당신의 AI 전략은 현실적입니까, 아니면 천국의 계단입니까?

Schneider Electric의 EcoStruxure 이사인 Luke Durcan은 회상합니다. 한 산업 회사의 임원이 다음과 같이 말하는 것을 듣습니다. “우리는 AI를 하고 싶습니다. 우리는 가능한 한 빨리 프로세스에 AI를 도입하고 싶습니다.”

"언제?" 더칸이 물었다.

Durcan은 익명의 경영진의 말을 회상했습니다. "예, 7월까지 AI를 확보하고 싶습니다."

“당신은 그 사람을 조금 쳐다보면서 그가 그 과정을 정말로 이해하지 못한다는 것을 깨닫게 됩니다. 그는 거기에 도달하기 위한 기본 메커니즘과 요구 사항을 정말로 이해하지 못합니다.”라고 Durcan이 말했습니다. “그리고 그 현실은 산업적 맥락에서 AI와 같은 것은 없습니다. 마케팅입니다.”

산업 및 데이터 과학 전문가들은 AI와 거의 마술처럼 보이는 인공 일반 지능과의 연결과 같은 모호한 개념에 대해 다양한 의견을 가지고 있지만, 단계적이고 훈련된 데이터 컨텍스트화 및 분석과 같은 기술 배포의 필요성에 동의합니다. 머신 러닝 등.

Teradata의 AI 및 딥 러닝 이니셔티브를 이끌고 있는 Atif Kureishy는 AI를 비즈니스 결과를 지원하는 데 사용되는 분석, 머신 러닝 및 딥 러닝을 포함한 일련의 지원 기술로 정의합니다. Kureishy는 "예를 들어 머신 러닝의 하위 집합인 딥 러닝을 보면 신경망, 대규모 GPU 기반 계산 및 고차원 데이터를 적용하여 점점 더 정확한 예측을 하고 있습니다"라고 말했습니다.

Kureishy는 소비자 기술, 금융 서비스 및 보험을 포함하여 그러한 기술을 가장 빨리 수용한 산업에 대해 "일반적인 용의자"라고 말했습니다. 소매 및 통신 회사는 다음 라인에 있는 그룹의 일부라고 그는 말했습니다. 제조 측면에서 자동차 부문은 자율 주행 차량에 대한 업계의 관심을 고려할 때 머신 러닝 및 컴퓨터 비전과 같은 기술을 가장 빠르게 수용하는 부문 중 하나입니다.

Durcan은 석유 및 가스 산업이 공정 산업의 선구자라고 말했습니다. "이 [석유 및 가스] 조직은 수년 동안 데이터, 인프라 및 기술에 투자해 왔습니다. 데이터, 인프라 및 기술이 수년 동안 가치를 창출했기 때문입니다."라고 그는 설명했습니다.

공정 제조의 성숙도 곡선 아래에는 소비재, 자재, 광물 및 광업 부문이 있으며 전자 제조업체와 같은 다수의 개별 제조 회사는 "상당히 고도로 발달되어" 있다고 Durcan은 말했습니다.

그렇다면 인더스트리 4.0, 스마트 팩토리 또는 AI 전략 또는 선호하는 용어와 관련하여 뒤쳐진 산업 기업은 잃어버린 기반을 메우기 위해 무엇을 해야 할까요? 그리고 무리의 중간에 있는 사람들은 다음에 무엇을 해야 합니까?

먼저 자체 감사를 수행하고 필요한 경우 조직에 강력한 데이터 과학 기반이 있는지 확인하십시오. Kureishy는 테라데이타가 산업체와 함께 하는 대부분의 작업에는 "예를 들어 우리 은행 고객들이 지난 30년 동안 투자해 온 기본 측면 구축"이 포함되어 있다고 말했습니다. 많은 산업 기업이 보유하고 있는 상황별 데이터의 종류를 이해하고, 센서를 보정하고, 인재, 도구 및 환경과 관련된 "데이터 과학 101" 측면에 집중하기 위해 노력하고 있습니다.

그것은 산업 회사를 선택하는 것이 아닙니다. 작년에 Gartner는 여러 부문에 걸쳐 87% 이상의 조직이 낮은 비즈니스 인텔리전스 및 분석 성숙도를 가지고 있음을 발견했습니다.

초기 단계에서 제조업체는 제조 공정에서 재료가 노출되는 조건을 더 잘 이해하기 위해 작업 전반에 걸쳐 일련의 센서를 계측했을 수 있습니다. 해당 조직이 컨텍스트에서 데이터를 추적할 수 있게 되면 폐기로 이어지는 제조 결함 이전에 이상 징후를 발견하기 시작할 수 있습니다. Kureishy는 "아직 예측은 아니지만 '이제 제조 공정에서 일어나는 일을 더 잘 특성화할 수 있습니다. "이 모든 원격 측정 데이터가 나오고 처리 및 분석하고 함께 연결할 수 있기 때문에 무엇이 잘못되었는지 정량적으로 더 잘 특성화할 수 있습니다."

이와 같은 초기 단계와 프로세스 전반에 걸쳐 Durcan은 기술뿐만 아니라 사람과 프로세스에 중점을 두는 것의 중요성을 강조했습니다. “일반적인 브라운필드 시설 내에는 20년, 30년 또는 40년 동안 그곳에 있었던 사람들이 아마도 당신보다 그 과정에 대해 더 많이 알고 있을 것입니다.”라고 그는 말했습니다. “그리고 다시 시간이 지남에 따라 진화하는 프로세스 자체가 있습니다. 따라서 기술을 인력 프로세스 환경에 통합하여 점진적인 가치를 제공하는 방법을 찾게 될 것입니다.”

견고한 데이터 과학 기반을 구축하는 데 투자한 산업 조직은 신경망과 같은 고급 기술의 잠재력을 탐색하기 시작할 수 있습니다. 그리고 성숙도가 높아짐에 따라 작업에서 일어나는 일을 특성화하는 것에서 해당 환경에서 발생하는 변수의 상관 관계를 파악하고 결국 변수 간의 인과 관계를 설정하는 것으로 이동할 수 있습니다. "즉, 'A가 발생하면 B가 발생하므로 C가 실현될 것임을 알고 있습니다.'라고 Kureishy는 설명했습니다. “그렇게 하면 더 나은 예측 자세를 갖게 됩니다. 다음과 같이 말할 수 있습니다. '이러한 변칙성을 보기 시작했습니다. 어느 정도 개입하지 않으면 이 상태 C가 발생한다는 것을 알고 있습니다.'”

다음 계층은 정교함을 확장합니다. Kureishy는 "프로세스를 수정하거나 최적화하기 위해 규범적인 방식으로 정말 뚜렷한 추천을 할 수 있습니다."라고 덧붙였습니다. 최상위 계층은 이상을 발견하고 더 큰 문제를 일으키기 전에 해결하는 이 전체 프로세스가 완전히 자동화되는 곳입니다. "우리는 터미네이터에 대해 이야기하고 있습니다."라고 Kureishy는 농담을 했습니다.

산업 조직은 AI 전략 여정에 명확한 최종 목적지가 있다고 결론을 내리는 것을 피해야 합니다. "언덕 위에는 열반이 없다"고 더칸이 말했다. "이것은 점점 더 복잡해지고 있습니다."

마지막으로 업계 리더는 "데이터 통합이 가장 중요하지만 데이터 자체는 예측 모델 및 분석 모델의 시작에 불과합니다"라는 점을 이해해야 한다고 Durcan은 덧붙였습니다. 이러한 전문가는 자산 계층 구조, 자산 모델 및 자산 컨텍스트를 이해하는 것이 중요합니다. "그러면 조직 주변의 데이터 흐름 및 데이터 인프라에 대한 보다 심층적인 세부 정보를 구축할 수 있습니다."라고 Durcan이 덧붙였습니다. 거기에서 그들은 설명적인 시각화 및 운영 대응을 위해 데이터를 활용할 수 있습니다. 그는 "90%의 사람들이 그것을 사용하게 될 것"이라고 덧붙였다. "하지만 거기에 도달하려면 여행의 첫 번째 단계를 밟아야 합니다."