Если бы вы составили список самых часто используемых модных словечек в современном производстве, искусственный интеллект (ИИ) и Индустрия 4.0 были бы в самом верху. (Вторые места будут включать Интернет вещей, Умные фабрики и Кибер-физические системы, с почетным упоминанием Блокчейн.) Это прискорбно, потому что это больше, чем просто модные словечки, и понимание концепций позади них имеет решающее значение для сохранения конкурентоспособности в современном производстве.
Недавнее исследование ИИ, проведенное Forbes, показало, что 44% респондентов из автомобильной промышленности назвали ИИ крайне важным для производства в течение следующих пяти лет, а 49% заявили, что он абсолютно важен для успеха. И все же более половины респондентов (56%) из автомобильной отрасли заявили, что планируют увеличить расходы на ИИ менее чем на 10%.
Между тем, TrendForce прогнозирует, что к 2020 году мировой рынок умного производства будет стоить 320 миллиардов долларов, а совокупный годовой темп роста составит 12,5%, а PwC сообщает, что аналитика и оптимизация процессов/качества на основе ИИ будут способствовать ожидаемое увеличение умных фабрик на 31% в течение следующих пяти лет.
Что здесь происходит?
Не так давно производственный сектор был сметен вместе со всеми остальными в первые дни нынешней весны ИИ. Затем последовала предсказуемая скептическая реакция: сравнение искусственного интеллекта со змеиным маслом, заявления о том, что «искусственный интеллект — это бессмысленный технологический эквивалент всего природного». В результате производители могут испытывать своего рода концептуальный хлыст.
Является ли ИИ производственной панацеей или шарлатанским средством?
Неудивительно, что мы не видим ни того, ни другого; искусственный интеллект — это инструмент, и, как и любой другой инструмент, его полезность зависит от контекста, в котором он применяется. Вот почему мы создали этот список самых многообещающих производственных приложений для искусственного интеллекта на сегодняшний день.
1) Предиктивная аналитика
Мы могли бы также начать с того, что Acerta знает лучше всего. Основная идея состоит в том, чтобы использовать данные, полученные до, во время и после производственного процесса, для получения информации о качестве продукта или прогнозов будущих отказов продукта. Это, безусловно, работа для ИИ, поскольку огромный объем генерируемых производственных данных делает невозможным для слабого человеческого разума понять все разнообразные и разнообразные отношения между сигналами.
Наши клиенты использовали предиктивную аналитику для выявления неисправных трансмиссий, прогнозирования отказов коробок передач и выявления аномалий в пропусках зажигания двигателя. Во всех этих случаях используются модели, основанные на машинном обучении — подмножестве искусственного интеллекта — и в каждом из них модели могли давать высокоточные результаты даже с минимальными обучающими данными. Эта способность к обобщению является отличительной чертой ИИ.
2) Профилактическое обслуживание
Хотя предиктивную аналитику и предиктивное обслуживание часто относят к одной категории, между ними есть важные различия. Предпосылкой профилактического обслуживания является использование данных с производственной линии, чтобы предвидеть, когда производственное оборудование может выйти из строя, а затем вмешаться, чтобы отремонтировать или заменить оборудование до того, как это произойдет. Хотя это и не идеальная аналогия, можно представить себе взаимосвязь между профилактическим обслуживанием и прогнозной аналитикой как связь между обеспечением качества и контролем качества: первое фокусируется на процессе, второе — на продукте.
Тем не менее, как и в случае с прогностической аналитикой, прогностическое обслуживание зависит от способности синтезировать информацию из массивных наборов данных, часто с минимальными обучающими данными. Примеры профилактического обслуживания с использованием ИИ включают производители станков, прогнозирующие проблемы со шпинделем станка до того, как они возникнут, и General Motors, использующая классификацию изображений для выявления отказов роботизированного манипулятора.
3) Промышленная робототехника
Роботы и ИИ идут рука об руку, как яблочный пирог и мороженое, арахисовое масло и шоколад или вуки и эвоки: хороши сами по себе, но удивительны в сочетании. Несмотря на то, что они используются уже более полувека, промышленные роботы в последние десятилетия меняют свой имидж: от холодного соперничества с людьми к безжалостной эффективности вытесняют их; дружелюбным помощникам, которые могут облегчить жизнь линейных рабочих, а не красть их средства к существованию. В центре этого сдвига находятся коллаборативные роботы или коботы, которые разработаны специально для работы с людьми.
Добавление ИИ к коботам позволяет им быстрее развертываться, отслеживать свои рабочие пространства на предмет изменения условий и адаптироваться к ним. Что касается промышленных роботов в целом, искусственный интеллект может повысить точность и надежность роботов, а также обеспечить более совершенные формы мобильности. Возможно, наиболее важно то, что ИИ может сыграть ключевую роль в сокращении усилий по программированию и проектированию, необходимых для создания и внедрения промышленной автоматизации.
4) Компьютерное зрение
Тесно связанные с промышленной робототехникой, приложения компьютерного зрения для ИИ в промышленном пространстве чаще всего включают визуальные проверки. У искусственного интеллекта есть два очевидных преимущества перед людьми, когда речь идет о визуальном осмотре: скорость и точность. Система компьютерного зрения, использующая камеры, более чувствительные, чем невооруженный глаз, и дополненная искусственным интеллектом, может выявлять микроскопические дефекты, которые инспекторы-люди могут не заметить, со скоростью, с которой они не могут рассчитывать.
Возьмем один пример: Audi использовала систему искусственного зрения для выявления трещин в овечьем металле из своего прессового цеха. Поскольку это решение было основано на глубоком обучении — подтипе машинного обучения, часто применяемом к большим неструктурированным наборам данных, таким как изображения, — инженеры Audi потратили месяцы на обучение своей искусственной нейронной сети, используя несколько миллионов тестовых изображений. Однако эти первоначальные усилия окупились, поскольку система смогла самостоятельно учиться на примерах и теперь может обнаруживать трещины в совершенно новых изображениях.
5) Управление запасами
И последнее, но не менее важное: управление запасами может быть не самым захватывающим применением ИИ в производстве, но очень ценным. По крайней мере, по одной оценке, инвентарь составляет 1,1 триллиона долларов капитала. Это огромная ценность, которую можно разблокировать за счет лучшего управления запасами, и искусственный интеллект является ключом к этому. Существует множество способов, с помощью которых ИИ может снизить затраты на содержание запасов, от оптимизации того, что хранится в наличии, до прогнозирования пробелов до того, как они возникнут.
Опять же, именно способность принимать ошеломляющие объемы данных и находить скрытые в них шаблоны делает ИИ таким естественным подходящим для этого приложения. Amazon не является производителем, но, пожалуй, самый крупный и известный пример применения ИИ к управлению запасами.
Больше приложений ИИ в производстве
Существует множество других примеров использования ИИ в производстве, включая устойчивое развитие, сокращение отходов и управление цепочками поставок. Количество производственных приложений для ИИ, несомненно, будет продолжать расти по мере того, как вычислительные ресурсы становятся менее дорогостоящими, а знания в предметной области расширяются. В любом случае, одно можно сказать наверняка: это захватывающее время для работы на стыке ИИ и автомобилестроения.
Для получения дополнительной информации об Acerta посетите наш веб-сайт.
