در طی یک بحث تعاملی، مایکل گلیوز و حسن خالد بهترین کاربرد هوش مصنوعی در صنعت تولید را تشریح کردند و و راه‌های دستیابی به بازگشت واقعی سرمایه را نشان دادند.
از کجا شروع کنیم؟
مایکل گلیوز می‌گوید اتصال سنسورهای ساده و مقرون به صرفه به ماشین‌ها یک قدم خوب و آغازین برای دستیابی به تکنیک‌های یادگیری ماشین است. پس از برقرارشدن این جریان داده‌ها می‌توانید شناسایی الگوها و روندها را آغاز و شروع به بهینه‌سازی دارایی‌های خود کنید.
قدم مهم بعدی، تهیه اطلاعات بی‌طرفانه و با کیفیت است. بدون این اطلاعات شما نمی‌توانید در مورد چگونگی استخراج یک ارزش و مزیت رقابتی از جریان داده‌های خود فکر کنید.
به چه مهارت‌هایی نیاز دارید؟
حسن خالد در توضیح کاربرد هوش مصنوعی در صنعت می‌گوید: دانش فنی مهم است، اما از دانش مربوط به آن حوزه از صنعت نیز غافل نشوید. کسی که سال‌ها در خط تولید مشغول به کار بوده است ممکن است بتواند چیزهای زیادی به شما بگوید که در داده‌های خود نادیده گرفته‌اید.
همچنین مهندسی نرم‌افزار را دست کم نگیرید. بسیاری از کارها به دلیل نبود یک مهندس نرم‌افزار اشتباه پیش می‌روند. افرادی همچون من که دارای یک زمینه علمی هستیم باید مهارت‌های مهندسی نرم‌افزار را آموزش دهند تا این اطمینان حاصل شود که استفاده از کاربرد هوش مصنوعی در صنعت به درستی انجام شده است.
بیشتر شرکت‌ها چرخه “توسعه، آزمایش، کاوش” را به کار می‌گیرند، بنابراین همراه داشتن فردی در داخل مجموعه به منظور اجرای این چرخه بسیار مهم است.
مایکل گلیوز در ادامه می‌گوید اگر بخواهید بخش‌هایی از کسب و کار خود را با این فناوری‌ها جایگزین کنید به نظر می‌رسد باید تیم کوچکی از متخصصان ویژه داشته باشید که بتواند تکنولوژی مربوطه را تطبیق داده تا فرایند پیشرفت کسب و کار شما جلو بیفتد. همچنین بهتر است که در سازمان خود تا حدی از ظرفیت‌های داخلی استفاده کنید که بتوانید تصمیمات خرید هوشمندانه بگیرید.
همچنین تولیدکنندگان برای استفاده بهتر از این ابزارها باید فیزیک‌دانان و ستاره‌شناسان را جذب کنند و آموزش دهند. آنها ذهنیت درستی دارند و معمولاً به عنوان بخشی از دوران دکترای خود با این مسائل آشنا شده‌اند، بنابراین باید بتوانند نسبتاً راحت در این نقش‌ها ادغام شوند.
چگونه سرمایه‌گذاری اجرایی می‌شود؟
حسن خالد معتقد است این قسمت، سخت‌ترین بخش ماجرای استفاده از کاربرد هوش مصنوعی در صنعت است. این کار کمک می‌کند تا ایده‌ها و پروژه‌های شما با داده‌های گسترده‌تر سازمان یا استراتژی دیجیتال شما هماهنگ شود. اگر یک تست خاص با استراتژی شما مطابقت نداشت، پس احتمالاً بهتر است که زمان یا انرژی زیادی را صرف آن نکنید.
گلیوز می‌گوید ما شروع به اتخاذ یک رویکرد تتفکرمحور کرده‌ایم تا نیازهای کاربر را جمع‌آوری کنیم. بنابراین با استفاده از فناوری هوش مصنوعی یا تکنیک مورد نظر به طور ویژه روی مشکل کسب‌و‌کار یا یک مورد به خصوص تمرکز می‌کنیم و درباره آنچه که قبلا اتفاق اتفاده یا آنچه بعدها رخ می‌دهد و تاثیر آن در کسب و کار کاوش می‌کنیم.
یک نکته بسیار مهم این است که برای شروع پروژه‌های خوبی انتخاب کنید زیرا باعث ایجاد انگیزه حرکت و ادامه سرمایه‌گذاری می‌شود. اما در برخی از سطوح ممکن است یک فناوری خاص دارای ارزش زیادی باشد و مایل باشید در آن سرمایه‌گذاری کنید.
چگونه می توان از هوش مصنوعی و یادگیری ماشین برای پیش‌بینی مسائل مربوط به حفظ و نگهداری استفاده کرد؟
حسن خالد می‌گوید: از دیدگاه متخصصان، پیش‌بینی نحوه حفظ و نگهداری، یک مساله چالش‌برانگیز است زیرا بیشتر اوقات داده‌های شما به نظر نمی‌رسد که در حال شکست خوردن هستند، در نتیجه وقتی مثال‌های مغایر ندارید آموزش سیستم بسیار دشوار می‌شود.
ما آنالیزهای ویدئویی و تصویر زنده و همچنین تجزیه و تحلیل مبتنی بر نویز را انجام داده‌ایم. این فرصت ها اساساً بی پایان هستند ، اما سوال کلیدی این است که آیا داده‌ها می‌توانند تصویری واقعی از شکست و عدم یادگیری خود را به ما بدهند یا نه؟
گلیوز در ادامه صحبت درباره کاربرد هوش مصنوعی در صنعت می‌گوید: تکنیک‌هایی مانند استفاده از تشخیص الگو برای شناسایی انواع شکست‌ها و خرابی که در طی یک دوره زمانی اتفاق می‌افتد و سپس کار برای برنامه‌ریزی به‌منظور نگهداری و حفظ آنها به طور قابل توجهی مدنظر قرار داده شده است.
یکی از موارد مورد علاقه، استفاده از پردازش داده‌ها و ثبت آنها در سیستم‌های اسکادا برای شناسایی الگوهای خرابی است. با دیجیتالی کردن logهای مربوط به انسان و افزودن پردازش زبان طبیعی برای ایجاد زمینه‌های اضافی می‌توان این تلاش‌ها را تسریع کرد.
آیا پیشنهادهای هوش مصنوعی و یادگیری ماشین برای بنگاه‌های کوچک و متوسط واقع‌بینانه است؟
حسن خالد در این مورد می‌گوید این موارد ممکن است گران باشند و ممکن است تلاش‌های زیادی که وجود دارد با شکست مواجه شود. اگر بودجه شما محدود است نگران نباشید، شما می‌توانید این موضوع را با به‌کارگیری زمان بیشتر جبران کنید. نمی‌توان انتظار داشت هم زمان کمی گذاشت و هم سرمایه کم.
هم‌اکنون تعداد زیادی فناوری، کد، نشریات و توضیحات منبع‌باز در دسترس هستند. این به این معنی است که بیشتر کارها انجام شده است. برای سازمان‌هایی که قدم به این مسیر می‌گذارند باید در مورد استراتژی داده‌های خود به‌شدت فکر کنند. افزودن استراتژی یادگیری ماشین به داده‌های قبلی کمی ساده‌تر می شود.
گرانت‌رین چیز برای یک بنگاه کوچک و متوسط، خود استعداد است و در اینجا است که این بنگاه‌ها با سازمان‌های بزرگ رقابت می‌کنند. با توجه به مالکیت و انعطاف پذیری کار این بنگاه‌ها نباید مشکلی در زمینه استعدادها داشته باشند.
مایکل گلیوز در ادامه بحث مربوط به کاربرد هوش مصنوعی در صنعت می‌گوید: ما کارهای زیادی با بنگاه‌های کوچک و متوسط انجام داده‌ایم به ویژه در منطقه شهر لیورپول و از طریق برنامه LCR 4.0 (lcr4.uk) که در آن توانستیم برخی موارد استفاده تجهیزات خاص یا فرآیند کسب و کار را از داده‌هایی نشان دهیم و سپس آن داده‌ها را برای کسب مزیت پردازش کنیم.
بهترین زبان برنامه نویسی برای یادگیری برای پروژه‌های هوش مصنوعی و یادگیری ماشین چیست؟
حسن خالد در این مورد معتقد است برای شرکت‌های کوچک و متوسط پایتون از نظر توسعه منبع باز پیشرفت بزرگی داشته است، بنابراین دسترسی به آموزش‌های خوب و بسیاری از راه‌حل‌های آماده شده را فراهم می‌کند. اگر با سطح داده آمازون سر و کار دارید، ممکن است لازم باشد قابلیت‌های اضافه‌ای که در Scala ، SPARK و Julia موجودند را مدنظر قرار دهید.
انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید
منبع: هوشیو
