Проекты Интернета вещей, периферийных вычислений и искусственного интеллекта окупаются для предприятий, основанных на активах

Источник · Перевод автора

Билл Холмс (Bill Holmes), менеджер по производству легендарных гитар Fender Stratocaster и Telecaster в Короне, Калифорния, слишком хорошо помнит, как прошел по заводскому цеху с примитивным портативным анализатором вибрации, а затем подключил устройство к компьютеру, чтобы получить показания состояния его оборудования.

В то время как все работы по дереву выполнялись вручную, когда Лео Фендер (Leo Fender) основал Fender Musical Instruments Corp. 75 лет назад, сегодня грифы и корпуса гитар производятся с помощью фрезерных станков с компьютерным контроллером, а затем передаются мастерам, которые создают конечный продукт. Холмс говорит, что он всегда ищет новейшие технологические достижения для решения проблем (он использует робототехнику, чтобы покрасить гитары), и нет более неприятной проблемы, чем поломки оборудования.

По его словам, профилактического обслуживания, когда машины привлекают внимание по заранее установленному графику, недостаточно. «Девяносто процентов поломок – это мгновенные сбои, приводящие к остановке процессов. Это тяжело для бизнеса. Если вы можете обнаружить сбой до того, как он случится, вы не остановите производство, и группа обслуживания не будет бегать по тушению пожаров».

Компания Fender, располагающая 1500 единиц оборудования на предприятии площадью 177000 квадратных футов, является классическим кандидатом для установки датчиков на оборудование и использования аналитики искусственного интеллекта для прогнозирования сбоев. Это именно то, что делает Fender, но с одной изюминкой: компания использует облачный сервис Amazon Monitron, поэтому вся обработка данных происходит в облаке Amazon.

Для небольших компаний, таких как Fender, полностью управляемый сервис Amazon является привлекательным, поскольку Amazon предоставляет беспроводные датчики, которые подключаются к шлюзу Wi-Fi Amazon через связь ближнего поля (NFC). Шлюзы Amazon предварительно настроены для отправки соответствующих данных в облако Amazon для анализа. Amazon разрабатывает алгоритмы машинного обучения, обрабатывает данные и отправляет оповещения непосредственно Холмсу.

«По сути, они снизили цену настолько, что семейные магазины могут установить это на одном из своих устройств и очень легко проводить мониторинг без обучения. Это огромно. У каждого производителя есть критически важное оборудование, которое будет остановите производство, если оно выйдет из строя», – говорит Холмс.

К настоящему времени Холмс оснастил девять критически важных машин и планирует развернуть систему на втором производственном предприятии в Энсенаде, Мексика. Использование облака дает дополнительное преимущество, позволяя Холмсу за один день агрегировать данные с обоих сайтов для дополнительного анализа. Кроме того, он ожидает, что сможет отслеживать оба сайта с единой панели управления.

Как периферийные вычисления позволяют ИИ

Дэйв Маккарти (Dave McCarthy), директор по исследованиям передовых стратегий в IDC, говорит, что в таких отраслях, как производство, транспорт, логистика, здравоохранение, розничная торговля, нефть и газ – практически в любой отрасли, имеющей физические активы – машинные данные – это «ветер в парусах» периферийных вычислений». Он добавляет: «Поиск значимого понимания данных, поступающих с этих машин, и автоматизация ответов на эти данные – это история ИИ».

Общее практическое правило заключается в том, что выполнение обработки ИИ на периферии лучше всего подходит для приложений реального времени, чувствительных к задержкам, которые не работали бы эффективно, если бы эти большие наборы данных приходилось отправлять в облако, – говорит Тилли Гилберт (Tilly Gilbert), старший консультант. в STL Partners. Помимо проблемы с задержкой, периферийные вычисления сокращают затраты на обратное соединение и помогают компаниям соблюдать правила конфиденциальности и политики безопасности, которые могут быть нарушены, если конфиденциальные данные будут отправлены за пределы площадки.

По словам Маккарти, обработка данных на основе искусственного интеллекта на периферии выходит за рамки нишевых вариантов и становится все более распространенной, движимая двумя бизнес-потребностями в увеличении времени безотказной работы и улучшении производительности

Ряд факторов объединяются, чтобы упростить развертывание периферийных устройств / ИИ, в том числе распространение физических активов, которые предварительно настроены с датчиками Интернета вещей, и увеличение числа поставщиков, предлагающих периферийные технологии. К ним относятся системные интеграторы, сторонние стартапы, поставщики гипермасштабируемых облаков, а также игроки традиционной инфраструктуры, которые позиционируют периферию как расширение центра обработки данных.

Для предприятий это позволяет им выполнять рабочие нагрузки в наиболее подходящем месте, будь то локально, в облаке или на периферии. Или комбинация – как показывает пример Fender, существует множество способов комбинировать и согласовывать технологии и подходы, чтобы получить лучшее от периферийного и облачного мира.

Как отмечает Маккарти, так же, как в наши дни большинство предприятий работают в гибридной облачной или мультиоблачной среде, пограничные приложения на основе ИИ не работают изолированно. Даже если обработка ИИ происходит на периферии, алгоритмы машинного обучения, вероятно, были разработаны, а модели обучались в облаке. И эти данные в реальном времени могут быть объединены и объединены в облако, чтобы обеспечить анализ наборов исторических данных, которые могут служить ориентиром для долгосрочного планирования.

ИИ в розничной торговле

По словам Гилберта, наиболее захватывающим аспектом комбинации Edge / AI является то, что она позволяет создавать новые приложения.

Поскольку многие предприятия не имеют навыков для разработки возможностей аналитики ИИ собственными силами или могут даже не знать о некоторых возможных сценариях использования, запускаемые третьи стороны берут на себя ведущую роль в разработке и развертывании готовых систем. . Например, крупные розничные торговцы, такие как Walmart и Kroger, развертывают периферийные системы на основе ИИ на кассах своих магазинов, чтобы уменьшить убытки из-за того, что покупатели случайно или намеренно не платят за все, что находится в корзине.

Алекс Сискос (Alex Siskos), вице-президент по стратегическому развитию ирландского стартапа Everseen, который предоставляет эту технологию как Walmart, так и Kroger, говорит, что его компания смогла решить ранее неразрешимую проблему для розничных продавцов: усадку или потери. Он говорит, что розничные торговцы знали, что теряют деньги на кассе самообслуживания, но не имели возможности определить, было ли это из-за искренних ошибок клиентов, из-за “возлюбленных”, когда сотрудники раздают товары друзьям, или из-за умных воров, которые, например, , может положить жевательную резинку под более крупный и более дорогой предмет, чтобы сканер взимал с покупателя плату только за жевательную резинку.

Компания Everseen стратегически размещает камеры компьютерного зрения с графическим процессором на кассах самообслуживания и разработала программное обеспечение, которое интегрируется со сканирующими системами розничного продавца, поэтому, если сканер говорит «палочка жевательной резинки», а камера видит «коробку с подгузниками», это означает разнообразие. действий можно запускать в реальном времени. Покупатель может получить всплывающее уведомление на экране оформления заказа, в котором говорится что-то вроде: «Возможно, аппарат неправильно отсканировал этот последний элемент». Идея состоит в том, чтобы дать клиентам возможность не сомневаться и позволить им исправить ситуацию до того, как потребуется вмешательство сотрудника. В крайнем случае, система имеет возможность воспроизвести видео о рассматриваемом действии прямо на экране дисплея самообслуживания.

«Мы можем превратить неструктурированные данные в понимание, действия и, в конечном итоге, прибыль», – говорит Сискос. По его оценкам, розничные торговцы экономят от 2500 до 4500 долларов на магазин в неделю за счет сокращения количества краж и повышения точности инвентаризации.

Система Everseen обрабатывает данные на периферии, потому что, как говорит Сискос, «вот где действие, вот где момент истины». Полностью интегрированное предложение состоит из серверов Dell PowerEdge с программным обеспечением Everseen, которое написано на платформе разработки, созданной поставщиком графических процессоров Nvidia. Но есть и облачные компоненты; модели обучаются в облаке, а управление и мониторинг происходят в облаке.

Кроме того, Everseen в настоящее время отслеживает более 100000 кассовых линий в США и Европе и отбирает 4-5-секундные клипы тех «моментов истины», где товары были отсканированы неправильно. Выбранные данные отправляются в облако для отчетов, а также для обучения алгоритмов. «ИИ – голодное животное, – говорит Сискос. «Чем больше вы его кормите, тем лучше он становится».

ИИ набирает обороты в здравоохранении

Здравоохранение – это еще одна область, в которой периферийные вычисления используют ИИ.

Доктор Эндрю Гостин (Andrew Gostine) – анестезиолог и предприниматель, который создал компанию, которая применяет ИИ для оптимизации ресурсов больниц, чтобы повысить эффективность и сэкономить деньги.

Больницы спасают жизни, но это тоже бизнес. Точно так же, как ресторанам нужно менять столы и размещать как можно больше вечеринок в течение дня, больницы должны делать то же самое с хирургическими кабинетами. Компания Гостина, Artisight, использует несколько беспроводных камер, установленных в хирургических кабинетах, для «управления воздушным движением». Например, в тот момент, когда пациента везут в операционную, анестезиолог и хирург получают уведомление автоматически. В коридоре за пределами операционной также есть большой экран, похожий на тот, который вы видели бы в аэропорту, сообщающий листовкам о статусе их рейса и о том, к какому выходу идти, что помогает убедиться, что сотрудники больницы находятся в нужном месте. и в нужное время.

Звучит довольно просто, но Гостин говорит, что его система обеспечивает рост производительности на 16% в больницах в районе Чикаго, где она развертывается. Система Artisight построена на платформе Nvidia Clara Guardian edge / AI для больниц и поставляется в виде предварительно упакованного пакета, который работает на серверах и хранилищах Dell. Обработка выполняется на месте, поскольку объем данных – Северо-западная мемориальная больница производит 1,2 петабайта видео в день – было бы слишком дорого для отправки в облако, а также создавало бы проблемы с задержкой, говорит Гостин.

Система Artisight очищает личность людей, чтобы сохранить их конфиденциальность. Он также записывает ключевые части операции, чтобы хирурги могли вернуться и изучить свою работу и поделиться видео со своими коллегами, чтобы получить обратную связь.

Гостин говорит, что эту технологию можно использовать во все возрастающем количестве периферийных вариантов использования. Например, камеры могут контролировать комнату пациента, чтобы определить, встает ли пациент с кровати и падает. Система также может контролировать палаты пациентов в рамках программы управления вместимостью – другими словами, немедленно уведомляя обслуживающий персонал, когда палата освобождена, вести инвентаризацию доступных комнат, проверять, было ли заменено постельное белье и что в нем установлено нужное медицинское оборудование. комната.

Все, кто следит за искусственным интеллектом, знают о смелом прогнозе IBM, согласно которому Watson однажды вылечит рак, но этот проект не принесет результатов. Гостин утверждает, что слишком многообещающие «чудодейственные лекарства» отбросили ИИ назад. Более важным, по его словам, является использование ИИ для приложений, которые могут быть более приземленными, но более практичными и могут повысить эффективность и сократить расходы, что в конечном итоге высвобождает ресурсы больницы, которые можно использовать для расширения обслуживания пациентов.