A Morgan Stanley negyedéves felmérése szerint a CIO-k arról számoltak be, hogy jelenleg a munkaterhelések 25 százaléka fut a felhőben, de 2024 végére ez az arány 44 százalékra fog ugrani.
Az olyan vállalatok, mint a Landing AI és a Mariner, mesterséges intelligencia szoftverekkel segítik a termékhibák felderítését. A következő szinten a gyártók már a termékhibák ellenőrzéséhez rendkívül testre szabott algoritmikus modelleket szeretnének igénybe venni. Ezek a fejlesztőcégek szembe mennek azzal, amit a legtöbb nagy adatigényű AI-rendszer kínál. Modelljeik nagyon kis adathalmazok felhasználásával működnek.
Az olyan gyártók, mint a szerszámairól híres Stanley Black and Decker, eddig emberekre támaszkodtak a röntgenfelvételek sötétszobai monitorokon történő vizsgálatánál. A mesterséges intelligencia azonban könnyebben kiszúrja a homályos hibákat - mondta Amir Kashani, a cég ipari részlegének AI és digitális termékekért felelős igazgatója.
Az IBM, az AWS és a Microsoft által kínált előre elkészített gépi tanulási modellek a piacra újonnan érkezők szerint nem nyújtanak olyan szintű ellenőrzést vagy testreszabhatóságot, amilyet a gyártók szeretnének. A Landing AI vezérigazgatója, Andrew Ng elmondta, hogy várakozásai szerint a gyártóiparnak "több tízezer" egyedi AI-modellre lesz szüksége minden egyes egyedi terméktípushoz és hibához.
A nem a konkrét vállalati igényekre épülő gépi tanulási modellek új problémákat okozhatnak - állítja David Dewhirst, a gyári kamerarendszerekhez csatlakoztatható vizuális ellenőrzési hardvert és képfeldolgozó szoftvert forgalmazó Mariner marketing alelnöke. Elmondta, hogy látott már olyan rendszereket, amelyek nem vállalatspecifikus vizuális adatokkal betanított modellekből épültek fel, és tévesen egy ártalmatlan szöszpöttyöt jelöltek meg, amikor valódi hibákat, például foltokat kerestek, és a téves pozitív eredmények szükségtelenül lassíthatják a gyártósorokat, ami időbe és pénzbe kerülhet.
A termékanomáliák nem túl gyakran fordulnak elő, amikor a gyártási folyamat zökkenőmentesen zajlik, és ez tulajdonképpen dilemmát okoz azoknak a gyártóknak, amelyek mesterséges intelligenciát szeretnének alkalmazni ezek kiszűrésére.
A legtöbb gyártónak nincs több millió, ezer vagy akár több száz példája egy adott típusú hibára, amelyre figyelnie kell. Bizonyos esetekben mindössze 20-30 fotójuk van például egy szélvédőrepedésről vagy egy kis cső eltöréséről. "Képtelenség több ezer képet adni egy modell betanításához, hogy felismerje egy berendezés törését vagy a felületi bevonat hibáját" - mondta Marcos Fernandez, a Capgemini mérnöki tanácsadásért felelős igazgatója.
Ng szerint az adatok táplálékot jelentenek a mesterséges intelligencia számára, azaz nem csak a hatalmas kalóriamennyiségről van szó, hanem a jó ételről is. Befolyásos AI-mérnökként Ng elismeri, hogy 180 fokos fordulatot tett meg ahhoz képest, ahol egy évtizeddel ezelőtt volt az óriási adathalmazok neurális hálózatokba való pumpálásának evangélistájaként.
És van még egy trükkös probléma: az AI esetében az adatminőség kéz a kézben jár az adatok címkézésével vagy megjegyzésével.
Míg az egyik országban az egyik szakértő az acél hegesztési hibáját "salaknak" nevezheti, addig egy másik helyen vagy akár csak egy másik vállalatnál dolgozó kolléga másképp nevezheti, vagy vitatkozhat azon, hogyan definiálja, vagy egyáltalán van-e hiba. "Nincs általános igazság. Nincs két szakértő, aki biztosan egyetértene" - mondta Kashani.
I Forrás: computerworld.hu
