Skip to main content

安全與安全機制

多感官 AI:減少停機時間並提升效率

一位戴著黃色安全帽的男工程師在工廠檢查設備。

當您在路邊等待拖吊車,是不是總在那一刻才意識到自己忽略了 75,000 英哩的保養和安全檢查?「檢查機油」和低胎壓警報雖可避免危險情況,但您仍然可能陷入令人沮喪且耗時的故障情況。那麼將這種不便和生產力損失擴大到工廠規模:機器故障可能會導致所費不貲的停機時間。

這就是預測性維護派上用場的地方。機器學習可以分析正常工作流程中的模式,並及時偵測異常狀況,防止代價高昂的停機;但萬一發生在新的設備上,AI 沒有現有的資料可學習,那該怎麼辦?人類擅長處理新情況(即使效率低下)的某些特性,是否能在機器偵檢中加以利用?

基於 AI 的影片分析供應商 iOmniscient 的共同創辦人暨執行長 Rustom Kanga,對於預測性維護未來的這些和其他問題提供一些答案。他談到傳統機器學習在預測性維護方面的侷限;現有基礎架構何時可以成為預測解決方案的一環,以及在什麼情況下無法發揮作用,還有電子鼻又是什麼(影片 1)

影片 1。iOmniscient 執行長 Rustom Kanga 探討多感官和直覺式 AI 對預測性維護的影響。(資料來源:insight.tech

傳統的預測性維護方法有什麼侷限?

現今,人們談論人工智慧時,時常把它跟深度學習與機器學習技術畫上等號。舉例來說,如果您想讓 AI 偵測狗,您要找 50,000 張狗的圖片,並標記:「這是狗。那是狗。那是狗。那是狗。」一旦系統訓練完畢,下次狗狗出現,它就會知道那是一隻狗。這是深度學習的運作方式。

但如果您沒有針對特定或獨特類型的狗訓練系統,那麼它可能無法辨識那種動物。然後,您必須重新訓練系統。就這樣一而再、再而三的反覆訓練,訓練可能永無止境。

維護系統的挑戰在於,安裝新設備時,沒有任何設備如何故障或何時故障的記錄:您沒有進行深度學習的任何資料。因此,您必須要能預測在沒有資料的情況下會發生什麼事。

因此,我們所做的就是自主、多感官且基於 AI 的分析。自主的意思是,通常沒有人為參與,或者人為參與少之又少。多感官指的是,人類利用眼睛、耳朵、鼻子瞭解環境,而我們也如法炮製。我們進行影片分析、聲音分析、氣味分析;藉由這樣,瞭解環境中的情況。

多感官 AI 方法如何解決您提到的部分挑戰?

我們開發了一種名為 直覺式 AI 的功能。人工智慧就是模仿人類智慧,而人類不只使用記憶功能,深度學習本質上試圖複製的就是這一點。人類也使用自己的邏輯功能。他們具有演繹邏輯、歸納邏輯;他們利用直覺和創造力做出世界如何運作的決策。這和您心目中機器學習系統的運作方式天差地別。

我們做為公司所做的是,利用人類的能力建議系統尋找什麼,然後利用多感官功能尋找這些症狀。舉例來說,如果安裝了輸送帶,想知道它何時可能發生故障,那我們要尋找什麼來預測它運作不良?我們可能會聽它的聲音:當它開始「哐啷、哐啷、哐啷」響時,就表示有問題了。因此,我們運用自己的能力去看、去聽、去聞某個東西,瞭解它在任何特定時間如何運作,以及它是否顯示我們期望它快故障時出現的任何症狀。

您如何訓練 AI 做到這一點,而且是天衣無縫?

我們告訴系統人類可能會看到什麼。舉例來說,我們查看一些設備,認為最有可能發生故障的情況是生鏽。然後,我們要系統去尋找生鏽或變色的情況。接著,如果系統偵測到生鏽,就會告訴我們情況不對勁,是時候考慮更換或修理機器了。

直覺式 AI 不需要大量的資料。我們可以用 10 個或更少的資料集範例來訓練系統。由於需要的資料集很少,所以不需要大量運算也無需 GPU。我們純粹在標準 Intel CPU 上作業,而且仍能達到準確性。

我們最近為無人駕駛列車實施了一套系統。客戶希望確保沒有人因為在列車前方走動而受傷。這其實只需要一個簡單的入侵系統就好。事實上,攝影機公司提供了嵌入攝影機的入侵系統。鐵路公司也曾這麼做過,從一家信譽良好的公司買了幾部攝影機,進行入侵偵測。

唯一的問題是,每部攝影機每天都會收到大約 200 次誤報,導致整個系統無法使用。因此,他們設定了一個標準,即在整個網路中不能超過一次誤報。我們為他們實現了這項目標,在過去五年內,一直為他們的列車提供安全系統。

您的解決方案是否需要安裝新的硬體和裝置?

我們可以跟任何人的攝影機、任何人的麥克風整合;當然,攝影機必須能看到您想看的內容。然後,我們提供智慧。我們可以利用現有的視訊和音訊基礎架構。

不過,氣味是一種非常獨特的功能。沒有人製造能偵測工業氣味的氣味感應器,因此我們自行研發了電子鼻提供給客戶。這款獨特的裝置內建有六種左右的感應器。當然市面上找得到可以偵測單一分子的感應器。舉例來說,如果想偵測一氧化碳,就可以買感應器來偵測。但大多數的工業化學品要複雜得多。即使是一杯咖啡,裡面也有 400 種不同的分子。

可以請您分享一下其他使用案例,示範 iOmniscient 解決方案的實際應用嗎?

我要給您的這個使用案例,展現了這類系統在速度方面的真正價值。因為我們不是要標記 50,000 個物件,所以實際上可以極快地實施系統。我們受邀去機場,檢查垃圾室的問題,它位於機場下方,收集來自機場本身和降落班機上的垃圾。這個機場共有三、四十個垃圾室。

有時垃圾袋破掉、桶裡的垃圾滿出來,這種情況在所難免,但機場想找個方法確保垃圾室的整潔。於是他們決定利用人工智慧系統達成目標。他們邀了八家公司做概念驗證。他們說:「請花四週的時間訓練系統,然後向我們展示你的能力。」

四週後,沒有人能辦到。於是他們改口說:「花八週的時間好了。」後來又說:「那花十二週可以了吧。」由於涉及的變數太多,這些公司都無法生產出任何準確度高的系統。

最後他們找上我們,問道:「能不能夠來看看有什麼辦法?」我們星期二下午派了一位工程師過去,星期四上午就能展示準確度高達 100% 的系統。在不需要訓練 50,000 組資料的情況下,系統的實作速度就是這麼快。您不需要大量運算,也無需 GPU。這就是直覺式 AI 的美妙之處。

與 Intel 及其技術合作有何價值?

我們與 Intel 獨家合作,過去 23 年來一直都是他們的合作夥伴,保持非常密切且備具意義的關係。我們可以信任 Intel 產出的設備,瞭解它的運作方式,而且知道它始終都能正常運作。它也與舊版相容,這對我們來說很重要,因為客戶是長期購買產品。

iOmniscient 多感官直覺式 AI 的概念是如何演變的?

一開始的時候,很多人利用標準影片分析、影片動作偵測等方法來瞭解環境。我們開發的技術能在極艱巨、擁擠且複雜的情境中發揮作用,也因此在市場上處於有利地位。

時至今日,我們可以做的遠遠不止這些。我們做人臉辨識、車牌辨識,一切隱私都受到保護。我們開發基於視訊、音訊和氣味的系統。技術日新月異,我們也努力保持領先地位。

舉例來說,過去所有的分析都要求感應器處於靜止狀態:如果有攝影機,就得架在杆子或牆上。但當攝影機本身會移動,又會怎樣?如果是穿戴式攝影機,而人在移動,或是安裝在無人機或走動的機器人身上呢?我們開始研發即使在移動攝影機上也能使用的技術。我們稱之為「狂野的 AI」。

另一個例子是,我們最初為工業應用開發氣味技術,例如廢料管理工廠和機場廁所。但我們也發現,我們可以用相同的裝置來聞人的氣息,診斷早期的肺癌和乳癌。

目前這項產品我們尚未發布,我們正在進行臨床測試和臨床試驗,要以醫療裝置的形式發布。但這就是未來的展望。世事難料。20 年前,我們絕對無法想像會開發用來偵測癌症的裝置,但這正是我們前進的目標。

相關內容

若要進一步瞭解多感官 AI,請收聽多感官 AI:預測性維護的未來並閱讀多感官 AI 顛覆即時分析。若要瞭解 iOmniscient 最新的創新技術,請輸入 @iOmniscient1 在 X/Twitter 追蹤並在 LinkedIn 上關注。

 

本文由 Erin Noble 編審。

作者簡介

Christina Cardoza is an Editorial Director for insight.tech. Previously, she was the News Editor of the software development magazine SD Times and IT operations online publication ITOps Times. She received her bachelor’s degree in journalism from Stony Brook University, and has been writing about software development and technology throughout her entire career.

Profile Photo of Christina Cardoza