AI和ML对中小型企业是否现实？

DC的调研结果显示，超过九成的企业正在使用或计划在未来3年内使用人工智能，缺乏模型训练所需的数据、算力基础设施存在不足、人工智能应用方案的成本过高等因素是绝大部分企业目前面临的主要挑战。

　　制造企业，尤其是中小型企业，如何部署人工智能（AI）和机器学习（ML）的应用，以最大化的实现大数据带来的价值？来自STFC哈特里中心副主任Michael Gleaves和GSK公司数据科学家Hassan Khalid给出了一些AI和ML在工业应用中的建议，以及实现真正投资回报的方法。

　　从哪儿开始着手？

　　将简单且经济实惠的传感器连接到机器上，是使用机器学习技术的第一步。Michael认为，一旦你有了这些数据流，那么你就可以开始识别模式和趋势，并开始优化你的资产使用。

　　获得高质量、无偏见的数据至关重要。否则，你将无法考虑如何从这些数据流中提取价值。

　　您需要什么技能？

　　技术知识很重要，但请不要低估领域知识（domain knowledge）。在生产线上花了多年时间的人也许可以告诉您很多数据丢失的情况。

　　同样，不要低估软件工程。Hassan认为，很多事情之所以会出现不必要的错误，就是因为对软件工程的轻视。像我这样科学背景的人，必须要进行软件工程技能的训练，以确保我们实施的是真正要实现的技术。

　　大多数公司都采用“开发、测试、探索”周期，因此内部有人来参与和负责运行该周期非常重要。同样重要的是，让AI和ML专家为您的领域专家提供假设以进行良性循环测试。

　　“如果要用这些技术来颠覆您的部分业务，那么就需要组建一支拥有专业技能的小团队。”Michael建议。来自团队的力量将有助于调整这些技术并利用它们来推动您的业务发展。另外，您最好在组织中具有一定程度的内部能力，以便您可以制定更适合的购买决策。

　　制造企业还应该考虑吸引和重新培训具有物理和天文学科背景的人来使用这些工具。他们通常具有正确的思维方式，并且已将其编码为博士学位的一部分，因此他们应该能够相对轻松地转换为这些角色。

　　如何获得企业高层的支持？

　　这通常是最困难的部分，Hassan认为。获得企业高层的支持，将有助于使您的想法和项目与组织更广泛的数据或数字化策略保持一致。如果某个特定的实验与该策略不符，那么花太多的时间或资源可能不是最好的主意。

　　“我们已经开始将设计思维方法应用于用户需求收集。” Michael说。因此，除了预期的技术，还需要特别关注业务问题和用例，探索之前发生了什么，之后会发生什么，以及如何在业务中使用。

　　选择好的项目开始真的很关键，因为这能创造动力和持续投资。在某种程度上，必须要有一个信念的飞跃，您坚信选择的技术具有独特价值，并且企业愿意投资于它。 

　　AI和ML如何用于预测性维护问题？

　　作为一名多年AI经验的从业者，Hassan认为预测性维护是具有一定挑战性的。因为在大多数情况下，您的数据都不包含故障情况的示例。当您没有负面的例子时，就很难训练您的系统。

　　我们已经进行了视频和实时图像分析，以及基于噪声的分析，我们正在寻找振动的变化。这个过程可能是无止境的，关键的问题是数据是否给你提供了一个真实的失败场景，可以从中学习。

　　Michael建议采用诸如模式识别之类的技术，识别一段时间内发生的故障类型，然后将其安排到日常维护中。

　　一个日益受到关注的领域是利用SCADA系统中的数据处理和日志来识别故障模式。这些工作可以通过将人类日志数字化，并添加自然语言处理来提供额外的上下文情境辅助。

　　关于AI和ML的项目成本可能会变得很昂贵，并且有很多隐藏的尝试，可能也会面临失败。Hassan认为，对于中小企业来说，是可以在预算紧张的情况下实现目标的，但是必须做好随时进行调整的准备。如果您认为可以花费最少的时间和投资成本就成功实施，可能是不现实的。

　　现在有很多开源技术、代码、出版物和指南，这意味着大部分工作已经完成。对于开始这个旅程的企业来说，他们需要非常认真地思考他们的数据策略。相对而言，在这个数据基础上加入机器学习策略就会变得稍微简单一些。

　　对于中小型制造企业来说，最昂贵的成本可能是人才本身，这也是中小型企业与大型企业竞争差异悬殊的一个地方。不过话又说回来，只要拥有自主权和工作的灵活性，中小企业从巨头那里挖走顶尖人才也不是没有机会。

　　什么编码语言更适合？

　　对于中小型企业来说，Python在开源开发方面已经实现了飞跃，能够提供良好的教程和大量准备好的解决方案，是一个很好的选择。Hassan建议，如果你处理的是Amazo级别的数据，那么你可能需要考虑Scala、SPARK和Julia提供的附加功能。