AI • 物聯網 • 網路邊緣

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。