工业ai分析(工业AI面临五大挑战)
ChatGPT的横空出世引起国内外热议之时,让人工智能产业再起涟漪。近些年,随着AI在工业制造业中扮演着越来越重要的作用,不禁让人在想ChatGPT在工业领域能发挥怎样的作用?
原文链接:卡奥斯: 工业AI面临五大挑战
“ChatGPT能否在工业领域发挥功能,主要得看工业级下游任务的准确率够不够,不能单纯只看形式上是否可以支持该应用。”卡奥斯工业智能研究院工业AI技术总监王晓利在接受工业互联网世界记者采访时表示,ChatGPT是一个大规模预训练语言模型,它的动机是用向量数字化词、句在上下文中的语义表示,数字化语义表示越精准,它所能支持的下游应用就越多。
其实相较于2018年的GPT-1,ChatGPT在通用领域已经可以比较流畅、准确地支持多种下游任务。比如,提供线索自动生成文本、自动回复问题、头脑风暴、聊天、改写、摘要、分类、关键信息提取等功能。王晓利表示,工业领域的各个环节,其实都有对文本感知和认知的需求。盘点需求分析、产品设计、生产制造、物流、销售、服务等各个环节,都可以找到落地场景。
“工业领域需求越迫切、容错性越高的场景,落地速度就越快。”王晓利认为,ChatGPT如果应用于工业领域,应该会在需求分析和售后服务这两个阶段最先落地应用。因为这两个阶段是产品向服务体验转换的延伸,基于大数据技术,可以对个体感知认知有一定容错性。而设计、生产、物流、销售等环节,其知识库的构建、趋势预测等,要求准确率非常高,目前的ChatGPT还无法达到工业级对文本感知和认知的准确度需求。
王晓利坦言,虽然现阶段的ChatGPT精度还无法达到工业设计、生产环节的使用要求,但是通过工业领域的知识注入,结合通用语言模型知识和工业领域知识,将逐步推进其在工业领域的更多场景下使用。
ChatGPT的文本类回复功能虽在智能AI领域已经较为成熟,但若真正深入应用到工业领域还需走很长的路。王晓利告诉记者,互联网领域通用的AI模型开发和应用与工业领域有着非常明显的差异,主要体现在数据、需求规模、精度要求、算力支持、模型部署五个方面。她以工业视觉模型为例,进行了详细讲解。
一是数据样本的差别。通用领域的图像分类或者目标检测数据,比如花草检测,其采集难度和标注难度都较小,且不涉及信息安全和隐私,分享都很开放,一个目标获得上千张样本,是比较容易的。但在工业领域中,因为有信息安全方面的考量,常见的缺陷检测数据厂商很少愿意分享,同时数据采集难度也较大,所以在研发阶段,通常只有几十张缺陷样本。
二是模型需求规模不同。对比自动驾驶的视觉模型和工厂产线的视觉模型,前者可以投入大量的研发成本做模型开发,因为汽车量产后,模型需求规模大。而后者投入大量研发成本则可能无法收回,因为工厂产线的需求规模有限,对于复杂场景的解决方案,投入动力不足。同时,工业产品型号非常多,针对产品A的缺陷检测模型,对于产品B,可能完全无法使用,需要重新采集数据再训练。
三是精度需求差异较大。通用的视觉模型,准确率召回率在90%左右,普通用户就可以接受。但是工厂环境下,缺陷检测的误报,会导致生产线停转,漏报会导致产品质量不达标,因此模型的误报和漏报要求在千分位,对模型精度的要求远远高于通用AI模型。
四是企业算力支持。开发工业AI模型的机构基本分两类,一类是工业企业内部孵化,另一类是服务工业企业的外部供应商。前者因为模型的需求规模限制,没有动力投入大量算力支持AI的模型开发。后者因为没有形成规模,没有实力投入大规模的算力支持。
五是模型部署要求不同。工厂环境下部署视觉模型,需要考虑工厂产线的现场物理环境,安装摄像头、部署5G通信模块、和已有的产线动力联动、和MES系统打通管理信息等,同时算法升级需专人维护。但通用AI模型,用户只需从应用市场下载升级即可。
与此同时,王晓利还提到工业领域对于复合型AI技术人才要求更高,他们不仅需要掌握AI技术,更要了解工厂的实际运行情况。
“这些问题不仅是通用AI与工业AI之间的差别,也是现阶段AI模型在工业领域应用所要面对的挑战。”王晓利认为,要突破这些挑战,首先需要一个数据共享平台,可以挖掘隐私数据和非隐私数据的价值。其次需要一个注入了工业领域知识的智能大脑,比如Industry_GPT,可以减少工业数据的需求。再次挖掘模型的共性需求,提高共性模型的需求规模。最后合理使用多个性能比较弱的模型,比如群体智能、多模型融合、多模态融合等技术。
据了解,卡奥斯作为我国工业互联网“国家队”排头兵,在工业领域已形成了以感知智能为基础、认知智能为核心、群体智能为突破的AI发展规划。业务产品更是覆盖工业制造从需求分析、产品设计、生产制造到物流、销售、服务的各个环节,帮助工业制造业企业加快转型升级步伐。
最后,王晓利谈到AI技术未来在工业领域有着巨大的发展空间,并呈现出四个发展趋势。
一是在产品向服务和体验延伸的趋势下,会有更多的通用领域AI技术可复用,但应用场景还需继续挖掘;
二是在大规模个性化定制的趋势下,语言认知类模型将得到延伸升级。通用AI技术中的数据挖掘、文本分类、对话系统、个性化推荐模型,在大规模个性化定制的背景下,如果可以引入更多特征、支持更细粒度分类、更精准推荐,将发挥重要作用。
三是工业级大模型将涌现。工业级大模型是通用骨干网和工业适配网络的组合,其骨干网来自于通用的预训练大模型,比如ChatGPT这类大模型,而适配网络则相对轻量级,它注入了各种工业知识,比如,工业领域的词典、专利、设计文档、知识图谱、行业标准等。这样一个工业大模型,将会减少工业领域特定任务的数据需求量,提升ChatGPT等语言模型在工业领域的准确率。
四是多模态融合和群体智能解决复杂场景的模型需求增加。受限于需求规模、精度、算力等限制,导致工业领域直接复用通用的AI模型还有技术差距,而完全开发新模型的动力又显不足。在这个背景下,多模态融合和群体智能,是一个性价比较高的解决方案。比如人机协同的机器人,可以考虑把成熟的力感应方案和机器视觉方案融合,虽然单个解决方案还无法达到可用程度,但是多个方案的融合,在新场景下可以达到可用的性能。
相关文章:
相关推荐: