AI落地工业领域，需要的不是炒概念，而是从一套降低门槛的工具开始
AI落地工业领域，需要的不是炒概念，而是从一套降低门槛的工具开始
2018-06-28 15:58:21 来源：产业智能宫
抢沙发
2018-06-28 15:58:21 来源：产业智能宫
摘要：AI的未来虽然美好，但AI的落地之路却布满荆棘，不能靠炒概念，需要埋下头来，踏踏实实下苦功。积累产业AI落地经验，在算法、数据、认知等多方面花心血来，加速AI改造升级行业的进程。
关键词：
AI
工业领域
AI的未来虽然美好，但AI的落地之路却布满荆棘，不能靠炒概念，需要埋下头来，踏踏实实下苦功。积累产业AI落地经验，在算法、数据、认知等多方面花心血来，加速AI改造升级行业的进程。
人工智能是被各行各业寄予厚望的未来技术，谈及人们最关心的AI在企业的落地问题，目前公众关注得最多的AI集中在感知层，例如人脸识别、语音识别、无人车等。但是，感知层走在AI前端，已经享受着AI红利，但是企业真正需要的AI应该是决策层的AI，尤其是在工业领域。譬如感知质量问题后的机器参数自动微调等。
企业内部的角色分成三种，高层做的是战略制定，中层的工作是策略制定，基层是策略执行。互联网和移动互联网改变的是基层的工作，也就是策略执行，越来越多交给机器去做了。今天，人工智能在企业内部改变的是，策略制定正在交给机器来做。决策AI化才能实实在在提升企业经营效率、产品质量和降低成本。商业领域无论是百度的凤巢系统，今日头条的推荐系统，支持其享受AI红利的技术都是决策的智能化，工业领域亦是如此。
人工智能技术已经实实在在地为头部商业企业创造了巨大的价值，但我们在将这项技术推广到更多工业领域的经营、生产层面，也需要面对各种困难和挑战。工业制造企业AI落地要直面认知、数据、算法三道门槛：
构建机器学习圈，破解AI落地的认知门槛
首先，AI落地的第一道门槛是认知门槛。谈到AI，我们首先要正视一个问题：深度学习不是普通人能理解的交互方式，工艺、质量人员所关心的也不是科学家擅长的。怎样将工艺、质量人员关注的产品、机器问题和科技人员关注的深度神经网络技术结合到一起呢？需要把公众可认知的交互方式和科技结合起来，形成一个门槛比较低的人工智能构建过程，使算法与业务进行对接。
把这样的AI构建的过程标准化为四步标准动作，分别是“行动”、“反馈”、“反思”、“理论”。通过构建起闭环，形成机器学习的学习圈。AI应用应该像学习圈一样，将业务闭环与AI产生的过程融合到一起。以机器预测性维护为例，传统企业通过SOP和专家形成几十条预防性规则，而通过机器学习提升到了上万条，准确率提升并升级到提前预测性维护，而不是浪费资源、没有针对性的预防性维护。随着自学习系统持续优化模型效果，这个效果还将不断提高。
构建面向AI的大数据系统，破解AI落地的数据门槛
其次，认知门槛提到机器的反思、总结，这其实就是深度学习的过程，但如果缺乏有效数据，效果就会受影响，这就涉及到第二个门槛——数据门槛。
AI是基于大数据的，但很多企业有数据却不能产生AI，这是因为有大数据不等于就有AI。大数据分为两种，BI的大数据和AI的大数据，过去的大数据多数是为BI设计的，BI大数据主要是帮助人去总结一些经验，例如数据库，强调查询和统计。AI大数据是给机器看的数据，主要不是考虑查询和统计，需要的是完整和实效性高，譬如CEP、APC系统。因此两个大数据系统的设计理念天然会不同。我们经常会看到企业由于过去建设了面向BI的大数据系统，又将AI建设在这个大数据系统之上，非但没有帮到AI的落地，反倒成为AI落地的障碍。
面向AI的大数据系统，要能存取PB级甚至更大量的日志，一定要支持时序数据库的实时存储，可以不需要实时查询和统计，但又需要极其高效的批量存取能力。正是因为传统的BI大数据系统限制了AI的发展，企业需要一套面向AI的大数据系统。其次，基于面向AI的大数据系统，我们需要建立起学习圈中的行为数据和反馈数据的收集体系：收集行为数据，收集反馈数据，让机器自学习。
AutoML技术，破解AI落地的算法门槛
最后，关于算法的门槛，未来的AI，不应该依赖科学家来调参，而是让算法做到不需要科学家，让机器去学习。这也是破解AI落地算法门槛的关键。
让机器自动建模、自动调参，这在机器学习领域称为AutoML。要做到这一点，就要把机器学习或深度学习过程中高度专业化的参数设计环节自动化，而这过去往往都是顶级数据科学家的看家本领。我们AI这个领域，过去过多强调了科学家的调参能力，不利于AI的普及。不需要调参的AutoML，目的就是真正让企业也掌握自有AI能力。为此，将AutoML技术封装，能够让用户在没有机器学习研究背景的情况下开发机器学习模型、或是缩短数据科学家用来创建模型的时间和精力投入。
AutoML是AI赋能的重要方式之一，一个好的AI算法可能需要耗费工程师们1年的时间，而解决AI落地的问题可能需要花费一个团队10年时间。降低AI应用门槛，希望AI能普惠大众、赋能百业，不断在解决着阻挡企业AI落地的各种障碍。
AutoML开始迈向技术赋能企业AI落地之路。积累大量人工智能落地和企业服务的实践经验和方法，包括数以千计的团队掉进的陷进。帮助企业从低门槛构建模型开始，到为企业提供端到端AI覆盖能力和量产属性的AutoML核心系统，不仅解决了企业AI落地从0到1的各种问题，还赋予企业从1到N的强大能力。
AutoML走的不是一条颠覆式创新的路！
第三十四届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训
责编：content
免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。
