在线会议
论坛
专题
工控直播
新闻中心
子站
技术
社区
如果预测算法在消费行业失败，那还不是世界末日。也许广告没有被点击，或者电视节目没有被观看。
而在诸如石油和天然气、电力和公用事业以及制造业等资产密集型行业，失败会造成重大的损失。训练不当的算法可能会导致生产停顿、损坏设备CONTROL ENGINEERING China版权所有，或者在最坏的情况下www.cechina.cn，甚至危及生命。
尽管人工智能在工业中具有很高的价值潜力，但鲜有成功案例可供讲述。这是因为人工智能的经典应用（例如自然语言处理、广告和游戏）与用于工业问题的应用之间存在根本差异。
“混合”人工智能是物理学和数据科学的结合，是在工业环境中释放人工智能潜力的关键。人工智能从信息中发现模式，通过在混合中加入物理，我们提供了更多信息——更重要的是，信息足够准确，可以为创造价值和加速行业数字化转型的解决方案提供动力。
为什么是混合人工智能？
ImageNet 数据库包含超过1400 万张用于视觉对象识别的图片。可用于自然语言处理的文本数量几乎是深不可测的。对于某些应用程序，甚至可以自动生成训练数据。
工业上不存在这样的资源。尽管典型的石油平台或工厂将配备数千个传感器，这些传感器可能已经收集了数十年的数据CONTROL ENGINEERING China版权所有，但由于多年来工业设备的操作变化，相关数据的实际数量通常很少。此外，设备在其最佳运行区域可能几乎没有数据，而传统的 AI 模型在现有数据范围之外外推时可能会产生不准确的预测。
数据质量是区分工业人工智能与经典人工智能的另一个挑战。工业现场的物理传感器通常位于恶劣的环境中，这意味着数据会受到不同程度的噪声、偏差和不同原始压缩级别的影响。相比之下，人工智能经典应用所使用的典型数据集没有噪声影响或可以忽略不计。
不过，有一个领域工业具有优势。虽然描述消费者行为的数学模型很少CONTROL ENGINEERING China版权所有，但工业中的大多数问题都受物理定律的制约，可以使用构成高级模拟器基础的数学和现象学模型来描述。工业主题专家数十年来一直在使用这些模拟器来支持关键决策。模拟器的缺点是，与纯数据驱动的模型相比，它们的计算成本通常较高，并且对于感兴趣的变量的实时预测可能不可行。
物理模拟器和 AI 模型显然是相辅相成的。前者可以对未来事件以及用于创建和验证模型的数据范围之外的事件进行预测，而后者可以在没有任何基础物理知识的情况下进行设置，甚至可以在一小部分传感器上工作。将这两种方法结合起来，可以保留两者的优点并减少两者的缺点。
如何开始使用混合 AI？
鉴于每个企业和行业都有特定的要求，了解如何最好地大规模部署混合 AI 解决方案可能具有挑战性。混合AI最适合于处理存在数学理论框架的复杂工业过程问题。为了使工业混合AI工作，我认为以下是先决条件：
· 了解问题：混合AI的准确性取决于它解决的用例或问题。利用您的主题专家的深入知识来了解具体情况。
· 实施特征工程所需的工具：这些工具使您能够以很少的精力、时间和成本快速从数据中提取价值。虽然有些工具很简单，可以由您的内部 IT 部门实施，但其他工具则需要专业干预。
· 确保对物理模拟器的充分访问：选择是实施本地解决方案还是选择信誉良好的供应商提供的模拟器即服务。服务安排的优势包括减少初始支出和立即大规模部署的能力。
然而，工业公司不能直接跳到数字化旅程的这一部分。第一步必须始终是数据情境化。开始驱动所有相关数据源的连接和映射，并牢记目标用例的清晰列表。只有这样，您才能扩展以包含混合 AI、数字孪生和其他行业应用程序套件，然后围绕它们构建数据产品。
混合AI需要工业数据运营思维
混合 AI 可以从工业 DataOps 开始。DataOps 是一类新的软件解决方案，可满足工业公司在采用工业 4.0、数字化转型和智能制造时的数据架构需求。作为2021 年最重要的软件趋势之一，工业 DataOps 旨在打破孤岛并优化工业数据的广泛可用性。但除了数据可访问性和情境化之外，工业 DataOps 也是一种实践。这是一种跨组织参与和协作以共享数据并从数据中获得更大价值的方式。
工业DataOps 是解决工业数字化关键挑战之一的起点：大规模实现混合 AI 解决方案。只有通过改变企业的数据思维方式并创建一个集中的、情境化的事实来源CONTROL ENGINEERING China版权所有，您才能确保所有必要的实时数据都可用于混合 AI 模型和主题专家，以实现更好的监督优化生产和创造价值的决策过程。
.jpg)
AVEVA InTouch Unlimited试用版下载
福禄克三大“法宝”帮您搞定过程仪表校准难题
2024年度最佳产品奖颁奖典礼会后报道
2024全球自动化和制造主题峰会会后报道
阿自倍尔液体检测产品有奖试用
