設為首頁   添加收藏  
服務熱線:0433-2753305
行業新聞
行業新聞 當前位置:創業軟件 > 行業新聞
  • 不要妄圖一夜實現「智能」,這里有AI工業落地幾乎必遇的「深坑」


    發布時間:2020-03-31   瀏覽次數: 813 次

  • 疫情前,豐融出差去了趟重慶,跟一個客戶談工業大腦的方案。但項目還沒來得及落地,疫情已經到來。

    豐融是阿里云工業大腦首席解決方案架構師。春節期間,客戶跟他電話溝通時,表示非常后悔,如果能早三個月接觸,項目在春節前落地,如今就可以用工業大腦托管控制系統,無需再為招工發愁了。

    疫情前期,可謂一工難求,甚至加錢員工都不愿意上工。這也在悄然改變產業方對于工業智能的看法。

    在新基建七大領域中,有三個(大數據中心、人工智能、工業互聯網)直接與智能制造相關,政策的引導與扶持,也為工業智能的落地與傳統企業的智能化轉型帶來良好的契機。

    自2017年以來,科研大牛、AI公司相繼涌入工業領域。前不久,原騰訊杰出科學家、優圖實驗室 X-Lab 負責人賈佳亞離職創業,智能制造便是新公司發力的重要領域。

    再往前翻,前阿里云機器智能首席科學家閔萬里去年亦離職創業,成立北高峰資本,制造業也是三大聚焦方向之一。

    然而,當每一位創業者、變革者拿起AI的工具,叩響工業之門時,撲面而來的是前所未有的挑戰,不僅有工業機理、領域知識的屏障,還有數據匱乏、模型泛化的挑戰,更有傳統企業的認知問題與信任缺乏。

    面對「AI工業落地之深坑」,無論技術提供方,還是產業方,該如何走出?

    透過阿里云工業大腦、庫柏特科技、阿丘科技、杉數科技等在工業領域的實戰,看他們如何從「深坑」中趟出一條工業智能之路。

    01 企業幾乎必遇的「深坑」

    在清華大學人工智能實驗室還未畢業時,黃耀就創辦了阿丘科技,如今已在工業視覺賽道摸爬滾打了3年多。

    創業以來,他一直聚焦解決工業檢測問題,跑了不下100個工廠,看到了行業的無數坑,自身也踩過許多坑。


    AI在工業檢測領域的落地,如同「技術成熟度曲線」所演繹的那樣,整個過程中會存在一個低谷,黃耀稱之為「AI工業落地之深坑」。

    他坦言,剛開始接觸AI時,客戶的工程師往往比較興奮,愿意去嘗試,用AI嘗試解決之前不可解的工業視覺難題,小樣本測試的結果通常非常好,比如傳統方法的識別準確率只有50%,而AI很短時間內就可以做到超過80%。

    這給了他們期望,推動公司投入更多資源進行AI項目導入??墒钱斶M行大量樣本測試時,盡管增加一定的數據可以讓模型準確度進一步提升,比如達到90%,但瓶頸隨之出現。

    盲目增加數據,帶來效果不一,有的缺陷項檢測效果可能變好,有的準確率反而會下降。此時往往進入一個震蕩期,工程師陷入其中而不得其解。

    黃耀稱,這種情況在AI落地工業檢測過程中遇到的概率高達90%以上,幾乎是必遇的坑。

    這一精度對工業而言,顯然遠遠不夠,AI難以達到上線要求。一些人開始失望,深度學習似乎遠沒有達到預期,許多AI項目逐漸擱置或邊緣化。

    這就是AI工業視覺落地之深坑。工業領域經常會出現一種情況,兩張差不多的「缺陷」照片,一張能夠被AI檢測出來,另一張卻沒有,甚至不明顯的被檢測出來,明顯的卻被漏掉了。

    此時,工程師需要的不是盲目增加數據,而是理性分析,找出問題的根源,優化直至模型達標上線。

    正如庫柏特創始人李淼所言,AI很大程度取決于數據和場景。


    工業AI問題的解決不能只局限問題本身,更應該基于工業應用的一般流程,從全流程中去優化關鍵問題,這也是運營的關鍵。

    在AI落地的流程中,每一個環節都值得推敲。李淼稱,場景選擇非常重要,不能太大,否則數據千奇百怪,也需要與大量行業專家溝通,合理定義問題的邊界。

    數據獲取直接影響模型的效果,往往需要算法工程師到現場搜集,成本很高,并且對標注人員要求較高,需要懂得行業知識。

    除了數據環節,后期的部署運維也需要耗費企業很多時間,進行實際樣本測試,算法人員駐場觀察,優化模型等。

    從整個流程來看,中間的模型訓練環節,反而不是AI公司的主要障礙,兩端則耗費大量的時間成本與人力成本。

    除了技術之坑、業務之坑,AI在工業落地中還面臨領域知識之坑、公司定位之坑、商業模式之坑等等。

    趟過一個個坑,這些公司完成了工業AI落地的「從0到1」,并實現一定規模的落地。透過他們的落地之路,更有助于我們思考,如何走出AI工業落地之深坑。

    02 砍掉98%業務,不做什么更重要

    波士頓動力機器人近乎花哨的表演,幾乎每隔一段都會上演。但業內人都清楚,它離實際場景太遠,并且難以商用。因為工業場景對機器人的精度要求極高,低于99.9%甚至無法商用,遠非實驗室可以達到。

    在庫柏特創始人李淼看來,機器人面臨的挑戰可分為3類:一是做不了,任務挑戰太大,智能性不夠;二是做不好,柔性不夠,適應性差;還有一類是不想做,細分市場規模較小,盈利空間有限。

    面對這些挑戰,機器人公司一方面需要結合AI、傳感器、工業軟件等提升機器的智能性與適應性;另一方面,也需要結合技術成熟度與市場判斷,選擇合適的「主戰場」。

    創業近4年的李淼,趟過無數坑后,做的一個艱難決定便是做什么、不做什么,定位在哪里,選擇什么商業模式。


    庫柏特定位于機器人操作系統,即給定一個真實任務,就可以從平臺中找到對應的機器人系統,來解決這個問題。它跟機器人本體進行打通,針對系統集成商的需求,面向行業提供解決方案。

    在最開始的AI落地中,ToB的創業公司往往會接觸大量場景,打磨技術同時培養產品化能力。

    2018年,庫柏特廣泛涉獵了3C電子、汽車零部件、食品、物流、醫療等眾多領域,但絕大多數時間都用在了「臟活」(dirty work)和極端案例中。

    「你費半天勁解決某個復雜技術難題后,可能只賣出去一套。一開始,對方說要一百套?!估铐翟劦?。

    與集成商和設備商合作,還是直接面向終端客戶提供服務,是一個艱難的商業選擇。

    李淼想要針對大的市場,實現機器人系統的產品化和規?;?。但深耕在集成商與設備商之后,企業很難把握終端客戶與市場的真實需求。

    后來他決定轉變,與渠道合作,直接與終端客戶簽訂合同。既然決定鋪渠道和規?;?,他又砍掉98%不成熟業務,將重心濃縮為一個平臺(操作系統),兩個領域(智能檢測和柔性抓?。?。

    具體到一個場景,以香菇分揀為例,機器人系統的落地并不容易,數據就是尤為突出的一個挑戰。

    其業務邏輯為,送料系統運輸香菇到檢測環境,經由光源與相機,獲取一張圖像,傳回智能控制器進行決策,除了判斷優、良,還需要進行分類或剔除,分裝到不同箱子中。

    這一工作原來由人工完成,早期并無數據積淀,需要算法工程師現場采集一個個香菇數據,并進行標注。


    但這一看似簡單的活并不容易。香菇個體有近10個維度的差異,包括花色、菇腿、卷邊、薄膜、殘缺等,需要存儲大量領域數據。

    數據標注的專業性也相當高,非專業人士標注水平比不上分揀工人,一個工廠中往往標注水平最高的是廠長。經由他們標注的圖像,能讓算法識別率躍升一個新高。

    此外,香菇特征很豐富,每個廠家的分類標準也不同,這對算法帶來很大挑戰;并且這樣一個實時性高的場景,對于算法的穩定性、決策的實時性也有更高要求。

    目前庫柏特的香菇分揀準確率可達90~95%,結合這一場景的特性,已能夠實現規模商用。

    李淼稱,一臺機器可替換4~6人,一條產線一般配5臺,可替換20~30人。這些工人一年最少也要100萬工資,而他們的產線目前售價75萬,6~10個月客戶就可以收回成本。

    一直以來,行業似乎更看好AI在自動化程度更高、數據更好的汽車、3C等領域落地。從庫柏特的案例來看,勞動密集型的食品加工業,無論材料或配方,往往變動更小,未嘗不是一個好的AI落地方向。

    03 問題導向,將AI和傳統視覺結合

    對于投身于工業視覺的阿丘科技而言,清晰認知AI能做什么,不能做什么,以及將AI算法和傳統算法相結合去解決具體問題,是實現AI工業落地的重要一步。

    工業視覺主要有四個應用場景,一是測量,比如計算兩點間的距離;二是識別,比如讀取各種條碼;三是定位、引導,識別位置,引導機械臂抓取或組裝等;四是檢測,典型的就是缺陷檢測。


    阿丘科技創始人黃耀解釋,2D/3D測量更強調精度,核心在于光學和傳感器,對硬件要求高,不是AI的主戰場。

    識別,算法復雜度不是很高,也不是工業AI的主戰場。特殊場景復雜OCR識別(光學字符識別),需要用AI才能很好解決。

    定位分2D定位與3D定位,工業領域大部分定位場景不需要AI來做。定位應用中,AI在一些種類較多的場景價值較大,比如物流領域,有成千上萬種SKU,場景較為復雜,適合AI來做定位、分揀等。

    至于檢測,他認為這是AI的主戰場,「AI在工業視覺的最大價值點,是解決復雜的缺陷檢測,這屬于行業難題,AI為它提供了新的可能性?!?/span>

    而傳統視覺檢測存在一系列問題,比如難以解決復雜檢測;存在過檢誤報過高,需要人工輔助復檢;重光學、重算法,對集成商、設備公司要求高;并且后期算法補丁越來越大,維護難度大。

    但黃耀坦言,國內能夠做一定復雜度的缺陷檢測的公司很少,很多做的屬于輕量簡單檢測,比如判斷有無等。

    一個典型的證明是,在黃耀去過的上百家工廠中,2017年質檢員約占10~20%,但到2019年質檢員已占到超30%。隨著自動化水平的提升,組裝的工人在減少,但檢測端,受限于技術等問題,仍需靠人力。

    因為在復雜的缺陷檢測中,每種產品可能存在數十種到數百種的缺陷類型,且每種缺陷存在多樣的形態和變種,可能分布在產品的任何一個位置。此外缺陷的認知,還存在人員間的主觀差異。這些都增加了問題的解決難度。

    以一個小小的連接器接口為例,涉及到的缺陷種類相當多,包括劃傷、臟污、溢膠等復雜缺陷。

    除了界定好問題,有針對性的獲取缺陷數據,并不斷優化AI模型外,還需要以具體問題為導向,綜合深度學習和傳統視覺,發揮各自的長處,來解決問題。


    針對膠圈間隙大、圓點超二分之一等精度測量問題,阿丘科技采用傳統視覺算法解決;針對套筒溢膠、套筒粘膠等難以察覺、且可能分布任意位置等問題,他們主要采用AI算法檢測。

    不僅如此,針對金手指刮傷/粘膠、端子粘膠包膠等其他問題,阿丘科技會動態調整算法,或以AI檢測為主,傳統算法為輔,或傳統算法為主,AI檢測為輔,來解決實際問題。

    目前阿丘科技的工業AI視覺平臺已落地多個行業,數十個應用場景。

    04 對行業理解越多,越充滿敬畏之心

    阿里云探索工業大腦已三年有余。

    其主要思路是,把生產全流程的數據打通匯聚,構建工業數據中臺,進而通過算法挖掘出數據的價值。簡單來說就是「數據智能」。

    互聯網起家的阿里云,天然具備AI、大數據、云計算的沃土,這也是其最初探索工業領域的三項核心技術。

    然而隨著工業領域探索的深入,互聯網人的局限進一步暴露,不懂工業機理,不懂領域知識。一個項目,往往需要AI算法人才、行業專家、行業集成商/方案商等多股力量,才能將工業大腦落地。

    這也是很多AI創企遇到的問題,以至于對行業理解越多,越充滿敬畏之心。


    阿里云的一個轉變是,將「專家知識庫」納入核心技術版圖,更加重視行業專家的力量,將傳統機理與數理結合。

    數據中臺,是阿里云工業大腦的核心能力之一。在落地鋼鐵、水泥、化工等不同領域的過程中,他們也在深化對于工業數據中臺的認知。


    阿里云工業大腦首席解決方案架構師豐融稱,數據中臺最核心的部分是「中間層」,今天數據中臺能不能做成,很大程度取決于中間層數據的治理是否合理,是否足夠完善,能否支撐上面的業務體系。

    目前工業領域的現狀是,企業內部數據往往割裂成「孤島」,直接使用容易變成「數據煙囪」,數據治理尤為重要。

    「只有中間層搭建好,這些跨領域的數據才能碰撞,發生化學反應?!?/span>

    以某水泥集團為例,它面臨的一個主要問題是熟料生產能耗高。在水泥行業,能耗成本約占生產經營成本的60%,其中主要能耗來自電耗和煤耗。

    阿里云通過工業大腦來托管水泥產線控制,通過模型來推薦相關指標參數,相比人工更穩定、合理性更高。目前工業大腦可將噸熟料煤耗降低0.64%,將熟料工序電耗降低1.23%。對于水泥企業而言,任何一個點的提升,一年都可以節省數百萬成本。

    豐融稱,目前工業大腦已經托管了客戶90%以上的控制場景,客戶反饋,工業大腦基本達到中級操作員水平。

    疫情期間,招工難、人工緊缺之下,AI工業自動化可謂正當時。而隨著復工復產,如何優化運營,進行智能供應鏈決策同樣重要。

    杉數科技聯合創始人&CPO王曦稱,企業在做供應鏈決策時,往往存在4個問題:

    看不清,難以看懂市場需求的波動性;靠人工,一方面靠人工做各類生產/銷售計劃,另一方面針對現有軟件給出的不合理結果,需要手動調整;效果差,訂單滿足率、生產成本、倉儲成本等難以優化;難應變,需求端變化、產能端變化、接單插單、轉產等運營問題,難以應變。

    針對這些問題,杉數科技推出智能供應鏈決策平臺,來輔助企業的生產計劃、調度計劃、銷售計劃等業務決策。其核心技術是依托運籌學和機器學習等搭建的杉數優化求解器(COPT)。

    以某ICT行業巨頭為例,原來單工廠、不透明的計劃排產系統難以滿足業務需求,面臨工廠間協同生產效率低下的問題。

    它有數十個工廠,超過10萬個零部件半成品,需要做一個28天+10周的訂單排程與需求預測計劃,這中間存在上億種可能性,千萬級限制條件。

    杉數為其打造一個最優生產計劃,可詳細到每一個零部件加工指令,同時包括原材料到貨指令、建議采購計劃與異常分析、預警等。

    最終使客戶的訂單滿足率提升20%,產能損失率降低30%,人工干預降低70%,帶來生產端資源池的盤活,效率較大提升。

    針對機器決策,王曦也談道,智能決策的目的不是替代人工,而是一個決策輔助工具,它要把人們從那些容易出錯,無法全局尋優的工作中解放出來。

    針對預測、分類問題,人類的先驗知識非常有價值,模型不一定準確,因為數據驅動的預測,本質只能解決歷史數據規律的最大化挖掘,但歷史數據不代表未來。

    而決策建議,當我們給定約束,比如產能、訂單、原材料、庫存等,可以讓機器去最優化一些目標。人可以找到一個合理解,但未必是最優解,這正是機器的價值。
河北11选5开奖现场 25选5必中万能组合 街机捕鱼电玩城游戏 秒速赛车大小单双计划 大唐盛世棋牌小说 gpk捕鱼技巧打法下大分 今天的22选5的开奖结果 赚钱的网络游戏公司 股票开收盘时间 星悦内蒙麻将官网 捕鱼王2送免费体验金