Versnel AI-projecten in de luchtvaart: overwinnen van angst, beperkingen en datagridlock

Elke mens ervaart angst, en dat op hun eigen individuele manier. In de AI-wereld wordt angst gedreven door onbekendheid met het proces, de professionele impact van falen en de ontzagwekkende taken om al die mensen en perspectieven bijeen te brengen die nodig zijn om gewoon te beginnen. In de luchtvaart wordt deze uitdaging verergerd door middelengebrek, supply chain-uitdagingen en marktvolatiliteit. Voeg massive hoeveelheden diverse, gedisconnecteerde data toe en je hebt het recept voor gridlock, mislukte projecten en verspilde geld.

Mislukken bij de lancering is echt. Hier zijn drie belangrijke lessen geleerd uit ons werk met Rolls-Royce en Gulfstream die uw AI-project vrijmaken voor de opstijging.

Les 1: Hoe eet je een olifant?

Een hapje per keer. Luchtvaartbedrijven willen operationele marges verhogen. Van verminderde downtime tot voorspellende kwaliteit tot voorspellen van beweging van kritieke onderdelen, zijn er genoeg kansen. Laat je niet vangen in alle mogelijkheden. Vind er een die snel bereikt kan worden en vestig de geloofwaardigheid van je team en leverancier. Dit is belangrijk omdat AI een iteratief proces is. Als de beschikbaarheid van data en subject matter expertise inconsistente is, zal je project stagneren. Bij Rolls-Royce bespraken we use cases voor Predictive Maintenance en schrotvermindering voordat we gekozen hebben voor Predictive Quality op de teststand. Waarom? Omdat de data en klantbronnen die we nodig hadden direct beschikbaar waren en het pad voor het integreren van de capaciteit duidelijk was. Denk aan Occams Scheermes: de meest voor de hand liggende weg is de beste.

Les 2: Verlies geen controle

Een kernpunt van twist tussen het bedrijf en IT is wie de controle over deze nieuwe capaciteit behoudt en hoe het ondersteonderhouden zal worden. Cloud vendors roemen snelle starts door gemakkelijk beschikbare, betaalbare infrastructuur. Voor het bedrijf vertegenwoordigt dit een helder pad om te beginnen zonder de bureaucratie van IT-processen. Echter, dit kan leiden tot technical lock-in; een situatie waar al je logica, modellen en dataprocessen vastzitten in één provider's systemen. Kosten zullen stijgen, flexibiliteit zal beperkt zijn en je voelt je vastgeklonken. Onthoud, de waarde zit in de logica, modellen en data-constructen – niet noodzakelijk de infrastructuur. Bij Gulfstream vermeden we deze val door containerisatie te gebruiken, een benadering die je logica en functionaliteit volledig draagbaar maakt, deployed en geschaald over elke combinatie van infrastructuur op basis van vereisten en kosten. Gulfstream kon controle behouden over hun intellectuele eigendom en kon het schalen naar de provider(s) van hun keuze.

Les 3: Begrijp de echte kosten

Het is makkelijk verliefd te worden op een snelle, simpele en betaalbare use case. Maar wat als je het wilt schalen naar meerdere lijnen, fabrieken en processen? Is het nog steeds snel, simpel en betaalbaar? Cloud-oplossingen kunnen hier misleidend zijn; opslag is goedkoop maar de rekencapaciteit die nodig is om modellen te trainen en te tunen, kan duur worden als datasets groeien. Een klant projecteerde een 35x toename in cloud-kosten geassocieerd met het schalen van een predictive maintenance model over vier fabrieksoperaties. Opnieuw kan containerisatie gebruikt worden om schaalkosten te optimaliseren. Bij Rolls-Royce gebruikten we containerisatie om modellen te her trainen op lagere kosten lokale infrastructuur, en deployden de hergetrainde modellen naar cloud-omgevingen voor optimale toegang en beschikbaarheid. Dit hielp de schaalkosten onder de 5 procent per jaar te houden.

Complexiteit, controle en kosten managen is kern van het succes van elk machine learning of AI-inspanning. We hebben templates ontwikkeld over jaren van projecten om deze richtlijnen over sleutelprojectteams te vereenvoudigen, begrijpen en communiceren.