Is uw AI-strategie realistisch of een trap naar de hemel?

Luke Durcan, directeur van EcoStruxure bij Schneider Electric herinnert zich een executive bij een industrieel bedrijf iets horen zeggen in de trant van:“We willen wat AI doen. We willen zo snel mogelijk wat AI in ons proces krijgen.”

"Wanneer?" vroeg Durcan.

'Waarschijnlijk juli,' herinnerde Durcan zich de niet nader genoemde directeur. "Ja, we willen tegen juli wat AI hebben."

"Je kijkt een beetje naar de man, en dan realiseer je je dat hij het proces echt niet begrijpt. Hij begrijpt echt niet de onderliggende mechanismen en vereisten om daar te komen, "zei Durcan. “En de realiteit is dat er in een industriële context niet zoiets bestaat als AI. Het is marketing.”

Hoewel experts op het gebied van industriële en datawetenschap verschillende meningen hebben over vage noties zoals AI en het verband met bijna magisch ogende kunstmatige algemene intelligentie, zijn ze het eens over de noodzaak van een stapsgewijze en gedisciplineerde datacontextualisering en inzet van technieken zoals analyse, machine learning en dergelijke.

Atif Kureishy, ​​hoofd van het AI- en deep learning-initiatief van Teradata, beschouwt AI als een reeks ondersteunende technieken, waaronder analyse, machine learning en deep learning die worden gebruikt om een ​​bedrijfsresultaat te ondersteunen. "Als je bijvoorbeeld kijkt naar deep learning, dat een onderdeel is van machine learning, dan past het neurale netwerken, grote GPU-gebaseerde berekeningen en een hoge dimensionaliteit van gegevens toe om steeds nauwkeurigere voorspellingen te doen," zei Kureishy.

Wat betreft de industrieën die dergelijke technieken het snelst hebben omarmd, zijn zij de 'usual suspects', zei Kureishy, ​​waaronder consumententechnologie, financiële diensten en verzekeringen. Retail en telco maken deel uit van een groep die de volgende is, zei hij. Op het gebied van productie is de automobielsector een van de snelste sectoren om technieken zoals machine learning en computer vision te omarmen, gezien de interesse van die industrie in autonome voertuigen.

Durcan zei dat de olie- en gasindustrie een pionier is binnen de procesindustrie. "Deze [olie- en gas-]organisaties investeren al vele, vele jaren in data, infrastructuur en technologie, omdat het voor hen al vele, vele jaren waarde toevoegt", legt hij uit.

Verderop in de volwassenheidscurve in procesproductie zijn de verpakte consumentengoederen en de materialen, mineralen en mijnbouwsectoren, terwijl een aantal discrete productiebedrijven zoals elektronicafabrikanten "behoorlijk zeer geavanceerd" zijn, zei Durcan.

Dus, wat moeten achterblijvende industriële bedrijven doen om het verloren terrein in te halen als het gaat om een ​​Industrie 4.0-, slimme fabrieks- of AI-strategie - of welke term dan ook de voorkeur heeft? En wat moeten degenen in het midden van het peloton vervolgens doen?

Begin eerst met het doen van een zelfaudit en zorg er indien nodig voor dat uw organisatie een robuuste datawetenschapsbasis heeft. Een groot deel van Teradata's werk met industriële bedrijven omvat "het bouwen aan de fundamentele aspecten waarin onze bankklanten bijvoorbeeld de afgelopen 30 jaar hebben geïnvesteerd", zei Kureishy. Veel industriële bedrijven zijn bezig om te begrijpen welke soorten contextuele gegevens ze hebben, door sensoren te kalibreren en zich te concentreren op "data science 101"-aspecten met betrekking tot talent, tooling en hun omgeving.

Dat is niet te pikken op industriële bedrijven. Vorig jaar ontdekte Gartner dat meer dan 87% van de organisaties — in alle sectoren — een lage volwassenheid op het gebied van business intelligence en analyse hebben.

In een vroeg stadium kan een fabrikant een reeks sensoren voor zijn activiteiten hebben geïnstrumenteerd om een ​​beter inzicht te krijgen in de omstandigheden waaraan een materiaal wordt blootgesteld tijdens het productieproces. Zodra die organisatie haar gegevens in context kan volgen, kan ze beginnen met het opsporen van anomalieën die voorafgaan aan een fabricagefout die tot schroot leidt. "Dat is nog niet echt een voorspelling, maar dat wil zeggen:'Hé, ik kan nu beter karakteriseren wat er in dat productieproces gebeurt', zei Kureishy. "Omdat ik al deze telemetriegegevens naar buiten krijg en deze kan verwerken en analyseren en aan elkaar plakken, kan ik op een kwantitatieve manier beter karakteriseren wat er mis is gegaan."

In een vroeg stadium als dit en gedurende het hele proces benadrukte Durcan het belang van focus op mens en proces en technologie. "Binnen een typische brownfield-faciliteit zijn er mensen die er al 20, 30 of 40 jaar zijn en die waarschijnlijk veel meer over het proces weten dan jij ooit zal doen," zei hij. "En dan is er het proces zelf, dat opnieuw een evolutie in de tijd is. Je gaat dus manieren vinden om je technologie te integreren in de omgeving van mensen en processen om incrementele waarde te leveren.”

Industriële organisaties die hebben geïnvesteerd in het bouwen van een solide datawetenschapsbasis, kunnen dan beginnen met het verkennen van het potentieel van meer geavanceerde technieken zoals neurale netwerken. En naarmate hun volwassenheid vordert, kunnen ze overstappen van het karakteriseren van wat er in hun operaties gebeurt, naar het correleren van de variabelen die in die omgeving optreden en uiteindelijk het vaststellen van een oorzakelijk verband tussen variabelen. "Dat wil zeggen:'Als A gebeurt, treedt B op, dus ik weet dat C zich gaat materialiseren', legde Kureishy uit. “Dat brengt je in een betere voorspellingspositie. Je kunt beginnen te zeggen:‘Ik begin deze anomalieën te zien. Als je op een bepaald niveau niet ingrijpt, dan weet ik dat deze aandoening C gaat optreden.'”

Het volgende niveau breidt de verfijning uit. "Je kunt op een prescriptieve manier een echt duidelijke aanbeveling doen om een ​​proces op te lossen of te optimaliseren", voegde Kureishy eraan toe. Het hoogste niveau is waar dit hele proces van het opsporen van afwijkingen en het aanpakken ervan voordat ze grotere problemen veroorzaken, volledig geautomatiseerd is. "We hebben het over Terminator", grapte Kureishy.

Industriële organisaties moeten vermijden te concluderen dat hun AI-strategiereis een duidelijke eindbestemming heeft. "Er is geen nirvana over de heuvel," zei Durcan. "Dit wordt alleen maar ingewikkelder."

Ten slotte moeten brancheleiders begrijpen dat "integratie van gegevens van het grootste belang is, maar gegevens op zich zijn slechts het begin van een voorspellend model en een analytisch model", voegde Durcan eraan toe. Het is van vitaal belang dat dergelijke professionals hun activahiërarchie, activamodel en activacontext begrijpen. "Dan kun je beginnen met het opbouwen van meer diepgaande gedetailleerde informatie over de datastroom en data-infrastructuur rond je organisatie", voegde Durcan eraan toe. Van daaruit kunnen ze de gegevens gebruiken voor beschrijvende visualisaties en operationele reacties. "Dat is waar 90% van de mensen het voor gaat gebruiken", voegde hij eraan toe. "Maar je moet de eerste stap op de reis zetten om daar te komen."