- 工聯(lián)網(wǎng)
- 作者：
- 2020年5月18日 14:38
“比如說數(shù)據(jù)質(zhì)量，大家都知道數(shù)據(jù)質(zhì)量在人工智能和模型訓(xùn)練方面的重要性，你的網(wǎng)絡(luò)再先進(jìn)，你如果沒有好的數(shù)據(jù)依然是無法取得好的效果。但是，如何獲取高質(zhì)量的數(shù)據(jù)呢？有很多的方法，我們早期也吃了很多虧，就以缺陷檢測為例，生產(chǎn)線上我們可以看到有很多的缺陷，100多種缺陷。但是我們怎么去采集這些缺陷，我們需要采集多少種缺陷的樣本，每個(gè)缺陷我們需要采集多少張圖片，模糊的缺陷我們?nèi)绾稳ヅ卸ǎ绻粋�(gè)圖片有多種缺陷，我們按哪種缺陷判定和標(biāo)注，這些都是一些很細(xì)節(jié)的問題，但是會(huì)非常影響模型最終的效果。”
除了計(jì)算機(jī)視覺，人工智能在工業(yè)領(lǐng)域的應(yīng)用還包括數(shù)據(jù)智能、決策方面的一些應(yīng)用。明略科技依托他們的數(shù)據(jù)中臺(tái)和知識(shí)圖譜，探索異地專家如何將經(jīng)驗(yàn)進(jìn)行積累和沉淀。
比如明略科技為某家軸承生產(chǎn)廠商構(gòu)建了產(chǎn)品的知識(shí)圖譜以及智能問答與選型的系統(tǒng)，用來解決用戶對軸承以及相關(guān)產(chǎn)品信息的咨詢查找對比和推薦的問題，相比于傳統(tǒng)的基于人工的客戶服務(wù)，這一套智能問答系統(tǒng)能夠取代人工回答60%-80%重復(fù)的、常見的問題。
雷鋒網(wǎng)了解到，不管是液晶面板的缺電檢測，還是用戶對軸承以及相關(guān)產(chǎn)品信息的咨詢查找對比和推薦，目前AI主要用在工業(yè)領(lǐng)域的應(yīng)用數(shù)據(jù)的可視化分析、預(yù)測性維護(hù)等，另外還可用于自動(dòng)分析設(shè)備故障情況等，向著更多細(xì)分的工業(yè)場景進(jìn)行滲透。
然而，當(dāng)每一位創(chuàng)業(yè)者、變革者拿起AI的工具叩響工業(yè)之門時(shí)，撲面而來的不僅有工業(yè)機(jī)理、工業(yè)模型的屏障，還有數(shù)據(jù)和專業(yè)知識(shí)缺乏帶來的一些挑戰(zhàn)。
需要突破的障礙
盡管我們知道AI在工業(yè)領(lǐng)域有眾多場景和可能性，但是，要達(dá)到產(chǎn)業(yè)級(jí)應(yīng)用，我們還必須對它有更為清晰的認(rèn)識(shí)，知道工業(yè)AI存在哪些問題。
英特爾中國區(qū)物聯(lián)網(wǎng)事業(yè)部首席工程師及首席技術(shù)官張宇博士表示：
“人工智能這個(gè)詞最早是1956年在達(dá)特茅斯會(huì)議上出現(xiàn)，其發(fā)展可以說是起起伏伏。如果和上世紀(jì)90年代——上一次的人工智能高潮相比，除了算力和數(shù)據(jù)，我們在某些領(lǐng)域的進(jìn)步并沒有那么明顯。”
“算力方面，英特爾一直在摩爾定律的推動(dòng)下，帶領(lǐng)整個(gè)半導(dǎo)體行業(yè)前進(jìn)，其算力不斷地進(jìn)行更新。比如超算領(lǐng)域定期頒布的世界500強(qiáng)的超級(jí)計(jì)算機(jī)的榜單，這個(gè)榜單第一次發(fā)布在1994年，當(dāng)時(shí)榜單上排名首位的超級(jí)計(jì)算機(jī)浮點(diǎn)運(yùn)算能力每秒鐘峰值1300億次，而去年年底的榜單排名首位的超級(jí)計(jì)算機(jī)浮點(diǎn)運(yùn)算能力每秒鐘峰值21億次。算力的提升，對于運(yùn)行一些比較復(fù)雜的算法是很有幫助的。以前一些網(wǎng)絡(luò)可能相對比較簡單，層次比較淺，現(xiàn)在可以用我們的算力運(yùn)行比較復(fù)雜的網(wǎng)絡(luò)模型得到更好的結(jié)果，或者我們可以在消耗網(wǎng)絡(luò)模型下，在更短的時(shí)間里得到結(jié)果，實(shí)現(xiàn)更快的迭代，算力確實(shí)極大的推動(dòng)了人工智能的發(fā)展。”
“另一個(gè)推動(dòng)因素是數(shù)據(jù)方面，還是以ImageNet為例，ImageNet里已經(jīng)包含了超過1400萬張經(jīng)過標(biāo)注的圖片，所以有了這么多大量的圖片，就可以訓(xùn)練網(wǎng)絡(luò)，得到一個(gè)可以運(yùn)行的比較理想的結(jié)果。在數(shù)據(jù)增長的背后，實(shí)際上它的基礎(chǔ)是我們在存儲(chǔ)領(lǐng)域以及通信領(lǐng)域技術(shù)的提升。以存儲(chǔ)領(lǐng)域?yàn)槔梢钥吹缴鲜兰o(jì)90年代，那時(shí)候移動(dòng)存儲(chǔ)的介質(zhì)是用磁盤，一個(gè)磁盤的容量不過幾個(gè)M，而現(xiàn)在用U盤，隨便一個(gè)U盤就是幾個(gè)T的容量。也就是說，我們的存儲(chǔ)技術(shù)擁有了百萬倍的提升，這些提升都推動(dòng)了人工智能的發(fā)展。”
4月23日，在工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟（AII）發(fā)布的《工業(yè)智能白皮書》中提到，當(dāng)前工業(yè)智能的應(yīng)用以點(diǎn)狀場景居多、普及范圍有限、還存在許多問題尚無法解決，仍處在發(fā)展的初級(jí)階段。工業(yè)智能應(yīng)用面臨的四大問題分別是：
實(shí)時(shí)性問題。現(xiàn)有通用計(jì)算架構(gòu)與芯片尚無法滿足工業(yè)實(shí)時(shí)性所帶來的計(jì)算要求，端側(cè)推理需求迫切。
可靠性問題。電商平臺(tái)的推薦系統(tǒng)達(dá)到 60%-70% 的準(zhǔn)確率已經(jīng)算是比較高的精準(zhǔn)度，而部分工業(yè)領(lǐng)域、部分工業(yè)核心環(huán)節(jié)對推薦參數(shù)的準(zhǔn)確性要求是 100%，一旦參數(shù)出現(xiàn)任何問題，將對生產(chǎn)、制造等環(huán)節(jié)，甚至生命財(cái)產(chǎn)安全產(chǎn)生巨大影響。
可解釋性問題。在冶煉、核電等工業(yè)領(lǐng)域核心環(huán)節(jié)所面臨的問題如果期望 通過數(shù)據(jù)技術(shù)解決，則此類問題的解決必須建立在可靠的工程 / 科學(xué)突破上，即需要能夠明確 解釋其背后機(jī)理。
適應(yīng)性問題。通常包括模型間交互、軟硬件適配與算法的數(shù)據(jù)、任務(wù)適配三類問題。
“就工業(yè)智能來說，總的判斷還是處于起步階段，還沒有達(dá)到成熟。”張宇表示：
“重要的原因是，現(xiàn)在的人工智能還是實(shí)驗(yàn)科學(xué)，不是一個(gè)理論科學(xué)。雖然能夠有一些網(wǎng)絡(luò)證明它在處理某些問題的時(shí)候是有效的，但是還不能夠說明它為什么有效，以及有效的機(jī)理是什么。人工智能網(wǎng)絡(luò)對我們來說還像一個(gè)黑盒子，我們不能預(yù)測它有效的原因以及如何進(jìn)一步優(yōu)化的方向，這些都是我們現(xiàn)在需要進(jìn)一步提升的地方。如果這些問題不能達(dá)到進(jìn)一步的完善，那么人工智能還不能稱為成熟。同樣地，工業(yè)也是一樣，工業(yè)不過是人工智能的一個(gè)分支，在大背景環(huán)境下可以看到有些人工智能網(wǎng)絡(luò)可以開始越來越多用到工業(yè)領(lǐng)域，通過我們拿到的一些工業(yè)數(shù)據(jù)來訓(xùn)練它，讓它在某些特定環(huán)境下能夠有效，但是，這個(gè)有效也是局部有效而不是全局，因此我們需要不斷地用更多數(shù)據(jù)進(jìn)一步完善和推廣。
工業(yè)領(lǐng)域的難點(diǎn)在于工業(yè)領(lǐng)域的應(yīng)用場景比較碎片化，和我們熟知的交通領(lǐng)域、安防領(lǐng)域有很大不同。交通領(lǐng)域、安防領(lǐng)域識(shí)別的物體相對比較固定，場景也比較固定，這樣可以針對這些場景可以收集大量的數(shù)據(jù)，得到一些網(wǎng)絡(luò)模型以后，可以在這些場景里大面積推廣；而工業(yè)場景的碎片化很明顯，比如在紡織工廠里做一個(gè)產(chǎn)品的識(shí)別，在半導(dǎo)體工廠里也做產(chǎn)品的識(shí)別，但是它們要檢測的目標(biāo)是不一樣的，那帶來的問題是需要不同的樣本和設(shè)計(jì)不同的網(wǎng)絡(luò)結(jié)構(gòu)，在設(shè)計(jì)方面要用不同的方法進(jìn)行調(diào)優(yōu)，同時(shí)工業(yè)本身對準(zhǔn)確度的要求很高，因而，在工業(yè)領(lǐng)域推廣人工智能的話還有很長的路要走。”
而創(chuàng)立了思謀科技的賈佳亞表示：“越是基礎(chǔ)設(shè)施、關(guān)系到國家社會(huì)生產(chǎn)力的部分，越是需要我們的綜合科技能力去全面落地解決經(jīng)濟(jì)生產(chǎn)里的缺人力、淺智能的問題。實(shí)現(xiàn)全面系統(tǒng)化、智能化、自動(dòng)化是思謀瞄準(zhǔn)的解決方案。思謀的企業(yè)目標(biāo)是擺脫單個(gè)算法領(lǐng)域的數(shù)據(jù)局限，以系統(tǒng)化體系架構(gòu)開創(chuàng)AI 2.0時(shí)代。”
現(xiàn)如今，AlphaGo已經(jīng)是世界頂尖人工智能科技了，要研發(fā)出比AlphaGo復(fù)雜一個(gè)數(shù)量級(jí)的，能夠替代運(yùn)營管理任務(wù)的人工智能，看上去還是很久遠(yuǎn)的事情。就如《1%的征程——阿里云工業(yè)大數(shù)據(jù)解決方案》中所述，人工智能科學(xué)家們已經(jīng)在某個(gè)輸出指標(biāo)維度有了一定研究，并且誰也不知道未來的增長是線性的，還是指數(shù)性的？全面的研究成果是百年之后得出，還是十年之后得出？
有專家分析，工業(yè)AI之所以一直都被看做是最難的、也最復(fù)雜的應(yīng)用領(lǐng)域，原因就在于，一方面行業(yè)外延十分廣泛，細(xì)分領(lǐng)域很多，要求的專業(yè)知識(shí)也很廣泛，因此一直沒能誕生能夠吃透整條產(chǎn)業(yè)鏈的巨頭玩家，而AI技術(shù)企業(yè)想要深入進(jìn)去更是會(huì)遇到各種各樣意想不到的難題。
那么，誰將摘下工業(yè)AI這頂“王冠”，成為這個(gè)領(lǐng)域的獨(dú)角獸企業(yè)？
