В то время как «цифровые двойники» предназначены для продуктов, «Digital LOOP» — для услуг! Digital Loop подчеркивает тот факт, что круг подключенных решений, полностью охватывающих конкретные потребности клиента, является полным ответом. Digital Loop — это комбинация людей и компьютеров в сети, где многие отдельные шаги автоматизированы с помощью IoT и AI. Бизнес-модели, основанные на Digital Loop, готовы к использованию уже сегодня. . .
Digital Loop — это идеальный шторм — слияние Интернета вещей, ИИ и грядущего 5G, — который я описал в своем блоге в июне 2019 года Планы по трансформации бизнеса с использованием ИИ для руководителей. В этой статье мы более подробно рассмотрим компоненты Digital Loop, изучим новую форму Digital Twin, и я предложу некоторые технические достижения, которые выведут решения IoT + AI на новый уровень.
Причина, по которой решение IoT нуждается в ИИ, заключается в том, что люди плохо работают в цикле.
о Слишком много данных
o Утомительно (в большинстве случаев ничего не происходит)
о подвержен ошибкам
Одним из ключевых принципов применения ИИ является выявление повторяющихся *задач внутри работы* и замена их решениями ИИ. В таких случаях «ИИ не аннулирует ЗАДАНИЯ . . . ИИ заменяет повторяющиеся ЗАДАЧИ в рамках этой работы».
Помня об этих принципах, давайте рассмотрим, как продукт можно превратить в услугу и ПОЧЕМУ!
Можно сделать вывод, что конечный потребитель хочет услуги, а не продукта. Я не обязательно хочу иметь смартфон; если я могу просматривать веб-страницы, разговаривать с семьей и играть в игры в персонализированном виртуальном «аудио-визуальном куполе», окружающем меня, мне не нужно носить с собой какое-то оборудование в кармане.
Предоставление полезной услуги требует «замкнуть петлю» вместе с покупателем. Этот цикл обычно содержит машины и людей (обслуживание клиентов, медицинские работники, тренеры и т. д.). Рассмотрим конкретный пример.
Предположим, вы живете в городе, но ваша престарелая мать находится в маленьком городке, где она родилась, за много сотен миль от вас. Очевидно, что эта ситуация вызывает тревогу у вас и вашей матери (и других родственников и друзей). Вы будете счастливы подписаться на услугу, которая поможет сохранить вашу мать в безопасности, а вас в здравом уме.
Недостаточно установить домашнюю систему IoT, которая отслеживает ее действия (с помощью таких устройств, как Fitbit); вам нужна система искусственного интеллекта, которая собирает данные с Fitbit, IoT-таблетки, домашнего видео, смартфона и т. д. и предоставляет панель инструментов с общей оценкой счастья, которую вы можете отсканировать. Ее поставщики медицинских услуг также будут в курсе, углубляясь в оценку, когда она выходит за пределы удовлетворительного диапазона. Ваша мать может поделиться им с избранными местными друзьями, чтобы они могли заглянуть, когда оценка будет снижаться. Итак, это цифровая петля.
Теперь давайте перейдем к корпоративным сценариям и посмотрим, как Digital Loop может повысить ценность: «Делайте больше с более высоким качеством и лучшим пользовательским интерфейсом». Все здесь ведет к устойчивому увеличению доходов бизнеса.
В промышленной, коммерческой, инфраструктурной, потребительской, медицинской и других областях (таких как финансы и право, в меньшей степени) ИИ и Интернет вещей (с 5G) вместе будут способствовать преобразованию бизнеса от продукта к услуге.
Этот переход сильно повлияет на корпоративные бизнес-модели — вместо разовой продажи продукта лучше всего предлагать услугу по подписке (от условно-бесплатной до многоуровневой). После дальнейшего развития модель может превратиться в клиентское партнерство, где оплата будет основываться на результатах (уже есть истории о том, как GE Aviation и Rolls Royce продавали авиакомпаниям «Тягу в час» вместо реактивных двигателей!).
Если вы производитель гаджетов, вы можете разработать устройство на основе видео, которое может обнаруживать отсутствие товара на складе для клиента розничного магазина, но на самом деле этот клиент заботится о том, чтобы покупатели не ушли с пустыми руками (упущенные продажи и репутация). . В ближайшие 5 лет вы увидите, как этот тип бизнес-моделей обслуживания возникнет во всех корпоративных и других областях.
Технологические компоненты Digital Loop:
Как я уже упоминал в начале, я рассматриваю цифровую петлю как комбинацию людей и компьютеров в сети. Люди играют решающую роль в успешной и безопасной работе цифрового цикла из-за неотъемлемых и неизбежных проблем в обучении ИИ, которые мы обсудим более подробно позже.
Слева мы показываем бумажную фабрику, оснащенную различными датчиками, такими как вибрация, температура, скорость, а также видеокамерами и, возможно, микрофонами. Сегодня доступны системы IoT, которые могут собирать все эти данные, при необходимости обрабатывать их на периферии и загружать в облако, где работают алгоритмы искусственного интеллекта и машинного обучения. Много лет назад, когда я настраивал такую систему, я настаивал на устройстве «граничных вычислений», которое выполняло бы БПФ и несколько других действий по сохранению данных, чтобы минимизировать требуемую пропускную способность для загрузки. Сегодня такая консервативная политика может и не понадобиться; по мере того, как маятник качается и собирается больше данных, обработка краев может стать необходимостью. Вскоре после этого, когда 5G будет полностью внедрен, с малой задержкой (порядка 1 миллисекунды) и огромной пропускной способностью, в Cloude можно будет выполнять даже критическую по времени обработку для автоматического предотвращения столкновений роботов!
После того, как данные собраны, первая задача — выявить закономерности с помощью подсистемы ИИ; Структура этих паттернов — это «информация», благодаря которой остальные шаги будут работать хорошо. Люди хорошо умеют обнаруживать закономерности, но оказывается, что существуют неуловимые тонкие закономерности, для которых потребуются специализированные инструменты машинного обучения, такие как глубокие нейронные сети. Методы машинного обучения, такие как оптимизация с ограничениями и без ограничений, предоставляют инструменты для прогнозирования. У нас есть достойные методы аппроксимации функций и комбинаторной оптимизации для Predictive Analytics.
Как я объяснил в своем блоге Будущее машинного обучения и ИИ. . . БОЛЬШИЕ возможности», мощная подсистема обучения на основе моделей в цикле IoT — цифровой двойник. Википедия определяет Цифровой двойник следующим образом: Цифровые двойники — это компьютеризированные компаньоны физических активов, которые можно использовать для различных целей. «Цифровые двойники используют данные датчиков, установленных на физических объектах, для представления их статуса, рабочего состояния или положения в режиме, близком к реальному времени». Это в основном для презентационных целей; как мы обсуждаем в приложении, мы можем сделать гораздо больше с помощью цифровых двойников.
Цифровой двойник — это нефизическое представление физического актива или «аватара». «Твин» подчеркивает близость к реальности; однако есть много нефизических представлений. С одной стороны, можно разработать подробные уравнения (большой набор нелинейных связанных дифференциальных уравнений в частных производных?!), которые охватывают всю «физику» машины; затем их можно красиво визуализировать на (3D?) дисплее с использованием компьютерной графики, чтобы они выглядели почти реальными. Я не сторонник такого правдоподобия — выгоды для бизнеса мало. С другой стороны, Digital Twin может быть программным моделированием динамики машины. . .
Я считаю, что реальная ценность цифровых двойников заключается в обучении и анализе на основе моделирования. Как правило, они могут предоставлять вопросы и ответы типа «что, если» для набора измеряемых переменных, связанных вместе в моделировании. модель. Уровень детализации необходимых частей реальности, моделируемых цифровым двойником, будет определять качество результатов моделирования «что, если». Сегодня возможны технологические достижения, которые могут сделать цифровые двойники еще более полезными, используя модель данных в пространстве состояний; эта техническая тема оставлена в Приложении.
Один из лучших способов передать ценность бизнеса и убедить лиц, принимающих решения, — это использовать язык аналитики — описательной, предиктивной и предписывающей в подсистеме «ERP». Описательная и прогнозная аналитика существуют уже некоторое время и хорошо изучены. *Предписывающая* аналитика менее понятна, потому что такая аналитика не всегда доступна, но именно здесь резина встречается с дорогой бизнеса! Именно здесь AI Solution СООБЩАЕТ вам, что делать, а не просто предоставляет анализ и информацию. Этот шаг «Действие», который будет основываться на анализе «что, если», выполненном с использованием таких методов, как моделирование (или анализ причинно-следственных связей), обеспечит обоснование предписанных действий, укрепляющих уверенность в решении ИИ.
В бизнес-контексте необходимы все ТРИ аналитических решения. Чтобы действительно принести пользу бизнесу, требуется сочетание информационных панелей, прогнозов и рекомендаций по действиям. Однако нам необходимо еще больше снизить риски для нашего решения (AI + Analytics), для которого нам нужен человек.
Я исследую причины, по которым алгоритмы контролируемого обучения никогда не могут стать безошибочными при использовании в производстве, и почему нам нужен показатель качества (FoM), на который может положиться куратор-человек, в «Проблемы с обучением. . . последствия для ИИ-бизнеса»». В этой статье представлены конкретные предложения по разработке FoM, относящиеся к конкретным случаям использования, чтобы куратор-человек, не являющийся специалистом, мог выполнять работу по выявлению основных подводных камней. Это КЛЮЧЕВОЙ шаг в безопасном использовании решений Digital Loop!
Как только выходные данные предписывающей аналитики проходят через все ворота, сотрудник или автономный робот могут обрабатывать эту информацию или связывать ее обратно с панелью управления бумажной фабрики. Затем мы вступаем в благотворный цикл, который постоянно совершенствует Сервис (в данном случае профилактическое обслуживание или оптимизация качества), достигая цели Digital Loop: «Делайте больше с более высоким качеством и лучшим UX»!
ОБЗОР:
Мы обсудили многие ключевые идеи в этой статье.
1. Digital LOOP — круг связанных подсистем решения.
2. Интернету вещей нужен ИИ — люди не могут обрабатывать огромное количество данных.
3. От продукта к услуге — клиентам нужны услуги, отвечающие их потребностям.
4. Переход к новым бизнес-моделям, основанным на услугах Digital Loop.
5. Цифровой цикл содержит:
· «Завод» — пользовательский сценарий
· ИИ — извлечение информации
· ERP-система с аналитикой — описательной, предиктивной и предписывающей
· Human Curator — ворота безопасности с использованием FoM
· Действия в цеху персоналом, роботом или системой управления
6. Новый тип цифрового двойника — обучение на основе имитационного моделирования
Это захватывающее время, когда IoT + AI действительно может изменить жизнь людей как для бизнеса, так и для их чувства благополучия. Пришло время выйти за рамки дискретных цифровых двойников и подумать о инфраструктуре/платформе Digital Loop как о способе развертывания и защиты создания ценности в эту новую эру широко распространенного цифровая трансформация.
ПРИЛОЖЕНИЕ: Новый подход к цифровым двойникам — модели пространства состояний:
Еще в 2000 году НАСА запустило численное моделирование двигательной системы или «NPSS». Цель была сформулирована в виде потоков: «Анализ в настоящее время сосредоточен на крупномасштабном моделировании полных авиационных двигателей. Это предоставит разработчику продукта «виртуальную аэродинамическую трубу», которая сократит количество аппаратных сборок и тестов, необходимых при разработке передовых аэрокосмических двигательных установок». В последующие годы все производители реактивных двигателей (такие как GE и Rolls Royce) и многие другие независимые стороны (исследовательские институты и университеты) стали частью этой работы с открытым исходным кодом. Теперь модель реактивного двигателя NPSS («газовый тракт») используется производителями для обнаружения неисправностей на основе машинного обучения с помощью запатентованных методов, которые расширили NPSS для соответствия их «газовому тракту» в сочетании с глубоким обучением.
Рассматривая общий пример, давайте рассмотрим, как можно использовать имитационную модель NPSS для помощи машинному обучению с помощью обучения на основе моделей.
В традиционной теории систем мы используем модель данных пространства состояний. Добавлен дополнительный блок под названием Luenbeger Observer для наблюдения за состояниями системы во время работы. В обучении на основе имитационной модели внешняя модель NPSS сочетается с измерениями физической системы и Luenberger Observer. Таким образом, это систематический способ включения моделирования в машинное обучение.
На рисунке ниже Естественная система в авиационном примере — это реактивный двигатель. Существует множество сотен датчиков, которые измеряют входные и выходные данные реального реактивного двигателя на земле и в полете.
Программное обеспечение NPSS представляет собой средний блок, который представляет собой модель газового тракта, разработанную на основе основных термодинамических и физических уравнений и включенную в пакет программного моделирования. Учитывая входные данные, которые получает реактивный двигатель, предполагается, что NPSS будет производить выходные данные, аналогичные реальному реактивному двигателю. Разница или «ошибка» между показаниями выходного датчика реактивного двигателя и выходными показаниями NPSS возвращаются в блок Observer. «Состояния» наблюдателя динамически оцениваются с использованием (расширенного) фильтра Калмана — они связаны с параметрами модели NPSS; они постоянно обновляются, так что выходные данные реактивного двигателя и выходные данные NPSS тесно связаны друг с другом. Теперь этот конкретный экземпляр модели NPSS является близким приближением к конкретному реактивному двигателю — это Digital Twin!
Ценность обучения на основе моделирования в этом случае заключается в том, что у нас есть программные модели, настроенные для каждого реактивного двигателя. Теперь изменения в состояниях наблюдателя можно использовать для точного определения (1) неисправностей в реактивном двигателе, (2) с опытом прогнозирования неисправностей или (3) запуска настроенной модели NPSS, чтобы ответить на вопрос «что, если». вопросы (например, как долго прослужит эта лопасть вентилятора), запустив модель NPSS в далеком будущем.
Еще одним важным преимуществом является то, что приведенная выше система естественным образом генерирует модель машины в пространстве состояний. Он может не *выглядеть* как машина, но он отражает динамику во всех деталях (хотя есть проблема с соотнесением «состояний» с реальным состоянием компонентов машины). Итак, я сторонник использования «представления в пространстве состояний» в качестве «цифрового двойника». По сравнению с измеренными сигналами траектории состояний гораздо менее зашумлены, и, следовательно, отклонения от нормы обнаруживаются легче! Это тема, достойная дальнейшего изучения и продвижения.
………………………………………………………………………………………
Карьера доктора П. Г. Мадхавана в области корпоративных технологий включает в себя разработку нескольких стартапов в области искусственного интеллекта и машинного обучения для NEC X, Inc., дочерней компании NEC, а также руководящие должности в Microsoft, Bell Labs, Rockwell Automation и GE Aviation. PG основал и был генеральным директором в 2 стартапах (и техническим директором в 2 других), руководя всеми аспектами жизни стартапа.
Он руководил разработкой крупномасштабных продуктов машинного обучения в крупных корпорациях (GE Aviation, Rockwell Automation и NEC, а также других программных решений в Microsoft и Lucent) и стартапах (Syzen Analytics, стартапы NEC и Global Logic), используя алгоритмы машинного обучения для облачных вычислений. разработка программного обеспечения для бизнес-операций в производственной, телекоммуникационной, розничной, рекламной, медицинской и полупроводниковой отраслях.
После получения докторской степени. получил степень бакалавра электротехники и вычислительной техники в Университете Макмастера, Канада, и степень магистра биомедицинской инженерии в ИИТ, Мадрас, П.Г. проводил оригинальные исследования в области теории случайных полей и вычислительной нейронауки в качестве преподавателя Мичиганского университета, Анн-Арбор, и Университета Ватерлоо, Канада, среди прочих.
Недавним крупным вкладом PG в науку о данных является создание Системной аналитики, сочетания теории систем и машинного обучения (опубликовано в 2016 году), обеспечивающего путь к формальному включению динамики в машинное обучение.
