Harel Kodesh
雷锋网(公众号：雷锋网)「新智造」按：当人们提到人工智能的时候，绝大多数人想到的是消费级人工智能，但事实上，人工智能在工业和制造业领域也拥有广泛的运用。近日，通用电气数字业务（GE
Digital）的首席技术官（CTO）Harel
Kodesh接受专访时谈到了工业人工智能与消费人工智能的四大区别，并且对工业人工智能所遇到的困境进行了分析。下面和雷锋网一起来看看吧。新智造作为雷锋网旗下栏目，关注智能时代的创新与创造，目标是为创业者和投资人找到创投的机会。
在提到工业和制造业人工智能的时候，人们的第一反应是机器人。事实上，很多创新企业，比如Rodney Brooks创办的Rethink Robotics，已经开发出了外表和善的工厂机器人，它们和人类同事们一起不停地忙碌着。
历史上，工业机器人通常被设计用来执行特定的细分任务，而现代机器人则被授予了新的使命：做出实时决策。
Rethink Robotics
尽管机器人的外表可以很光鲜亮丽，但在制造业中，绝大多数人工智能的价值是将传感器和常规硬件中的数据转换为智能预测，来帮助企业做出更好更快的决策。
当前，有150亿台机器连接到互联网。到2020年，思科（Cisco）预测这一数字将超过500亿。将这些机器一起连接到云端的智能自动化系统中，会是制造业和工业发展的下一个重要突破。
2015年，通用电气（General Electric）推出了GE Digital，以推动各部门的软件创新。GE Digital的首席技术官（CTO）Harel Kodesh，与我们分享了人工智能在工业应用上所面对的独特挑战。
1、工业数据经常是不准确的
“要机器学习正常工作，你需要大量的数据。消费级的数据很难被误读，比如，你买了一个披萨或者点了一下广告，那么你的数据就是披萨和广告的信息。”Kodesh说道。“可是，当你观察工业互联网的时候，40%的数据是有争议的，而且这些数据没有任何用处。”
举个例子，当你使用联合收割机的时候，你必须计算联合收割机要钻多深，并且你需要将湿度传感器插到地面进行测量。此外，你的读数可能会受到各种条件的影响，比如极端温度、人为意外、硬件故障，甚至一只小虫无意间进入到了设备之中也会造成不小的影响。
Kodesh强调：“我们可不是从你舒适和安全的书房电脑中获取数据的。”
2、工业人工智能在终端运行，而不是云端
消费级数据是由看起来拥有无限容量的云计算集中处理的。亚马逊（Amazon）可以奢侈地用他们的时间来大数据跟踪你的浏览和购买记录，并且向你展示新的推荐。
Kodesh指出：“在消费预测当中，就算预测错了也不会有什么大问题。你很快就会忘了亚马逊曾经给你推荐过什么烂书。”
而在千里之外的深海石油钻井平台上，有一个名为提升管的设备，一种将油从海底油井运送到地面设备的导管。如果提升管出现了某个问题，好几个夹具必须立即响应关闭阀门。那些管理夹具执行器的复杂软件必须能够追踪实时的温度和压力才行。而且错误的代价是可怕的，任何错误都可能意味着灾难。
对工业应用来说，对风险控制和响应能力的要求高的多，因为人们的生命安全以及数百万美元的宝贵资源都依靠着这些应用。在这种情况下，工业级的功能就不可能放在云端运行，必须在本地实现，也就是在我们所说的“终端”。
工业人工智能被构建为一个端到端的系统，Kodesh比喻它为“往返机票”，数据直接由终端的传感器生成，然后送达到算法，在云端建模，接着移回终端执行。在终端和云之间有主管网关和计算机存储的多个节点，因为整个系统必须在正确的位置运行正确的载荷。
在铂金条的制造设备中，如果生产的铂金条成分有问题，那么系统应该立即识别出来，以便于在开始的时候调节压力。任何延迟都意味着原材料的浪费。
同样的，一个风力发电机会不间断地获取数据以控制操作。Kodesh特意强调了某种故障的可能性：“在数据的第百万个字节可能是叶片扭矩的数据，如果扭矩太高，发电机的叶片就会掉落。而我们需要在第一时间知道这个关键信息数据，即使在数据队列中它排在百万位以后。”
提供正确的实时数据是一项非常艰巨的任务，以至于通用电气必须依靠定制的内部解决方案才行。“Spark技术很快，”Kodesh承认，“但是当你必须要在10毫秒内做出决定时，你需要不同的解决方案。”
深海石油钻井平台
3、单次预测花费超过1000美元
尽管错误数据量巨大，终端的处理能力也有限，但工业人工智能依然需要表现的非常准确。
如果飞机上的分析系统判断一个引擎出现了故障，专业的技术人员和工程师必须前往拆卸和维修故障部件。同时，飞机制造方还要向航空公司提供一个备用引擎，以便航空公司能顺利完成飞行计划。整个行动和交易能毫不费力地花费超过20万美元。
Kodesh说：“在没有问题的时候，我们不会告知你有问题；当出现问题的时候，我们更不会告诉你没出现问题。我们要确保有一个精度非常高的系统。”
根据Kodesh的说法，唯一能够确保这种高精度和表现的方法，就是同时运行数千种算法。一个类似亚马逊的消费公司，可能在一本书上的利润是1-9美元，所以他们只愿意为每个顾客的预测花0.001美元。但是对于工业和制造业巨头们来说，由于有数十万美元的风险，所以他们每次预测的花费都在40-1000美元之间。
Kodesh透露：“用1000美元，我可以同时运行大量算法，并且将结果汇总，最后使用遗传算法来增加预测准确度。”
4、复杂模型必须被解释
消费者们很少会问亚马逊为何能做出具体的推荐。可是，对于工业和制造业，当风险增高的时候，人们就会开始提出问题了。一个在某领域已经工作了45年的技术人员，绝对不会相信一个无法解释其预测原理的机器。
为了实现这种高度的可解释性，通用电气需要发明全新的技术。但不幸的是，他们所需要的人才实在是太稀缺了。
Kodesh抱怨说：“我很佩服那些试图把市场需求和新数据科学家进行匹配的学校，但是这些人的数学能力太浅了。一个真正的数据科学家需要有更多的学术深度。他们需要成为能够实时过滤和规范百万个数据点的顶尖专家。”
本文作者：亚萌
本文转自雷锋网禁止二次转载，原文链接