工业人工智能

工业人工智能，通常是指人工智能在工业上的应用。与作为前沿研究学科的通用人工智能不同，工业人工智能是构建计算机化系统执行需要人类智能的任务的前沿研究学科，工业人工智能更关注应用此类技术来解决工业痛点，以创造客户价值、提高生产力、降低成本减少、站点优化、预测分析和洞察发现。尽管在人工智能应用的反乌托邦愿景中，智能机器可能会抢走人类的工作并引发社会和道德问题，但业界普遍对人工智能持更积极的看法，认为这种经济转型势不可挡，并期待在此过程中拥有巨大的商机。

人工智能的概念最初是在1940年代提出的，并且通过智能分析和建模来提高生产力和获得洞察力的想法并不新鲜。人工智能和基于知识的系统一直是人工智能的一个活跃研究分支，涵盖产品设计、生产计划、分销和现场服务的整个产品生命周期。电子制造系统和电子工厂没有使用术语“人工智能”，但它们扩大了工程系统的建模，以实现制造生态系统中元素的完整集成，以实现智能运营管理。

最近，为了加快在人工智能倡议中的领导地位，美国政府推出了官方网站AI.gov，以突出其在人工智能领域的优先事项。最近工业人工智能的流行有几个原因：更实惠的传感器和数据采集的自动化过程；更强大的计算机计算能力，以更快的速度以更低的成本执行更复杂的任务；更快的连接基础设施和更易于访问的云服务，用于数据管理和计算能力外包。

如果行业中的问题没有得到很好的研究，单靠技术是不会创造任何商业价值的。工业人工智能可能贡献的主要类别包括：产品和服务创新、流程改进和洞察力发现。

CloudFoundry服务平台广泛嵌入了人工智能技术。Cyber​​manufacturing系统还应用预测分析和网络物理建模来解决生产和机器健康之间的差距，以优化生产力。

工业人工智能解锁价值的挑战在于将原始数据转化为智能预测以进行快速决策。总的来说，实现工业人工智能有四大挑战：数据、速度、保真度和可解释性。

工程系统现在产生大量数据，现代工业确实是一个大数据环境。然而，工业数据通常是结构化的，但质量可能较低。

生产过程进行得很快，设备和工件可能很昂贵，需要实时应用人工智能应用程序，以便能够立即发现异常，避免浪费和其他后果。基于云的解决方案功能强大且速度快，但它们仍然不能满足某些计算效率要求。在这种情况下，边缘计算可能是更好的选择。

与面向消费者的AI推荐系统对误报和否定的容忍度不同，即使误报率或否定率非常低，也可能会损害AI系统的整体可信度。工业AI应用程序通常处理与安全性、可靠性和操作相关的关键问题。任何预测失败都可能对用户产生负面的经济和/或安全影响，并阻止他们依赖人工智能系统。

除了预测准确性和性能保真度之外，工业人工智能系统还必须超越预测结果，对异常进行根本原因分析。这就要求在开发过程中，数据科学家需要与领域专家合作，将领域知识融入建模过程中，让模型自适应地学习和积累知识等洞察力。