企業(yè)需要研究行業(yè)以外的組織如何應(yīng)用人工智能。殼牌公司、Uber公司以及Fellow Robots公司認(rèn)為，可以了解這些公司在人工智能領(lǐng)域取得成功的標(biāo)準(zhǔn)。
殼牌公司首席數(shù)據(jù)科學(xué)家Deval Pandya表示，他認(rèn)為與行業(yè)專家合作是人工智能成功的最重要標(biāo)準(zhǔn)之一。對主題有深入了解的專家提供了深度學(xué)習(xí)工具難以獨(dú)立分離的背景和細(xì)微差別。但他表示，在專家領(lǐng)域之外進(jìn)行研究也有很大的好處。
Pandya是近日在舊金山舉行的ReaWork應(yīng)用人工智能峰會(huì)的人工智能工程師和數(shù)據(jù)科學(xué)家小組的一員。參會(huì)者還包括IT領(lǐng)導(dǎo)者Uber公司和供應(yīng)鏈供應(yīng)商Fellow Robots公司，他們分享了應(yīng)用尖端人工智能解決業(yè)務(wù)問題的經(jīng)驗(yàn)。
以下是專家提出的人工智能成功標(biāo)準(zhǔn)的概述：
殼牌公司邊緣的數(shù)據(jù)匯總
首席數(shù)據(jù)科學(xué)家Pandya帶領(lǐng)的團(tuán)隊(duì)在殼牌公司的工作非常重要：其任務(wù)是弄清楚如何使用來自數(shù)十萬個(gè)傳感器的數(shù)據(jù)來優(yōu)化殼牌公司各個(gè)工廠的運(yùn)營方式，這些工廠包括碳?xì)浠衔锷a(chǎn)工廠、發(fā)電廠，以及煉油廠。
Pandya說，預(yù)測性維護(hù)是一個(gè)具有挑戰(zhàn)性的問題，因?yàn)閭鹘y(tǒng)煉油廠可能有40,000個(gè)閥門。他的團(tuán)隊(duì)正致力于創(chuàng)建一個(gè)框架用來構(gòu)建、運(yùn)行、維護(hù)、重新培訓(xùn)和評估的預(yù)測性維護(hù)模型，并在必要時(shí)退出，這些模型可以理解通過這些閥門收集的化學(xué)品流量傳感器數(shù)據(jù)。殼牌公司選擇了C3.ai公司的平臺(tái)，以減輕數(shù)據(jù)科學(xué)家和工程師在大規(guī)模部署這些模型時(shí)的負(fù)擔(dān)。
其面臨的一個(gè)挑戰(zhàn)在于將數(shù)據(jù)聚合和處理更接近其行為發(fā)生的位置，以便減輕云計(jì)算負(fù)載，減少延遲，并減少數(shù)據(jù)消耗。早在云計(jì)算出現(xiàn)之前，能源行業(yè)一直在努力解決這個(gè)問題。Pandya表示，他參與的第一個(gè)項(xiàng)目涉及處理地震圖像，一個(gè)100平方公里的數(shù)據(jù)區(qū)塊可能需要10 TB到15 TB的數(shù)據(jù)。Pandya估計(jì)，殼牌公司從所有油井收集到的數(shù)據(jù)可能比YouTube視頻數(shù)據(jù)加起來還要多10到15倍。
雖然殼牌公司習(xí)慣于處理這類數(shù)據(jù)，但Pandya的團(tuán)隊(duì)正在努力尋找在邊緣進(jìn)行更多處理的方法。他估計(jì)數(shù)據(jù)中心大約有30%到40%的工作量可以在邊緣進(jìn)行處理。其目的是將數(shù)據(jù)解析為特定項(xiàng)目的最相關(guān)信息。
Pandya說，在為殼牌公司推行這一新的邊緣戰(zhàn)略時(shí)，他偶然發(fā)現(xiàn)了其他行業(yè)的見解，這些見解有助于簡化這一開發(fā)過程。例如，他發(fā)現(xiàn)了一篇關(guān)于欺詐檢測的論文，描述了一種新的檢測異常的方法。事實(shí)證明，這適用于他的團(tuán)隊(duì)在設(shè)備上進(jìn)行的預(yù)測性維護(hù)的高級分析。
這一發(fā)現(xiàn)使他確信，了解其他可能試圖解決類似問題的行業(yè)非常重要。
Pandya說，“在我們的案例中，它恰好是異常檢測。有各種行業(yè)已經(jīng)在異常檢測中做了大量工作，銀行業(yè)和防止欺詐行業(yè)可能會(huì)更加成熟。”
人工智能成功的標(biāo)準(zhǔn)涉及Nvidia公司的新Jetson處理器
Fellow Robots公司一直在開發(fā)各種應(yīng)用在商店的機(jī)器人和數(shù)據(jù)收集設(shè)備，以改善庫存檢查，提供客戶幫助，并繪制商店布局。盡管該公司沒有像殼牌公司采用那么多的傳感器，但它還需要找到最有效的方法來收集和分析遠(yuǎn)程生成的數(shù)據(jù)。這包括用于確定機(jī)器人最佳移動(dòng)速度的數(shù)據(jù)、影響圖像采集和安全的指標(biāo);商店照明的數(shù)據(jù)、影響圖像識(shí)別的指標(biāo);以及機(jī)器人可能與之交互的人員類型的數(shù)據(jù)(這會(huì)影響用戶體驗(yàn)設(shè)計(jì))。
Fellow Robots公司人工智能工程師Jagadish Mahendran說，“我們花了很多時(shí)間規(guī)劃如何優(yōu)化數(shù)據(jù)采集系統(tǒng)，以便算法可以利用我們正在讀取的數(shù)據(jù)類型來概括不同的問題。”
Mahendran表示，當(dāng)該公司首次開始在商店中部署機(jī)器人時(shí)，他的團(tuán)隊(duì)向云端發(fā)送了如此多的數(shù)據(jù)，以至于處理時(shí)間變慢了。當(dāng)時(shí)，Mahendran聽說其他公司使用Nvidia公司的新Jetson處理器將人工智能處理轉(zhuǎn)移到低端GPU上的邊緣設(shè)備上。
該團(tuán)隊(duì)購買了一些開發(fā)板，Mahendran開始探索可以在其上運(yùn)行的算法的局限性。幾個(gè)月后，他能夠開發(fā)出一種新的算法，將本地處理時(shí)間縮短了大約25倍。
他說：“這正是我們當(dāng)時(shí)想要的結(jié)果。”
Mahendran說，在這樣的人工智能項(xiàng)目中，成功的最重要標(biāo)準(zhǔn)之一就是讓數(shù)據(jù)科學(xué)家與真正了解機(jī)器人將如何在商業(yè)環(huán)境中使用的專家合作，特別是機(jī)器人對客戶的影響。通過協(xié)作，人們可以更容易地確定要收集的數(shù)據(jù)類型以及處理可以推送到邊緣的數(shù)據(jù)的算法類型。
人類審查人工智能成功的要求
殼牌公司的Pandya支持?jǐn)?shù)據(jù)科學(xué)家與主題專家合作的最佳實(shí)踐，以確定需要哪些數(shù)據(jù)。殼牌的專家包括地球物理學(xué)家以及維護(hù)工程師，他們幫助數(shù)據(jù)科學(xué)家從核電站的傳感器中找出需要優(yōu)先處理的信號(hào)。
Pandya說，他的數(shù)據(jù)科學(xué)家團(tuán)隊(duì)可能會(huì)識(shí)別出由傳感器輸入數(shù)據(jù)的各種組合創(chuàng)建的前200個(gè)機(jī)器學(xué)習(xí)模型功能。但是，實(shí)驗(yàn)室和工藝工程師有時(shí)會(huì)決定算法應(yīng)該關(guān)注另一個(gè)列表。
Pandya說，“需要嘗試將這兩種方法結(jié)合起來。”
Pandya強(qiáng)調(diào)，雖然預(yù)測性維護(hù)算法可以通過優(yōu)化維修計(jì)劃來節(jié)省資金，但他們的建議需要經(jīng)過人類的審查。
他說，“真正困難的是，誤報(bào)的代價(jià)是巨大的。”
如果信用卡公司將可疑交易標(biāo)記為誤報(bào)，則可能給客戶帶來不便。如果殼牌公司關(guān)閉煉油廠以便在不需要時(shí)修理某些設(shè)備，那么可能會(huì)損失數(shù)百萬美元。
他補(bǔ)充說，“但是，不及時(shí)修理機(jī)器的另一種選擇可能更糟。所有各方都必須就何時(shí)以及如何應(yīng)用人工智能進(jìn)行溝通。”
跨團(tuán)隊(duì)溝通
實(shí)際上，人們在應(yīng)用人工智能時(shí)可能比使用其他技術(shù)更難以導(dǎo)航。Pandya說，他一般認(rèn)為這項(xiàng)技術(shù)已經(jīng)足夠成熟，可以開展實(shí)際工作，但將人們聚集在一起也需要大量的情商。
Pandya問道，“如何讓一個(gè)從事這項(xiàng)工作30多年的煉油廠設(shè)備工程師來考慮采用這項(xiàng)技術(shù)?”
例如，其團(tuán)隊(duì)的一些應(yīng)用人工智能的工作正受到一線工程師的歡迎。同時(shí)，該公司明白，開發(fā)更好的算法可以從根本上改變其運(yùn)作方式。
他說，“但我們必須對如何繼續(xù)實(shí)施這一目標(biāo)保持謹(jǐn)慎。”
Pandya表示，在人工智能方面，他還必須弄清楚如何引進(jìn)人才，不僅具有機(jī)器學(xué)習(xí)技能，而且還具備一些學(xué)科經(jīng)驗(yàn)，這樣他的團(tuán)隊(duì)才能與各種專家進(jìn)行交流。
殼牌公司團(tuán)隊(duì)組成通常包括與機(jī)器學(xué)習(xí)工程師合作的產(chǎn)品所有者。來自產(chǎn)品團(tuán)隊(duì)的一些不同類型的主題專家包括過程工程師、實(shí)驗(yàn)室工程師、鉆井設(shè)備工程師、經(jīng)濟(jì)學(xué)家，他們可能參與一個(gè)項(xiàng)目，以便為預(yù)測性維護(hù)或最佳操作制定更好的人工智能。
這種有度量的、包容性的方法在培養(yǎng)企業(yè)各業(yè)務(wù)部門的積極性方面取得了成效，其結(jié)果是，他的團(tuán)隊(duì)現(xiàn)在得到了更多的新項(xiàng)目的主動(dòng)請求，而不是拖延。
Uber公司的新網(wǎng)絡(luò)是人工智能成功的關(guān)鍵
Uber公司負(fù)責(zé)應(yīng)用機(jī)器學(xué)習(xí)的高級數(shù)據(jù)科學(xué)家Huaixiu Zheng表示，Uber公司人工智能研究人員實(shí)際上在改善整個(gè)公司的團(tuán)隊(duì)和流程之間的溝通方面發(fā)揮了作用。
他說，“成功的人工智能通常能夠與不同的團(tuán)體交流。”
這是一個(gè)從傳統(tǒng)軟件工程的巨大轉(zhuǎn)變，在傳統(tǒng)軟件工程中，設(shè)計(jì)師或項(xiàng)目經(jīng)理將創(chuàng)建一個(gè)概念，軟件工程師將執(zhí)行他們的訂單。現(xiàn)在，有另一個(gè)參與者加入進(jìn)來，將人工智能算法引入軟件工程系統(tǒng)，并作為一種橋梁與各方合作。
他說，“這對我們所有在人工智能領(lǐng)域工作的人來說是一個(gè)巨大的挑戰(zhàn)和機(jī)遇。”
例如，Uber公司在解決客戶投訴方面有一個(gè)笨拙的流程。當(dāng)客戶對司機(jī)不滿意、收費(fèi)高于預(yù)期或丟失物品時(shí)，他們會(huì)進(jìn)行溝通。
他說，“所有人都在做決定，這對客戶而言非常繁瑣，對企業(yè)來說效率不高。”
因此，人工智能開發(fā)團(tuán)隊(duì)與客戶解決專家合作，找出哪些類型的請求可以自動(dòng)解決。
他說，“在項(xiàng)目早期進(jìn)行這些對話是非常強(qiáng)大的。”
