Профилактическое обслуживание, ставшее возможным с помощью искусственного интеллекта, получит широкое распространение: вот что нужно бизнес-лидерам ...

Мы делимся уроками, полученными при настройке решений для профилактического обслуживания на предприятии.

Адаптируйте услуги к вашим потребностям. Предсказывать будущее. Автоматизируйте утомительные задачи, чтобы сосредоточиться на самом важном.

Это самые распространенные возможности машинного обучения на рынке сегодня. Однако каждый день мы видим, как разрекламированные технологии все чаще становятся неотъемлемой частью продуктов, которые мы обожаем. Адаптация предложений потокового видео к вашим вкусам с помощью системы рекомендаций; алгоритмы прогнозирования будущей урожайности на основе данных условий выращивания; чат-боты, которые делают навигацию по бюрократии в мэрии менее сложной задачей. Эти распространенные примеры показывают, что ИИ может приносить растущую ценность для бизнеса здесь и сейчас. Будьте готовы добавить в список еще один пункт: профилактическое обслуживание. Благодаря искусственному интеллекту, технология недавно перешла от теоретических приложений к коммерческим [1], благодаря чему ее первоначальное внедрение демонстрирует, почему она заслуживает внимания. лидеров бизнеса.

Прогнозирующее - иногда называемое упреждающим - обслуживанием уже используется в различных формах горсткой бесстрашных компаний и новых предпринимательских предприятий. Рассмотрим стартап Canscan в Монреале, который использует технологию компьютерного зрения, чтобы определить, когда отдельные транспортные контейнеры имеют слишком большой износ, путем выявления участков с чрезмерной коррозией или проколами. Также узнайте, что происходит в крупнейшем британском продуктовом онлайн-магазине Ocado. Использование ими колесных роботов для беспрепятственного перемещения заказов на продукты через обширные склады распределения недавно привлекло внимание журнала The Economist. Они сообщают, что, используя базовые данные в виде показателей энергопотребления и показаний крутящего момента колесных двигателей, компания обучила модели машинного обучения предсказывать, когда отдельный робот подвергается риску механической поломки до того, как это произойдет. Эти два наглядных примера демонстрируют потенциал этих новых технологий для обеспечения бесперебойной работы. Ожидайте, что эта высокотехнологичная тактика скоро перерастет в более сложные приложения.

Вопрос о том, как наилучшим образом внедрить первоклассную систему профилактического обслуживания в промышленном процессе или на крупном предприятии, еще не решен - это процесс, с которым мы имеем непосредственный опыт. Здесь мы делимся несколькими ключевыми идеями, которые мы продолжаем изучать по мере того, как мы в Zetane внедряем эту технологию для парка большегрузных автомобилей. Наша цель - выделить важные компоненты, необходимые для создания надежного решения для профилактического обслуживания, и стратегии, позволяющие избежать общих проблем при его реализации. Мы начнем с обзора потенциальных возможностей профилактического обслуживания в нескольких важных отраслях.

Потенциал профилактического обслуживания «не за горами»

Этот высокотехнологичный метод более эффективного управления операциями по техническому обслуживанию становится все более популярным среди людей с большими карманами. Множество ключевых рыночных индикаторов демонстрируют, что коммерческий потенциал услуг по профилактическому техническому обслуживанию велик на глобальном уровне. По оценкам, с 2019 по 2024 год глобальный рынок профилактического обслуживания будет расти с совокупными ежегодными темпами роста от 28,8% до 30,2% и достигнет 10,7–23 млрд долларов США, где его применение в обороне и на транспорте будет особенно важным [2,3 ]. По текущим оценкам, глобальный рынок профилактического обслуживания оценивается в более чем 2,8 миллиарда долларов США, где североамериканские компании лидируют по спросу на эту технологию [4].

Что именно такого ценного в профилактическом обслуживании, когда наши автомобили уже свистят нас раздражающим светом на приборной панели, напоминающим нам, что пора навестить механика? Во-первых, текущие графики технического обслуживания оборудования, начиная от легковых автомобилей и заканчивая парками большегрузных автомобилей, не меняются. Скорее, они обычно следуют универсальному стандарту, например, обслуживание автомобиля каждые 10 тысяч километров или 3 месяца использования. Или датчик в автомобиле укажет, когда механическая неисправность неизбежна. Это неэффективно, дорого и подвержено ошибкам, когда многие транспортные средства обслуживаются слишком рано, а другие - только после механического износа, которые можно избежать и, следовательно, дорого, а иногда даже опасно.

Необходимость защиты окружающей среды - еще одна область, в которой статус-кво обслуживания не соответствует требованиям. Сегодня все еще слишком распространено неприятное зрелище облака дыма, извергающегося из выхлопной трубы, когда двигатель не работает. Неэффективное обслуживание двигателей увеличивает расход топлива и, как следствие, выбросы парниковых газов и загрязнение воздуха твердыми частицами. Эта проблема примечательна, когда исследования строительных машин показывают, что улучшение графиков технического обслуживания может обеспечить важные и рентабельные стратегии для поддержки усилий по борьбе с изменением климата [5]. Текущие графики технического обслуживания просто не сокращают экологический фронт.

Ожидаемые преимущества профилактического обслуживания значительны. Согласно предыдущим исследованиям Министерства энергетики США (USDE) [6], по сравнению с текущими решениями по профилактическому обслуживанию, новые решения по профилактическому обслуживанию могут снизить связанные с этим расходы на 8% -12%. Сами по себе решения для профилактического обслуживания могут снизить затраты на 30-40% за счет снижения затрат на обслуживание, предотвращения поломок, предотвращения «простоев» и задержек в реализации проекта, а также повышения производительности. Исследования, проведенные Министерством сельского хозяйства США, оценивают, что решения по профилактическому обслуживанию могут принести окупаемость инвестиций (ROI) в 10 раз больше, чем инвестиции в технологию, что является поразительным.

Решения для профилактического обслуживания состоят из трех

AI обеспечивает значительное улучшение по сравнению с текущими операциями по техническому обслуживанию по нескольким направлениям. Хотя нам, людям, невозможно идентифицировать, мощные алгоритмы машинного обучения могут анализировать огромные объемы исторических данных, полученных в результате прошлых работ по техническому обслуживанию, и выявлять закономерности. Эти шаблоны, в свою очередь, могут делать точные прогнозы будущих потребностей в техническом обслуживании отдельных транспортных средств, позволяя экономически эффективно настраивать операции технического обслуживания, чтобы транспортные средства обслуживались только при необходимости.

Дополнительные преимущества связаны с возможностью значительно улучшить управление операциями по техническому обслуживанию. Обработка данных и оценки, сделанные с помощью алгоритмов профилактического обслуживания, часто являются базовыми показателями, которые легко передать в центр управления. Теперь возможно отображение информации как по отдельным автомобилям, так и по целым автопаркам, что позволяет компании отслеживать потребности в техническом обслуживании своего оборудования в режиме реального времени. Представьте, как это может повысить эффективность по сравнению с текущими операциями по техническому обслуживанию. Во-первых, эта технология позволяет меньшему количеству сотрудников эффективно контролировать и управлять операциями по техническому обслуживанию в корпорации, даже если парк автомобилей находится в нескольких местах.

Другой важный компонент решений для профилактического обслуживания включает вышеупомянутую технологию компьютерного зрения (также известную как «машинное зрение»). Способности «видеть мир» на базе искусственного интеллекта позволяют автоматизировать некоторые задачи, связанные с регулярным осмотром транспортных средств, для выполнения которых ранее требовался высококвалифицированный профессионал. Все более распространенная технология может анализировать видео и изображения транспортных средств и предупреждать должностных лиц о предполагаемых проблемах. Общие функции включают в себя способность определять незакрепленные петли дверей, проколы, коррозию, смещенные шины, деформированные и поврежденные детали и многое другое.

Вместе три компонента:

1) алгоритмы прогнозирования на основе исторических данных,

2) автоматизированные проверки компьютерным зрением и

3) центр управления

предоставить полный набор устройств для профилактического обслуживания, которые актуальны для любой отрасли, где используются автомобили большой грузоподъемности. В отличие от других технологий, которые устаревают, или оборудования, которое со временем приходит в негодность, решения AI могут обеспечить долгосрочную ценность, которая со временем может расти. Рост стоимости связан с тем, что технология искусственного интеллекта может стать более точной, если будет получать больше данных, получаемых с каждым днем.

Проверка на реальность

Профилактическое обслуживание далеко не все радужно. Давайте не будем обманывать себя новизной технологии; Это означает, что нам еще предстоит увидеть наши возможности по внедрению и использованию преимуществ решений для профилактического обслуживания в различных секторах. Поскольку мы являемся инновацией на основе ИИ, мы не можем игнорировать множество критических замечаний, связанных с усилиями по внедрению ИИ в бизнесе [7,8,9]. Эта статья началась с того, что ИИ слишком часто рекламируется и не дает никаких гарантий выявления невиданной эффективности и значительных прибылей [10]. Всего два года назад в авторитетных технологических оценках, предоставленных Gartner, многие инновации в области искусственного интеллекта находились на грани падения в свою печально известную «ложбину разочарования» [11]. Действительно, применение искусственного интеллекта к реальному применению профилактического обслуживания является передовым, и, таким образом, предыдущие примеры, демонстрирующие значительную отдачу от инвестиций в любой отраслевой вертикали, остаются ограниченными (несколько известных оценок окупаемости инвестиций, которые мы смогли найти, относятся к небольшому количеству из них). промышленные вертикали, указанные в: [12]). Дело здесь не в том, чтобы бояться инноваций; скорее, бизнес-лидеры должны иметь разумные ожидания. Да, потенциал для профилактического обслуживания огромен, но, вероятно, не эквивалентен для всех, кто использует эту технологию. И это, несомненно, сопряжено с определенным риском - но это можно сказать практически о любой новой технологии.

Тем не менее, руководителям необходимо будет оценить свой текущий аппетит к риску в период большой неопределенности из-за пандемии, которая будет с нами какое-то время. Учитывая текущий экономический спад, понятно, что компании в настоящее время более склонны к риску и, следовательно, менее склонны рисковать с новыми технологиями. Но компаниям было бы жаль упускать возможности для инноваций из-за страха перед факторами, которые находятся вне наших рук. Вместо этого бизнес-лидерам следует сосредоточиться на факторах риска, которые они могут контролировать. Вот несколько наших советов для нескольких факторов риска, которые находятся в пределах досягаемости.

Будьте разумны при планировании решения для профилактического обслуживания

Скорее всего, у вашего бизнеса не будет внутреннего отдела, изобилующего специалистами по ИИ. При представлении проектных предложений вам и вашей команде инженеров будет разумно найти технические детали проекта профилактического обслуживания абстрактными и временами запутанными - потому что это так. Поскольку коммерческий сектор искусственного интеллекта недавно отказался от теоретической исследовательской среды, эта зарождающаяся отрасль имеет тенденцию придерживаться практики и языка башни из слоновой кости. Приготовьтесь к куче непонятных таблиц, оценок ключевых показателей эффективности, представленных в цифровой записной книжке со строками компьютерного кода Python и презентациях PowerPoint, переполненных гипотетическими предположениями. Материальные и интуитивно понятные изображения ИИ и его создания остаются ограниченными.

Так быть не должно, и вам следует попросить показать «понятные для человека» версии технологии, прежде чем ставить подпись на пунктирной линии. Запросите у своего поставщика услуг ИИ более продуманные описания конечного продукта. Спросите, может ли он быть представлен в сценариях или симуляциях, как минимально жизнеспособный продукт (MVP) или как прототип, который может проверить ваша техническая группа. Обратите внимание, что эти более интуитивно понятные представления об искусственном интеллекте могут немного увеличить затраты и время на завершение проекта, но мы утверждаем, что эти разумные затраты окупаются.

Любой проект ИИ хорош настолько, насколько хороши данные, используемые для его создания, что создает второй ключевой риск, который должен быть на вашем радаре. Руководители IBM заявляют, что проблемы, связанные с данными, являются основной причиной, по которой их корпоративные клиенты, ищущие услуги ИИ, отказываются от проектов ИИ или уклоняются от них [13]. У некоторых предприятий уже есть банки четко организованных данных, как, например, вышеупомянутый случай с одесскими колесными роботами. Многим компаниям повезло меньше. Однако рост числа датчиков и оборудования для сбора данных из Интернета вещей (IoT) продолжает предоставлять доступ к разнообразным данным. Как ваш бизнес внедрил Интернет вещей, если вообще? Исторические данные о прошлых графиках технического обслуживания имеются в большом количестве в отраслях, где безопасность и надлежащая эксплуатационная практика строго регулируются, например, в авиации и предприятиях, эксплуатирующих пассажирские транспортные средства. Если ваша отрасль не входит в эту категорию, вам может потребоваться получение синтетических данных с использованием моделирования, а это связано с дополнительными затратами. Еще раз, мы предлагаем, что хороший способ оценить, есть ли у вашей организации достаточные качественные данные для решений по профилактическому обслуживанию, - это создать MVP или прототип с данными, которые у вас есть под рукой. Используйте этот период прототипирования, чтобы также оценить, есть ли у вашего поставщика услуг ИИ достаточно большая команда для обработки ваших данных в разумные сроки, и соответствующим образом согласовать свои ожидания с этими оценками.

Бегать по деталям командно-административного центра для профилактического обслуживания неразумно. Действительно, основная цель командного центра - предоставить практические средства для лучшего управления операциями по техническому обслуживанию; Также важно знать, насколько хорошо командный центр может интегрироваться в уже существующие рабочие процессы и предоставляет средства для беспрепятственного внедрения новых продуктов искусственного интеллекта в ваш бизнес. В целом командный центр должен быть мостом между работающей моделью ИИ и полезной операционной системой в корпоративной среде. Чтобы увидеть это в перспективе, рассмотрим пример из финансовой сферы. Алгоритм Falcon для обнаружения мошенничества значительно улучшил распознавание подозрительных транзакций. Технология томилась до тех пор, пока ее разработчик не предоставил банкам систему управления, которая могла бы передавать выходные данные алгоритма сотрудникам банка, которые затем блокировали или разрешали определенные транзакции.

Насколько уверенно вы себя чувствовали бы при развертывании технологии, если бы плохо понимали ее внутреннюю работу? Сомнения по этому поводу вполне разумны и распространены в секторе искусственного интеллекта. Учитывая сложность технологии искусственного интеллекта, понимание того, что происходит внутри моделей искусственного интеллекта, оказывается сложной задачей, поскольку в отрасли это проблема алгоритма черного ящика. В качестве последнего заслуживающего внимания риска бизнес-лидерам необходимо установить пределы того, насколько туманными могут быть их решения по профилактическому обслуживанию, основанные на разумных отраслевых стандартах. Этот порог низок, например, если машины и парк транспортных средств работают в критически важных контекстах, так что небольшая ошибка в прогнозе ИИ может превратиться в серьезную занозу в чьей-то стороне. Большую уверенность можно частично получить за счет оценки внутренней работы технологии искусственного интеллекта с использованием объяснимых инструментов искусственного интеллекта. Инструменты для проведения таких оценок становятся все более распространенными, часто сгруппированные под заголовком xAI Python Libraries, которые могут быть особенно полезными в проектах компьютерного зрения. Работая с вашим поставщиком услуг искусственного интеллекта, мы рекомендуем определить методы с использованием этих инструментов для взаимного контроля алгоритмов искусственного интеллекта, чтобы различные заинтересованные стороны могли проводить аудит безопасности и оценивать основные принципы работы решения для прогнозного обслуживания. Исходя из нашего опыта, анализ функциональных карт искусственных нейронных сетей в рамках алгоритмов и использование общих инструментов в xAI, таких как LIME и Grad-CAM, - отличный способ начать проливать свет в черный ящик.

Последние мысли

Решения для профилактического обслуживания на основе искусственного интеллекта могут показаться сложными, но во многих отношениях они являются яркими примерами того, что крупная консалтинговая фирма PwC называет «скучным искусственным интеллектом» [14]. В данном случае быть скучным - это не уничижительный термин, а достоинство. Чудесно скучные приложения машинного обучения на предприятии - это то, что вам нужно, потому что желаемые результаты решения AI легко определить. Вы сразу поймете, является ли решение для профилактического обслуживания хорошей инвестицией: оно либо снижает количество поломок оборудования и позволяет избежать затрат, либо нет. Еще одно преимущество простоты состоит в том, что решения для профилактического обслуживания можно разбить на более мелкие, более простые в управлении проекты. В сочетании с нашими рекомендованными стратегиями по снижению известных рисков мы уверены, что ваше предприятие тоже может извлечь выгоду из этого скучного приложения ИИ, которое, тем не менее, вызывает интерес у многих.