首页 >> 产业 >> 焦点图 >> 正文
群雄盘踞、细分场景众多......工业AI发展得如何?
  • 工联网
  • 2020年5月18日 14:38

“比如说数据质量,大家都知道数据质量在人工智能和模型训练方面的重要性,你的网络再先进,你如果没有好的数据依然是无法取得好的效果。但是,如何获取高质量的数据呢?有很多的方法,我们早期也吃了很多亏,就以缺陷检测为例,生产线上我们可以看到有很多的缺陷,100多种缺陷。但是我们怎么去采集这些缺陷,我们需要采集多少种缺陷的样本,每个缺陷我们需要采集多少张图片,模糊的缺陷我们如何去判定,如果一个图片有多种缺陷,我们按哪种缺陷判定和标注,这些都是一些很细节的问题,但是会非常影响模型最终的效果。”

除了计算机视觉,人工智能在工业领域的应用还包括数据智能、决策方面的一些应用。明略科技依托他们的数据中台和知识图谱,探索异地专家如何将经验进行积累和沉淀。

比如明略科技为某家轴承生产厂商构建了产品的知识图谱以及智能问答与选型的系统,用来解决用户对轴承以及相关产品信息的咨询查找对比和推荐的问题,相比于传统的基于人工的客户服务,这一套智能问答系统能够取代人工回答60%-80%重复的、常见的问题。

雷锋网了解到,不管是液晶面板的缺电检测,还是用户对轴承以及相关产品信息的咨询查找对比和推荐,目前AI主要用在工业领域的应用数据的可视化分析、预测性维护等,另外还可用于自动分析设备故障情况等,向着更多细分的工业场景进行渗透。

然而,当每一位创业者、变革者拿起AI的工具叩响工业之门时,扑面而来的不仅有工业机理、工业模型的屏障,还有数据和专业知识缺乏带来的一些挑战。

需要突破的障碍

尽管我们知道AI在工业领域有众多场景和可能性,但是,要达到产业级应用,我们还必须对它有更为清晰的认识,知道工业AI存在哪些问题。

英特尔中国区物联网事业部首席工程师及首席技术官张宇博士表示:

“人工智能这个词最早是1956年在达特茅斯会议上出现,其发展可以说是起起伏伏。如果和上世纪90年代——上一次的人工智能高潮相比,除了算力和数据,我们在某些领域的进步并没有那么明显。”

“算力方面,英特尔一直在摩尔定律的推动下,带领整个半导体行业前进,其算力不断地进行更新。比如超算领域定期颁布的世界500强的超级计算机的榜单,这个榜单第一次发布在1994年,当时榜单上排名首位的超级计算机浮点运算能力每秒钟峰值1300亿次,而去年年底的榜单排名首位的超级计算机浮点运算能力每秒钟峰值21亿次。算力的提升,对于运行一些比较复杂的算法是很有帮助的。以前一些网络可能相对比较简单,层次比较浅,现在可以用我们的算力运行比较复杂的网络模型得到更好的结果,或者我们可以在消耗网络模型下,在更短的时间里得到结果,实现更快的迭代,算力确实极大的推动了人工智能的发展。”

“另一个推动因素是数据方面,还是以ImageNet为例,ImageNet里已经包含了超过1400万张经过标注的图片,所以有了这么多大量的图片,就可以训练网络,得到一个可以运行的比较理想的结果。在数据增长的背后,实际上它的基础是我们在存储领域以及通信领域技术的提升。以存储领域为例,可以看到上世纪90年代,那时候移动存储的介质是用磁盘,一个磁盘的容量不过几个M,而现在用U盘,随便一个U盘就是几个T的容量。也就是说,我们的存储技术拥有了百万倍的提升,这些提升都推动了人工智能的发展。”

4月23日,在工业互联网产业联盟(AII)发布的《工业智能白皮书》中提到,当前工业智能的应用以点状场景居多、普及范围有限、还存在许多问题尚无法解决,仍处在发展的初级阶段。工业智能应用面临的四大问题分别是:

实时性问题。现有通用计算架构与芯片尚无法满足工业实时性所带来的计算要求,端侧推理需求迫切。

可靠性问题。电商平台的推荐系统达到 60%-70% 的准确率已经算是比较高的精准度,而部分工业领域、部分工业核心环节对推荐参数的准确性要求是 100%,一旦参数出现任何问题,将对生产、制造等环节,甚至生命财产安全产生巨大影响。

可解释性问题。在冶炼、核电等工业领域核心环节所面临的问题如果期望 通过数据技术解决,则此类问题的解决必须建立在可靠的工程 / 科学突破上,即需要能够明确 解释其背后机理。

适应性问题。通常包括模型间交互、软硬件适配与算法的数据、任务适配三类问题。

“就工业智能来说,总的判断还是处于起步阶段,还没有达到成熟。”张宇表示:

“重要的原因是,现在的人工智能还是实验科学,不是一个理论科学。虽然能够有一些网络证明它在处理某些问题的时候是有效的,但是还不能够说明它为什么有效,以及有效的机理是什么。人工智能网络对我们来说还像一个黑盒子,我们不能预测它有效的原因以及如何进一步优化的方向,这些都是我们现在需要进一步提升的地方。如果这些问题不能达到进一步的完善,那么人工智能还不能称为成熟。同样地,工业也是一样,工业不过是人工智能的一个分支,在大背景环境下可以看到有些人工智能网络可以开始越来越多用到工业领域,通过我们拿到的一些工业数据来训练它,让它在某些特定环境下能够有效,但是,这个有效也是局部有效而不是全局,因此我们需要不断地用更多数据进一步完善和推广。

工业领域的难点在于工业领域的应用场景比较碎片化,和我们熟知的交通领域、安防领域有很大不同。交通领域、安防领域识别的物体相对比较固定,场景也比较固定,这样可以针对这些场景可以收集大量的数据,得到一些网络模型以后,可以在这些场景里大面积推广;而工业场景的碎片化很明显,比如在纺织工厂里做一个产品的识别,在半导体工厂里也做产品的识别,但是它们要检测的目标是不一样的,那带来的问题是需要不同的样本和设计不同的网络结构,在设计方面要用不同的方法进行调优,同时工业本身对准确度的要求很高,因而,在工业领域推广人工智能的话还有很长的路要走。”

而创立了思谋科技的贾佳亚表示:“越是基础设施、关系到国家社会生产力的部分,越是需要我们的综合科技能力去全面落地解决经济生产里的缺人力、浅智能的问题。实现全面系统化、智能化、自动化是思谋瞄准的解决方案。思谋的企业目标是摆脱单个算法领域的数据局限,以系统化体系架构开创AI 2.0时代。”

现如今,AlphaGo已经是世界顶尖人工智能科技了,要研发出比AlphaGo复杂一个数量级的,能够替代运营管理任务的人工智能,看上去还是很久远的事情。就如《1%的征程——阿里云工业大数据解决方案》中所述,人工智能科学家们已经在某个输出指标维度有了一定研究,并且谁也不知道未来的增长是线性的,还是指数性的?全面的研究成果是百年之后得出,还是十年之后得出?

有专家分析,工业AI之所以一直都被看做是最难的、也最复杂的应用领域,原因就在于,一方面行业外延十分广泛,细分领域很多,要求的专业知识也很广泛,因此一直没能诞生能够吃透整条产业链的巨头玩家,而AI技术企业想要深入进去更是会遇到各种各样意想不到的难题。

那么,谁将摘下工业AI这顶“王冠”,成为这个领域的独角兽企业?

编 辑:向坤
[1]  [2]  
分享到: