예측 유지보수 및 산업 혁명 예측

인공 지능은 얼마나 변혁적입니까? 그 겉보기에 간단한 질문은 대답하기 까다로울 수 있습니다.

우선, 이 용어는 종종 모호한 의미를 갖습니다. 종종 이 용어는 "인공 일반 지능" 또는 "강력한 AI"의 약어입니다. 이 이론적 구성에서 비유기적 지능은 추론하고 일련의 작업을 수행하는 능력이 있습니다. 또한 할리우드가 "터미네이터"와 같은 영화에서 언급한 AI 유형과 Elon Musk 및 Bill Gates와 같은 디스토피아적 공포를 불러일으키는 다양성입니다. 그러나 그러한 형태의 AI가 언제 존재하게 될 것인지에 대한 질문은 단호하게 대답할 수 없습니다. 가트너는 좁은 작업에서 훈련된 기계가 체스와 최근에는 바둑과 같은 지적 게임에서 인간을 능가할 수 있지만 연구자들이 인간의 추론에 근접할 수 있는 기계를 만들기까지는 수십 년이 걸릴 것이라고 추론합니다. "Architects of Intelligence:AI를 구축하는 사람들이 말하는 AI에 대한 진실"의 저자인 Martin Ford는 대부분의 전문가들이 강력한 AI가 확실히 예측할 수 없는 것이라고 생각한다고 말했습니다.

산업혁명도 마찬가지인 것 같다. Industrie 4.0과 같은 개념은 AI, IIoT 및 기타 기술의 융합이 다음 산업 혁명을 촉진할 수 있음을 광범위하게 암시하지만, 서구 국가의 생산성은 수십 년 동안 부진했습니다. 3월 미국의 공장, 광산 및 유틸리티 산업 생산은 0.1% 하락했으며, 이는 WSJ가 말했듯이 "제조업이 소프트 패치에 도달했다는 견해를 강화"합니다.

그러나 다양한 생산성 지수로 측정되는 산업 거시적 추세가 이어지면서 IIoT 기술을 기계 학습과 함께 수용하는 산업 기업에서 점점 더 많은 성공 사례가 등장하고 있습니다. 예를 들어, 스타트업 FogHorn은 일본 산업 전자 회사인 Daihen이 단일 공장에서 1,800시간 분량의 수동 데이터 입력을 없애도록 도왔습니다. 그리고 최고의 음료 회사는 예측 유지보수를 통해 맥주 100만 캔에 해당하는 양을 단번에 절약했습니다. 이 회사는 무선 진동, 초음파, 온도 및 자기 센서를 기계 학습과 결합하여 양조장에서 사용하는 기계를 포함하여 다양한 산업 기계의 기계 문제를 감지하는 회사 Augury의 기계 모니터링 기술을 설치했습니다. Augury의 공동 설립자이자 CEO인 Saar Yoskovitz는 "맥주로 캔을 채우는 기계인 필러에서 베어링이 심하게 마모되었음을 감지했습니다. “이 발견을 통해 양조장은 계획된 가동 중지 시간 동안 문제를 해결할 수 있었습니다. Yoskovitz는 "24x7 시설이기 때문에 계획되지 않은 다운타임이 발생할 여지가 없습니다."라고 말했습니다. 그러나 베어링 문제는 궁극적으로 8시간의 생산성 손실을 초래하는 고장을 촉발할 수 있었습니다. Yoskovitz는 "이는 맥주 100만 캔과 200,000달러의 매출을 의미합니다."라고 덧붙였습니다.

Air Liquide의 디지털 자회사인 Alizent는 Industrie 4.0 기술의 힘에 대한 또 다른 예를 제공합니다. OSIsoft의 기술을 통합하여 Air Liquide는 몇 년 전에 SIO로 알려진 플랜트 최적화 플랫폼을 만들었습니다. OSIsoft의 PI 소프트웨어는 분석을 위한 데이터 수집 및 정제를 가능하게 하는 플랫폼용 임베디드 데이터 엔진 역할을 합니다. Michael Kanellos는 "Air는 SIO를 통해 3개월 만에 투자 회수를 달성했고 1년 만에 10배의 투자 회수를 달성했습니다."라고 말했습니다.

IoT 분석가이자 OSIsoft의 기업 커뮤니케이션 수석 관리자가 이메일로 보냈습니다. "그런 다음 그들은 그것을 사용하여 프랑스와 동남아시아 전역의 공장을 소등(즉, 직원 없음) 방식으로 관리하는 데 사용했습니다." 그 후 Air Liquide는 Air Liquide와 다른 회사 모두에 서비스를 제공하기 위해 디지털 그룹을 Alizent 부서로 분사하기로 결정했습니다.

디지털 혁신 ROI가 빠른 회사의 또 다른 예는 백악관 유틸리티 지구입니다. 테네시주 최고의 상하수도 시설 중 하나인 이 조직은 누수를 약 32%에서 15%로 줄였습니다. 물 절약으로 수백만 달러의 절약 효과도 얻었습니다. Kanellos는 "그러나 그들은 또한 데이터 관리 방식을 줄여 연간 30,000달러를 절약했습니다."라고 말했습니다. “그들은 1,500만 달러 규모의 신규 공장을 11년 연기했습니다. 커뮤니티 평판이 올라갔습니다. 신용평가사들이 신용등급을 올리기까지 했습니다.”

산업용 기계 학습 회사인 Toumetis의 CEO이자 사장인 Mark Willnerd는 향후 5년 동안 산업 생산성이 증가할 것으로 예상합니다. "머신 러닝과 같은 기술 덕분에 우리는 큰 발전을 보게 될 것입니다."라고 그는 말했습니다. Willnerd는 생산량의 급속한 증가와 관련된 10년을 언급하면서 "1990년대 유형의 생산성 향상이 회복되는 것을 볼 수 있었습니다."라고 덧붙였습니다.

Toumetis는 유전이 있는 에너지 회사와 협력하고 있으며 Willnerd는 언젠가 세계 최고의 생산 현장 중 하나가 될 수 있을 것으로 예상합니다. 현장의 생산성을 방해하는 한 가지 요인은 전기 잠수정 펌프의 불안정성으로 인해 생산이 중단될 수 있습니다. 그러나 회사 장비를 감시하는 해당 분야 전문가가 1,500개의 유정과 100개의 서로 다른 데이터 신호를 감독하는 경우 임박한 펌프 고장을 나타내는 데이터를 쉽게 놓칠 수 있습니다. Willnerd는 “그들은 어떤 유정이 언제 고장날지 모릅니다. "하지만 14일 이내에 어떤 것이 고장날지 예측할 수 있다면 수익과 생산량을 극대화하기 위해 수리 일정을 잡을 수 있습니다."

그러나 산업 영역에서 기계 학습을 적용하거나 예측 유지 관리에 적용하는 프로세스는 거의 간단하지 않습니다. “데이터가 일치하지 않을 수 있습니다. 센서에서 잘못된 판독 값을 가질 수 있습니다. 누락된 데이터가 있을 수 있습니다.”라고 Willnerd가 덧붙였습니다. "그리고 데이터에 대한 분석을 수행하기 전에 데이터를 정리하는 작업이 많이 있습니다."

Willnerd는 우리가 기계 학습을 산업 응용 프로그램에 적용하는 초기 단계에 있다고 추측합니다.

Bain &Co.의 "Beyond Proof of Concept:산업용 IoT 확장"이라는 제목의 연구는 600명의 하이테크 경영진을 대상으로 설문조사를 실시한 후 유사한 결론에 도달했습니다. 일반적으로 IIoT와 특히 예측 유지 관리는 IIoT 프로젝트에서 "데이터에서 가치 있는 통찰력"을 추출할 가능성과 마찬가지로 예상보다 배포하기가 더 어려운 경우가 많습니다. 그러나 보고서는 나중에 "산업용 IoT가 여전히 유망한 기회"라고 결론지었습니다.

한 가지 핵심 과제는 그러한 데이터를 이해하기 위해서는 도메인 전문성과 데이터 과학에 정통한 지식이 드물게 혼합되어야 한다는 것입니다. 간극을 메우기 위해 Toumetis는 1990년대 후반과 2000년대 초반부터 데이터 분석에 종사해 온 산업 전문가를 고용했습니다. "아직도 예술 형식입니다."라고 Willnerd는 말했습니다. "해결하려는 문제와 그와 관련된 비즈니스 가치를 명확하게 이해해야 합니다."

Yoskovitz도 비슷한 견해를 가지고 있습니다. 미국 전역의 다양한 산업 시설을 둘러본 후 그는 가장 일반적인 문제 중 하나가 인재를 찾는 것이라는 결론에 도달했습니다. 산업 사이버 보안이나 산업 데이터 과학 분야에서 전문가를 찾는 데 어려움이 많다는 말이 많이 나왔지만 문제는 더 큽니다. “한번은 고객 시설에서 교육을 받기 위해 방에 들어갔습니다. 평균 연령은 55세였습니다.”라고 Yoskovitz는 회상했습니다. “은퇴를 앞둔 사람들과 20대 신입사원들이 있었습니다. 그리고 그들 사이에는 30년의 시간이 있습니다.”

미국의 많은 기존 제조 경험은 향후 5년에서 10년 사이에 고령의 산업 종사자가 은퇴하면서 사라질 것입니다. 한편, 산업 일자리는 젊은 직원의 목록에서 낮습니다. 요스코비츠는 “밀레니얼 세대나 Z세대는 유지보수 기술자가 되고 싶어 하는 사람이 거의 없습니다.

따라서 IoT 및 AI와 같은 광범위한 기술이 1차 산업 혁명에 필적하는 생산성의 시대를 만들 것인지 또는 Industrie 4.0이 소프트웨어 개정과 같은 것이 될 것인지 말하기는 아직 이르지만 사이버물리 시스템이 주도하는 혁명보다. 지금으로서는 적절한 사람(기술자)을 적절한 시간(기계가 고장나기 전)에 적절한 장소(잠재적으로 고장나는 기계)에 데려다 주는 등 이러한 기술이 가장 시급한 요구를 어떻게 충족할 수 있는지 묻는 것이 더 실용적인 질문입니다.