Машинное обучение и прогнозный ИИ меняют то, как мы используем наши устройства и машины.
Любой поклонник недавних научно-фантастических фильмов и телепередач, вероятно, видел, как какой-нибудь гениальный дизайнер смоделировал удивительное новое изобретение виртуально, прежде чем он начал создавать его в физическом мире. Это не такое уж будущее, как может показаться. В последнее время высокотехнологичные отрасли увлеклись идеей «цифровых близнецов».
Цифровой двойник - это точная виртуальная копия физического устройства. Это компьютерная модель, которая работает идентично физической версии. «Конечная цель цифрового двойника - создавать, тестировать и создавать наше оборудование в виртуальной среде», - говорит Forbes ведущий эксперт по производству НАСА и менеджер Национального центра передового производства НАСА Джон Викерс.«Только когда мы получаем его там, где он соответствует нашим требованиям, мы начинаем его физически производить. Затем мы хотим, чтобы эта физическая сборка была привязана к своему цифровому двойнику с помощью датчиков, чтобы цифровой двойник содержал всю информацию, которую мы могли бы получить, проверив физическую сборку». Ганеш Белл из GE рассказал Forbes: «Для каждого физического актива в мире у нас есть виртуальная копия, работающая в облаке, которая становится богаче с каждой секундой оперативных данных».
Одна из причин, по которой люди так воодушевлены цифровыми двойниками, заключается в том, что они потенциально могут обнаруживать проблемы виртуально до того, как они появятся в реальном мире. Есть надежда, что благодаря сочетанию цифрового двойника с прогнозирующим машинным обучением простои больших и малых устройств - например, бесчисленное количество устройств Интернета вещей (IoT) - станут редкостью, а проблемы будут решаться еще до того, как они возникнут.
Gartner определила цифровые двойники как одну из десяти главных технологических тенденций 2017 года еще в октябре 2016 года. В мае 2017 года они все еще вызывают много ажиотажа, но возникли реальные проблемы, которые препятствуют массовому переходу на эту технологию. В то время как цифровой двойник может быть фантастическим для индивидуального массового продукта высокого класса - Tesla, например, хранит цифрового двойника каждого из автомобилей, которые она продает, и все автомобили в будущем могут иметь один - затраты и усилия в настоящее время необходимые для цифровых двойников, делают их менее практичными для более недорогих продуктов. Что еще более важно, в настоящее время в эксплуатации находится множество устройств от разных производителей, которые предшествовали понятию цифровых двойников, особенно в промышленных условиях. У этих устройств нет цифрового двойника, и их разработка сейчас была бы непомерно дорогой, особенно учитывая количество машин, малых и больших, о которых мы говорим.
Несколько компаний разработали мостовые технологии, которые привносят преимущества цифровых двойников в устройства без таковых. Хотя они используют разные подходы, их объединяет то, что все они используют машинное обучение для анализа данных, чтобы выявить незначительные отклонения от нормальной работы, которые могут предсказать неизбежные сбои. Кроме того, их подходы сильно различаются.
One, 3DSignals, отслеживает и анализирует звуки, издаваемые машинами, чтобы установить, как они звучат при нормальной работе и как они звучат, когда они ведут себя плохо или вот-вот начнут. Компания постоянно обучает свой алгоритм, сопоставляя отчеты механиков о том, что пошло не так, с сопровождающими звуками, создавая базу данных шумов, указывающих на проблемы, которые необходимо решить. Первый раз, когда их система слышит такой звук, это аберрация, но, как говорит генеральный директор Амнон Шенфельд (Amnon Shenfeld), «в следующий раз, когда мы столкнемся с этой подписью на той же машине для того же клиента или другого клиента, использующего тот же тип машины, это будет не просто обнаружение аномалий».
Другая компания, Augury, также «слушает», но не озвучивает. Они обнаруживают изменения в машинных вибрациях, температурном ультразвуке и электромагнитном излучении. Их алгоритмы машинного обучения также работают с библиотекой данных, которые они обнаружили, чтобы предвидеть сбои. «Со временем мы собрали, вероятно, самый большой в мире словарь неисправностей для наших типов машин», - говорит генеральный директор Augury Саар Йосковиц.
Третья компания, Presenso, использует более прямолинейный подход: промышленные машины имеют множество датчиков, и сервис компании подключается к ним. Данные датчика загружаются в облако Presenso, где их механизм искусственного интеллекта создает цифровую модель на основе рабочей нормы датчика. «Они [алгоритмы] не нуждаются ни в каком человеческом руководстве или в знании того, какие физические характеристики измеряются», - говорит Forbes генеральный директор Эйтан Весели. «Цель состоит в том, чтобы они сами узнали, как работает машина».
Цифровая сенсорная модель, созданная ИИ Presenso, может затем использоваться для прогнозирования аномального поведения. Компания рассматривает способность системы одновременно анализировать данные для всего оборудования на объекте как преимущество, которое делает их нацеленными на некоторые из самых сложных объектов, которые только можно себе представить: принадлежащие электроэнергетике, нефти и газу, водоснабжению и автомобильной промышленности.
Суть в том, что технологи считают, что машинное обучение и ИИ могут поддерживать работу машин, других устройств и промышленных предприятий с эффективностью и надежностью, которые простые люди не могут обеспечить. Хотя приложения пока носят промышленный характер - за исключением нескольких предметов роскоши - со временем вы можете рассчитывать на то, что у вас будет дом, полный цифровых двойников и их кузенов.