7 ژانویه 2021 توسط سازنده
در طی یک جلسه بحث تعاملی ، مایکل گلیوز و حسن خالد مناسب ترین کاربردهای صنعتی برای هوش مصنوعی و راه های دستیابی به بازگشت واقعی سرمایه را نشان دادند.
از کجا شروع کنیم؟
مایکل گلیوز: اتصال سنسورهای ساده و مقرون به صرفه به ماشین ها اولین قدم خوب برای دستیابی به فنون یادگیری ماشینی (ML) است. پس از در اختیار داشتن جریان داده ها ، می توانید شناسایی الگوها و روندها را شروع کرده و استفاده بهینه از دارایی خود را شروع کنید.
در نهایت ، تهیه اطلاعات دقیقتر و با کیفیت از اهمیت بالاتری برخوردار است. بدون آن ، نمی توانید در مورد چگونگی اخذ نتایج درست از آن جریان داده ها فکر کنید.
به چه مهارت هایی نیاز دارید؟
حسن خالد: دانش فنی مهم است ، اما دانش دامنه را دست کم نگیرید. کسی که سالها ی زیادی از عمر خود رادر خط تولید صرف کرده است ممکن است بتواند چیزهای زیادی به شما بگوید که در داده ها آنها را نمی یابید .
به همین ترتیب ، مهندسی نرم افزار را دست کم نگیرید. بسیاری از موارد به دلیل فقدان مهندسی نرم افزار اشتباه است. افرادی که با سوابق علمی به این محیط کار می آیند ، مانند من ، باید مهارت های مهندسی نرم افزار را آموزش دهند تا مطمئن شوند ما آنچه را که فکر می کنیم اجرا و پیاده می کنیم.
بیشتر شرکت ها چرخه “توسعه ، آزمایش ، کاوش” را اتخاذ می کنند ، بنابراین داشتن کسی در داخل برای اجرای این چرخه مهم است. داشتن متخصصین هوش مصنوعی و ML برای تغذیه فرضیه های متخصصان برای آزمایش در یک حلقه تعالی کار ، به همان اندازه مهم است.
م.گ: اگر بخواهید با این فناوری ها بخشهایی از تجارت خود را تغییر دهید ، به نظر شما می رسد تیم کوچکی از مهارت های ویژه داشته باشید که بتواند آن فن آوری ها را تطبیق داده و از آنها برای پیشبرد تجارت شما استفاده کند. همچنین ، بهتر است که در سازمان خود تا حدی از توانایی داخلی را در اختیار داشته باشید تا بتوانید تصمیمات خرید هوشمندانه ای را بگیرید.
تولیدکنندگان همچنین باید برای استفاده مجدد از این ابزارها ، فیزیکدانان را جذب و دوباره آموزش دهند. آنها ذهنیت درستی دارند و معمولاً به عنوان بخشی از دروس تحصیلی خود در دوره دکترا در این زمینه آموزش داده شده اند ، بنابراین باید بتوانند نسبتاً راحت به این نقش ها تبدیل شوند.
چگونه به خریدو امور اجرایی دست پیدا می کنید؟
ه. ک. این موضوع اغلب سخت ترین قسمت است. این کمک می کند تا ایده ها و پروژه های شما با داده های گسترده تر سازمان یا استراتژی دیجیتال شما هماهنگ شود. اگر یک آزمایش خاص با آن استراتژی مطابقت ندارد ، پس احتمالاً بهترین ایده نیست که زمان یا منبع زیادی را صرف آن کنید.
م.گ: ما شروع به استفاده از روش تفکر و طراحی برای جمع آوری نیازهای کاربر کرده ایم. بنابراین ، استفاده از فن آوری یا تکنیک مورد نظر و تمرکز ویژه بر روی مشکل کسب و کار و کاوش در آنچه که قبل از آن اتفاق افتاده است ، آنچه که پس از آن اتفاق افتاده است و نحوه استفاده از آن در تجارت مسیر درستی است.
واقعاً مهم است که برای شروع کار ، پروژه های خوبی انتخاب کنید زیرا باعث ایجاد حرکت و ادامه سرمایه گذاری می شود. اما در برخی از سطوح ، باید جهشی داشته باشید که فکر می کنید یک فناوری خاص دارای ارزش است و مایلید در آن سرمایه گذاری کنید.
چگونه می توان از هوش مصنوعی و ML برای مسائل پیش بینی نگهداری استفاده کرد؟
ه.ک. از دیدگاه متخصصان ، نگهداری پیش بینی امری چالش برانگیز است زیرا بیشتر اوقات داده های شما شامل نمونه هایی امرتبط با از کار افتادگی ها نیست و درست به نظر نمی رسد. وقتی مثالهای منفی ندارید ، آموزش سیستم خود بسیار دشوار است.
ما آنالیزهای ویدئویی و تصویر زنده و همچنین تجزیه و تحلیل مبتنی بر اختلالات را انجام داده ایم که به دنبال تغییر آنها هستیم. این فرصت ها اساساً بی پایان هستند ، سوال اصلی این است که آیا داده ها ، تصویری واقعی از عدم یادگیری از آنها به شما ارائه می دهند؟
تکنیک هایی مانند استفاده از تشخیص الگو برای شناسایی انواع خرابی هایی که در طی یک دوره زمانی اتفاق می افتد و سپس کار برای برنامه ریزی برای نگهداری معمول به طور قابل توجهی استفاده شده است.
یکی از موارد مورد علاقه ، استفاده از پردازش داده ها و سیاهه های مربوط به سیستم های SCADA برای شناسایی الگوهای خرابی است. با دیجیتالی کردن سیاهه های مربوط به انسان و افزودن پردازش زبان نرمال برای ایجاد زمینه های اضافی ، می توان به این تلاش ها کمک کرد.
آیا پیشنهادهای AI و ML برای SME ها واقع بینانه است؟
این موارد ممکن است گران تمام شود و تلاشهای پنهانی زیادی وجود دارد ، بنابراین انتظار شکست را از آن دارید. من فکر می کنم شما می توانید آن را با بودجه محدود انجام دهید. اما شما باید آن را با گذشت زمان جبران کنید. غیر واقعی است اگر فکر کنید می توانید با حداقل سرمایه گذاری حداقل زمان را صرف کنید.
تعداد زیادی فناوری منبع باز ، کد ، نشریات و توضیحات در دسترس است ، به این معنی که بیشتر کارها انجام شده است. برای سازمان هایی که این سفر را شروع می کنند ، باید در مورد استراتژی داده های خود بسیار جدی فکر کنند. افزودن استراتژی یادگیری ماشینی به پایه داده ها ، از نظر نسبی ، کمی ساده تر می شود.
گرانترین چیز برای یک SME خود استعداد نیروی انسانی است و در اینجا است که SME ها با سازمانهای بزرگ رقابت می کنند. دوباره ، با توجه به مالکیت و انعطاف پذیری کار ، SME ها نباید مشکلی در جذب و نگهداری استعداد ها نسبت به غول های کسب و کار داشته باشند.
