Сочетание для развертывания ИИ на периферии — и как устранение проблемы периферического ИИ

Искусственный интеллект (ИИ) широко распространен. От рекомендателей онлайн-покупок до приложений с погодой — его внедрение быстро растет. Оцифровка производства в сфере Индустрии 4.0 способствовала внедрению ИИ в автоматизацию производства с целым рядом приложений, таких как обнаружение дефектов, контроль качества и безопасность работников, и это лишь некоторые из них.

Тем не менее, традиционный ИИ, который поддерживает рекомендации по покупкам и погодные приложения, как правило, находится в облаке. В таких приложениях запрос пользователя отправляется в облако, запрос обрабатывается моделью ИИ, а результаты отправляются обратно пользователю. Несмотря на широкое распространение, эта архитектура развертывания приложений может не подходить для всех случаев использования, например, для промышленной автоматизации.

ИИ на периферии — это когда данные и ИИ, связанные с данными, находятся ближе к источнику данных или его использованию. Требования, регулирующие производство, отличаются от требований пользователя мобильного приложения, как описано ниже.

Правила конфиденциальности данных для защиты PII (личной информации) и IP (интеллектуальной собственности) часто требуют, чтобы данные были ближе к месту их происхождения. Например, в заводских условиях данные о конфигурации машины являются интеллектуальной собственностью производителя, и они хотели бы хранить их ближе к источнику данных, чтобы избежать утечки данных.

Вторая причина — задержка. Время, необходимое для отправки данных в облако и обратно на периферию, может быть слишком большим для чувствительных ко времени приложений. Например, в случае проверки качества сварки модель ИИ, которая прогнозирует качество сварки, требует задержки порядка миллисекунды. Это особенно важно, когда модель ИИ является частью полностью автономного приложения. В случае сварки необходимы изменения конфигурации контроллера сварки для устранения дефекта сварки, обнаруженного в результате классификации AI-модели контроля качества сварки.

Третья причина — проблема с пропускной способностью. Потоковая передача больших объемов данных в облако является дорогостоящей и интенсивной сетью. В некоторых случаях заводы могут даже не иметь сетевой инфраструктуры для обработки этого трафика. Например, десятки камер, используемых для обнаружения дефектов на заводе, производят тысячи кадров в секунду; отправлять такие большие объемы данных по сети нецелесообразно.

Известная проблема при обучении модели ИИ — несбалансированные классы (т. е. асимметричное распределение классов в наборах данных). Это особенно заметно в случаях промышленного использования, поскольку большинство производимых продуктов не имеют дефектов. Доля выбросов или дефектов в таком наборе данных может составлять от 1% до 3%. Традиционные способы разработки модели без специальных методов на таком наборе данных приведут к тому, что модель будет работать лучше только на обучающих выборках и хуже на других тестовых выборках. Следовательно, качество модели быстро ухудшается, что снижает рентабельность инвестиций (окупаемость инвестиций) модели ИИ.

Добавление контекста к ИИ, особенно в условиях очень ограниченного количества помеченных данных, может помочь ускорить разработку модели ИИ. Этого можно добиться, привлекая эксперта в предметной области, обладающего знаниями в области эвристики процессов, как можно раньше на этапе исследования данных. Такой подход, ориентированный на данные, обеспечивает лучшую точность, а также помогает масштабировать модель ИИ.

Производственные процессы, такие как создание автомобиля, завершаются несколькими отдельными процессами. Например, металлические листы проходят склейку перед точечной сваркой. Влажность является одним из факторов, определяющих качество склеивания, что может повлиять на качество сварного шва. Поэтому, если рассматривать процесс сварки независимо от склейки, эта взаимосвязь упускается.

Фиксация взаимозависимостей и взаимосвязей повышает интерпретируемость и надежность модели ИИ вместо того, чтобы рассматривать ИИ как черный ящик. Хотя для определения этих взаимосвязей, вероятно, потребуется большой объем данных и времени, это помогает ИИ со временем масштабироваться от простого решения до более масштабируемого.

ИИ все еще находится на ранних этапах внедрения революции «Индустрия 4.0». Следовательно, нередко можно увидеть некоторые сомнения в его преимуществах. В такой среде важно выбрать важную проблему для применения ИИ. Влияние решения довольно важной проблемы с высокой рентабельностью инвестиций может привести к тому, что организации примут ее. Это побуждает сотрудников искать другие процессы, которые можно улучшить с помощью ИИ и, в свою очередь, повысить эффективность и качество, тем самым создавая положительную рентабельность инвестиций.