Генезис AIoT
На самой заре цифровой трансформации, в начале 2000-х, корпорация Motorola пыталась продвинуть концепт Intelligence Everywhere, объединяющий возможности интернета, устройств и искусственного интеллекта. Тогда это оказалось невозможным в силу недостаточного развитости техники, сетей и ПО. Теперь «умные» устройства стали компактнее, доступнее, и их применяют повсюду — в самых привычных рабочих и бытовых процессах. Интернет также стал повсеместным, мобильным и быстрым. «ИИ вещей» объединяет «умные» алгоритмы и устройства, которые сами учатся взаимодействовать друг с другом, вместе решая конкретные рутинные задачи.
Искусственный интеллект вещей позволяет отказаться от отправки больших потоков данных на корпоративные серверы или в облако. Используя встроенный ИИ, устройства сами справляются с поставленной задачей. Синергия технологий, ставших массовыми, впервые позволила обойтись без загрузки терабайт ненужных данных в масштабные дорогостоящие центры обработки данных (ЦОД). И это меняет всё.
Вычисления на границе — основа AIoT
Вычисления «на границе» (граничные вычисления, edge computing) позволяют обрабатывать данные прямо рядом с их источниками: камерами, датчиками, «умными» колонками и пр. Для этого используется компактное оборудование с нейросетями, которые сами обучаются. Все необходимое — идентификация, анализ, структурирование и обработка данных — происходит на месте, то есть «на краю системы». А в центральный сервер или облако отправляются «жемчужины» – самые важные и полезные данные, уже очищенные и сжатые до минимума.
С развитием техники и ПО «искусственного интеллекта вещей» стало намного проще применять его на простых и недорогих устройствах, которые окружают нас повсюду. Сегодня их количество растет невероятно быстро.
Простота, технологичность и экономичность монтажа устройств интернета вещей привела к их широкому их распространению и огромному массиву данных, которые совсем еще недавно требовалось отправке для обработки в датацентр. Для экономии энергии и надежности создали и используют специальные упрощенные стандарты связи: NB-IoT, LoRa, ZigBee, BLE и пр.
Благодаря развитию и воплощению концепта искусственного интеллекта вещей, граничным вычислениям, вероятно, их применение станет более узким и специальным. И уж точно отпадет необходимость строительства новых огромных дата-центров, инвестировать в кратное наращивание вычислительных мощностей и радио- и оптических каналов связи для обработки вала не вполне релевантной, «сырой» информации.
AIoT – ключ успеху любого вендора
При современном уровне развития технологий огромное количество онлайн-данных – несложно собрать передать и обработать. Сложность — в том, что разнообразных данных так много, что от них совсем не просто получить реальный толк: отделить или скомпилировать действительно ценные сведения, применить их и получить зримый эффект, реальную отдачу.
Искусственный интеллект вещей решает как раз эту — главную задачу: он помогает обработать данные на месте, прямо «под капотом», отбросив лишнюю информацию, отобрать самую важную, значимую и полезную. Как-бы превратить горы документации в ряд понятных диаграмм и коротких точных справок.
По этой причине искусственный интеллект вещей становится главным козырем в битве за клиента, дверью в мир множества сервисов, использующих реальные, а не интернет-данные.
AIoT – трансформатор и созидатель
При проектировании любой инновации, трансформация с помощью ИИ вещей, нужно, прежде всего, правильно поставить задачу внедрения.
Например, на производстве пластиковой упаковки — высокий процент брака (10% изделий не соответствуют стандартам). Это реальная, ощутимая проблема, влияющая на затраты и прибыльность. Менеджмент решает внедрить ИИ-контроль качества, чтобы снизить долю брака и повысить эффективность производства. На первый взгляд, задача на 100% разумна и понятна. Однако для надежной качественной реализации – слишком общая.
Из-за расплывчатой формулировки задачи специалисты и менеджеры проектной группы могут, например, разработать сложную систему мониторинга всех этапов производства. Это может включать лишних десятков и сотен датчиков, создание модели ИИ анализа качества, прогнозирование неисправностей оборудования и многое другое. На это уйдет уйма времени и ресурсов, а результат может оказаться далеким от желаемого: из-за сложности системы ее внедрение затянется, а небольшое улучшение на выходе не оправдает затрат.
Как в любом проектном менеджменте, необходимо максимально точно ответить на ряд вопросов:
● Почему возникает брак? На каком конкретно этапе?
● Какие данные нужно собирать и анализировать?
● Как получить наиболее релевантные сведения?
● Какие выводы, решения придется принять, какие изменения внедрить?
● Как будет выглядеть результат, какие показатели считать улучшением?
На каждом участке производства работает и своя логика, и конкретная задача, и критерии успешности. Важно выбрать участок наиболее практического применения Искусственного интеллекта Вещей, в которую инвестировать на старте проекта.
В Китае не раз сталкивались с расхождением ожидания от внедрений AIoT и реальной их пользы. Потому что одну и ту же комплексную ИИ-модель однотипно применяли на разных предприятиях в различных отраслях, однотипно интерпретируя параметры и выводы, которую она генерировала без учета уникальности производств и индустриальных объектов. Так по вине «умной» ИИ-системы контроля наводнений пара китайских городов попросту утонули.
Реализовать подход «управления на основе данных» с ИИ вещей легче, когда двигаешься от частного к общему, в итоге приходя к качественному росту первого общего показателя, например, — производительности труда или точности мониторинга.
Если технология «взлетела», дала результат на локальном, допустим, даже на небольшом производственном участке, ее можно уверенно масштабировать на однотипных или похожих, а потом уже применять для других.
Обкатав, таким образом, решение на участке, потом — на линии, затем постепенно оцифровав и автоматизировав весь завод, крупное предприятие. Накопив подобный опыт, логично перейти к построению платформе искусственного интеллекта вещей. Подключение к ней затем можно открыть другим предприятиям и даже отраслям. Продвигать и продавать как готовое облачное индустриальное решение, быстро внедряемый, недорогой сервис, при этом кратно повышающий эффективность. И это уже — большой, географически распределенный ИКТ-бизнес.
На AIoT-платформе различные предприятия и службы не только смогут собирать дата-сеты и обучать свои нейронные сети по единому стандарту. Обмен опытом цифровой трансформации станет практически автоматическим. Руководители впервые смогут получать необходимые сведения о ситуации и процессах на основе данных, собранных и обработанных, в том числе, в тысячах километров от их месторасположения.
*Мнение автора может не совпадать с мнением редакции.
