Fill form to unlock content
Error - something went wrong!
再一個步驟就能完成您的內容。 請於下方提交。
謝謝!
多感官 AI:減少停機時間並提升效率
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)。
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。