Изграждане на по-безопасен път към автономен индустриален ИИ

Индустриалният ИИ навлиза в нов етап. След десетилетия на прогнозен анализ и други специализирани приложения напредъкът при фундаменталните модели, физическия ИИ и агентния ИИ прави възможно автоматизирането на по-сложни задачи в индустриална среда. Но за разлика от ИИ, който функционира изцяло в дигиталния свят, индустриалният ИИ може да взаимодейства директно с физически системи, при които неочаквано решение може да има последици за безопасността, надеждността и критичната инфраструктура.

Това поставя отговорното внедряване в центъра на следващата вълна индустриална автоматизация. „Как да използваме тези технологии, като същевременно поддържаме безопасността, надеждността на операциите и способността да реализираме обещанията на новите възможности?“, пита Арти Гардж, главен технолог в AVEVA. Предизвикателството е особено остро, тъй като новите ИИ системи стават по-способни, но и по-трудни за прогнозиране и обяснение.

Една от основите за успешното осъществяване на този преход са данните. Индустриалните системи често съдържат информация от телеметрия, сервизни дневници, инженерни документи и други разнородни източници. По-новите технологии могат да помогнат за по-бързото свързване и съпоставяне на тази информация, като предоставят на операторите поддръжка в реално време при диагностициране на проблеми. Роботи, задвижвани от ИИ, могат да отидат още по-далеч, като събират информация в опасни среди, без да е необходимо работници да влизат в тях.

Но по-голямата автономност изисква и нови подходи към управлението. Рамката на AVEVA за отговорен ИИ поставя акцент върху сигурността, ефективността и безопасността и надзора от страна на хората. Гардж твърди, че ИИ трябва да допълва, а не да заменя хората в критичните цикли на вземане на решения, като предпазните ограничения определят къде автоматизираните системи могат да действат и къде човешките ръководители остават отговорни.

Устойчивостта е друга част от това уравнение. ИИ може да помогне за управлението на сложни енергийни системи с нарастването на възобновяемото производство, докато организациите се нуждаят и от по-добри начини да разбират собствения екологичен отпечатък на ИИ. Гардж участва в работна група на IEEE, която разработва стандартна методология за измерване на това въздействие по отношение на електричеството, енергията, ресурсите, водата и въглерода.

Следващият етап може да доведе индустриалния ИИ още по-навътре във физическия свят — от автономни роботи и дронове до подпомагано от ИИ програмиране, което позволява на експерти в конкретни области да създават нови приложения. Но реализирането на този потенциал ще изисква повече от внедряването на нови технологии, казва Гардж. Организациите ще трябва да преосмислят бизнес процесите, да установят подходящи мерки за сигурност и да дадат на опитните работници нови начини да прилагат експертните си знания, създавайки модел на автоматизация, който е не само по-автономен, но и по-безопасен, по-ефективен и по-устойчив.

„Автономните системи, независимо дали са роботи или дронове, наистина ще променят начина, по който работим в заводите, в енергийните системи и на миннодобивните обекти“, казва Гардж. „По някакъв начин това ще направи тези видове операции по-ефективни, много по-безопасни за участващите хора и по-продуктивни.“

Този епизод на Business Lab е създаден в партньорство с AVEVA.

Пълен транскрипт

Меган Тейтъм: От MIT Technology Review аз съм Меган Тейтъм, а това е Business Lab — предаването, което помага на бизнес лидерите да разберат новите технологии, излизащи от лабораториите и навлизащи на пазара.

Индустриалният ИИ може и да не е нов, но се развива с главоломна скорост. От съвременния прогнозен анализ, който може да предотвратява повреди на оборудването, до автономните роботи, натоварени с инспектирането на високорискови машини — нововъзникващите приложения имат потенциала да преобразят оперативната ефективност. Но тъй като често се използва в среди с високи последици и минимален марж за грешки, индустриалният ИИ, внедрен без яснота, сигурност или отчетност, с течение на времето може да има и катастрофални последици за критичната инфраструктура. Докато индустриите бързат да възприемат най-новите технологии, целта винаги трябва да бъде отговорен ИИ, създаден да подпомага, а не да заменя този изключително важен човешки фактор.

Две думи за вас: устойчива автоматизация.

Моят гост днес е Арти Гардж, главен технолог в AVEVA.

Този подкаст е създаден в партньорство с AVEVA.

Добре дошла, Арти.

Арти Гардж: Благодаря, Меган. Радвам се, че съм тук.

Меган: Благодаря ви много, че се присъединихте към нас. И за начало, ако можем да поставим дискусията ни в контекст, бихте ли споделили малко за настоящото състояние на индустриалния ИИ и за това, върху което работи AVEVA в момента?

Арти: Разбира се. Искам да се върна към нещо, което вече казахте — че в известен смисъл индустриалният ИИ не е нов. Това е нещо, върху което дори тук, в AVEVA, работим повече от 20 години, като наистина обмисляме как ИИ може да подобри приложенията в индустриалния сектор.

Но това, което се промени значително може би през последните няколко години, е типът ИИ. Наистина преминахме към тези фундаментални модели с общо предназначение, които позволяват на много повече хора да използват усъвършенствани ИИ технологии. Освен това само през последните няколко години се наблюдава експлозия в това, което е известно като физически ИИ, и във видовете ИИ, които могат съществено да ускорят възможностите на роботиката и автономните системи. И също така агентния ИИ, който позволява автоматизация и на софтуерно ниво.

Това, което наблюдаваме, е, че макар в миналото да е имало известно колебание при приемането на модели, чиито резултати не са напълно предвидими, използването на ИИ, дори в индустриалния сектор, нараства бързо. Според едно проучване това може да е почти 78% увеличение само за последните две години в индустриалния сектор. Така че да, това е повратна точка, но ако го разгледате от гледна точка на приемането на ИИ, почти прилича на стъпкова функция.

И това, което наистина обмисляме сега в AVEVA, е как да подходим към всичко това? Как да включим тези нови и много мощни ИИ технологии в среди, в които клиентите имат критични за мисията операции и безопасността на хората е съществен фактор? Това са някои от основните притеснения на нашите клиенти, когато обмислят приемането на която и да е нова технология. Правим това във време, когато тези по-нови видове ИИ не са непременно предвидими по отношение на поведението си. Едно от нещата, върху които наистина мислим, е как да използваме тези технологии, като същевременно поддържаме безопасността, надеждността на операциите и способността да реализираме обещанията на новите възможности?

Меган: Има толкова много неща, които трябва да се вземат предвид едновременно, нали? И очертахте някои от огромните развития, на които сме свидетели в тази сфера през последните години. Какво прави този момент толкова повратен именно за индустриалния ИИ? Какво се промени, за да станат някои от тези може би по-смели хипотези много по-правдоподобни?

Арти: Е, мисля, че едно от големите неща, едно от големите предизвикателства при индустриалния ИИ — и това е нещо, което като AVEVA е в кръвта ни, в основното ни ДНК — е, че за да използвате действително каквато и да е цифрова технология в индустриалната сфера, едно от първите важни неща, които често трябва да направите, е да съберете и съпоставите данни от разнородни системи. Например може да имам телеметрия от помпа или смесител и да искам да я свържа със сервизни дневници, за да знам кога за последно някой е извършвал поддръжка на тази помпа или смесител. Може също да искам да свържа това с първоначалната проектна документация и с някои от оригиналните инструкции за поддръжка, така че ако се случи нещо, да мога по-добре да диагностицирам какво се е объркало и как да го отстраня. Това винаги е било основно предизвикателство в индустриалната сфера.

Мисля, че сега се случва следното: благодарение на по-новите технологии, включително неща като графови бази данни и възможността да използваме ИИ за много по-бързо съпоставяне на разнородни набори от данни, можем да стигнем до момент, в който, ако нещо се обърка, вместо операторът да отделя време за проучване, за да разбере как се свързват различните компоненти на информацията, той може просто да разполага с iPad с ИИ, който много бързо да намери тази информация, да я съпостави и почти в реално време да помогне за диагностицирането на случващото се.

Дори нещо още по-смело, но не толкова, колкото може да изглежда, е следното: все още си представям човешки оператор, който потенциално разполага с мобилен таблет, но сега си представете, че мога да имам и робот, който се движи в тази среда, също събира данни и — чрез изчисления на борда или бърза връзка с оператор — позволява на човек, който вече не е необходимо да влиза в опасно, потенциално рисково пространство, да събира данни и също да извършва много бърза диагностика. И мисля, че именно това е вълнуващото в момента и това, което всички тези нови технологии, за които говорих, помагат да стане възможно.

От наша гледна точка използването на всички тези възможности означава, че сега трябва да мислим много повече за подхода си към управлението. Как да използваме ИИ по начин, който го държи под контрол, така да се каже?

Меган: Да, абсолютно. И по отношение на управлението — как AVEVA определя отговорния ИИ и кои според вас са основните ползи?

Арти: За нас отговорният ИИ се основава на троен мандат. Това означава, че той е сигурен, ефективен — включително екологично ефективен — и че преди всичко запазва безопасността и надзора от страна на хората. Това са някои от основните ни стълбове на отговорния ИИ. За нас това означава, че когато изграждаме инструменти, прилагаме многостепенен подход към управлението, както по отношение на начина, по който използваме ИИ като компания, така и по отношение на внедряването на ИИ в продуктите ни. Имаме сходна рамка, която използваме и в двата случая — своеобразен съвместен модел на управление, както за начина, по който използваме ИИ, така и за включването му в продуктите ни, за да могат клиентите ни да го използват в своите операции.

Но бих казала, че един от основните принципи в основата на всичко това е, че хората продължават да бъдат в центъра на начина, по който мислим за използването на ИИ. Затова човешката преценка, човешката отговорност и човешката етика остават основополагащи за разбирането ни къде ИИ може да носи ползи. Разглеждаме го по-скоро като средство за допълване, а не за замяна на хората в критичните цикли на вземане на решения.

Меган: Това е много важно разграничение, нали? А що се отнася до следващия етап на развитие, все по-често се смята, че агентният ИИ скоро ще позволи на тези индустриални системи да работят много по-автономно. Какво прави рисковете в индустриална среда различни от риска при ИИ в изцяло дигитален контекст? И от другата страна — какви са ползите и възможностите на същата тази автоматизация, дефинирана чрез софтуер?

Арти: Мисля, че можем да започнем с рисковете и след това да преминем към ползите. В крайна сметка бих казала, че най-големият риск в индустриална среда е, че взаимодействаме с реални физически системи — често системи, които могат да осигуряват важни резултати, поддържащи света ни в движение, независимо дали става дума за доставка на електроенергия или за добив на природни ресурси. Обикновено тези физически системи работят и в опасни среди, а самото оборудване може да има последици за безопасността на хората. Всеки път, когато свързвате софтуер с физическа система, която може да има реални последици, трябва да сте изключително внимателни. От самото начало това е част от нашето ДНК в AVEVA — да не забравяме крайния потребител и крайното приложение, което не е просто нещо на компютърния екран.

Дори когато през последните няколко десетилетия внедрявахме ИИ в системите си, обикновено се стремяхме да изберем най-подходящия модел и да разберем действително поведението му, ако ще го използваме. Например имаме собствен модел за откриване на аномалии, който работи в много оперативни среди. Сега, когато обмисляме някои от тези по-нови ИИ възможности, които по замисъл са трудни за разбиране по отношение на поведението им, те не са фундаментално обясними по начина, по който в миналото сме разглеждали дори ИИ или статистическите модели. Освен това поведението им може да се променя с течение на времето, докато те се учат и се настройват към нови възможности. Именно потенциалният риск от автоматизирането на физическа система въз основа на възможности, които могат да се развиват с времето, е едно от нещата, към които трябва да подхождаме много внимателно и обмислено. Трябва да преценим къде сме готови да въведем тази повишена автоматизация на практика.

Но същевременно мисля, че тук има реална възможност, защото пропуснах нещо важно: моделите се развиват, но същото важи и за хората, а понякога това е нещо добро. Говорим за човешката експертиза и за това как хората придобиват през кариерата си разбиране за функционирането на дадена система. Ако можем действително да използваме способността на някои от тези по-нови ИИ възможности — тези модели за разсъждение често имат агентни възможности в основата си — да учат и да натрупват опит по-бързо и, може би още по-важно или ценно, да пренасят опит, придобит на един обект, към друг обект, тогава това е реална възможност да използваме нещо, което вече знаем, че работи при хората: понякога просто трябва да се учиш чрез практика. И чрез ИИ можем да прилагаме и мащабираме този подход. Именно тук виждам реална възможност в тази сфера.

Едно от нещата, които добре осъзнаваме в индустриалния сектор, е промяната в работната ни сила. Мисля, че почти половината — макар и не съвсем половината — от индустриалната работна сила се очаква да се пенсионира през следващите пет години. Това означава, че секторът ще загуби огромен обем експертни знания и опит. Ако има начини да уловим тези знания по практичен начин, който да помогне и на новото поколение работници, свикнали да придобиват опит по различен начин, да прилагат тази експертиза и тези знания, тогава мисля, че това е огромна възможност за индустриалната сфера.

Меган: Да, абсолютно. Очевидно тук има огромни възможности, особено на фона на другите промени на пазара и в работната сила, които очертахте. Като продължение на това, какъв е потенциалът на тези автономни индустриални ИИ системи, когато са изградени и внедрени отговорно, да улеснят още по-бързи и по-устойчиви индустриални процеси?

Арти: Мисля, че има няколко различни начина да разгледаме това. Единият е да се запитаме какви са изискванията на потенциално по-устойчивите от екологична гледна точка процеси. Ще дам един пример с нещо, върху което моят екип работи в партньорство с Националната лаборатория на Айдахо тук, в САЩ, като част от техния проект за тестване на устойчивостта на електроенергийната мрежа с помощта на ИИ.

Едно от предизвикателствата пред електроенергийната мрежа, докато се движим към бъдеще с много повече променливи източници на възобновяема енергия — например разпределени соларни панели по покривите — е, че управлението на мрежата става много по-сложно. Трябва да разбираме откъде постъпва електрическият капацитет и какъв товар се отнема от мрежата. Освен това трябва да поддържаме качеството на електроенергията, защото вместо една въртяща се инсталация да осигурява честотата на електроенергията, преминаваща през мрежата, имаме множество по-малки системи. ИИ всъщност е от решаващо значение за управлението на електроенергийната мрежа на бъдещето. Именно върху това работим в партньорство: как да го направим? Как да помогнем на операторите на мрежата да разбират по-добре какво се случва в системата им, да откриват местата, където нещата може да се държат необичайно, за да могат да го установят рано и след това да предприемат коригиращи действия?

Същевременно винаги казвам, че това е пример за начин, по който ИИ може потенциално да ни помогне да ускорим прехода към енергийно бъдеще с по-ниски въглеродни емисии. Но едновременно с това има много разговори за устойчивостта на самия ИИ. Какви са изискванията му към електроенергията? Какви ресурси са необходими за работата на ИИ? Преди да обясня как разглеждаме това в AVEVA — защото определено мислим по въпроса, както и много други участници в тази сфера — искам да отбележа, че едно от предизвикателствата е липсата на общоприет метод за измерване на въздействието на ИИ върху околната среда. Чувате много истории, например че една заявка към някакъв чат интерфейс използва определено количество галони вода или определено количество електроенергия. Но истината е, че няма общоприет стандарт за цялата общност.

Едно от нещата, в които участвам, е работна група за стандарти, създадена от IEEE преди две години, или малко повече. Председател съм на тази работна група, която се нарича Работна група по стандарта P7100 за измерване на въздействието на ИИ върху околната среда. Една от задачите ни е да определим всички различни области, които трябва да разглеждаме във връзка с екологичната устойчивост на ИИ, и след това да създадем една стандартна методология, която работи и може да бъде приета както от гледна точка на отчетността, така и потенциално от гледна точка на надзора или регулирането. Това е наистина важно за реалното разбиране на въздействието на ИИ върху околната среда — просто трябва да знаем какво използва той. Искаме да разглеждаме въпроса цялостно. Нашите стандарти обхващат потреблението на електроенергия и енергия, използването на ресурси, потреблението на вода, както и въглерода.

Но въпреки всичко това мисля, че е важно да разбираме отпечатъка на ИИ, а също така едновременно да осъзнаваме, че по-големият модел използва повече изчислителни ресурси, а повече изчисления вероятно изискват повече ресурси. Колкото по-съзнателно избираме правилния размер модел за правилното приложение, толкова по-бързо можем да поемем по пътя към по-екологично ефективен ИИ. Един от потенциално добрите странични ефекти е, че колкото по-специално създаден е един модел, толкова по-малка е вероятността той да се държи непредвидимо, ако архитектурата е избрана правилно. Има някои допълнителни ползи, които надхвърлят екологичната устойчивост.

Меган: Изключително интересно. Наистина е много интересно да чуем за работата зад кулисите, защото, както казахте, всички вероятно сме чували някои от статистическите данни за въздействието върху околната среда. Затова е чудесно да разберем повече за усилията за изясняване на този въпрос.

По-рано говорихме малко за това как ИИ допълва хората. С придобиването на по-голяма автономност от страна на системите как организациите трябва да обмислят баланса между автоматизация със затворен цикъл и отчетност с човек в цикъла? Какви предпазни ограничения трябва да бъдат въведени? И как правителствата и трансграничните участници подхождат към тези въпроси?

Арти: В този въпрос има много неща, така че ще се опитам да отговоря едно по едно. Първо, що се отнася до баланса между автоматизацията със затворен цикъл и тази с човек в цикъла, както и между автоматизацията и отчетността — в индустриалния сектор говорим за преминаване от човешки оператор към човешки ръководител на системи, на индустриални системи. Ако трябва да съм честна, все още се опитваме да разберем как да стане това. Когато човек е в цикъла на една автоматизирана система, вие всъщност разглеждате система, която може да обработи всички данни и след това да направи препоръка.

Работим по решение съвместно с няколко различни клиенти, което може да приема голям обем оперативни данни, както и симулации на начина, по който функционират техните системи, и да предоставя например препоръки от типа „сега трябва да работите при тази зададена стойност, а не при онази“, въз основа на други променящи се условия в завода. Има голям интерес към преминаване от препоръчителна зададена стойност към автоматизация, която сама да я коригира. Вече реализирахме и няколко успешни пилотни проекта в реални условия.

Но когато стигнете до това, очевидно хората се притесняват много, ако променяте зададени стойности на индустриално оборудване. Тогава може да продължите да използвате определени предпазни ограничения — например да не се излиза извън определен диапазон на работа или автоматизацията да бъде разрешена само в определени области. Човешкият ръководител е като ръководител, който може да даде на служителите голяма свобода при вземането на решения по някои въпроси, но по други да бъде категоричен: това е крайният срок или това е производствената цел. Така че въпросът е как да въведете подходящите предпазни ограничения.

Предизвикателството е, че ИИ не са хора и затова предпазните ограничения изглеждат различно. Мисля, че това е едно от нещата, за които все още трябва да размишляваме. Въпросът какви ограничения трябва да бъдат въведени вероятно ще зависи донякъде от приложението, но с течение на времето всички ще се учим. Затова е важно да подхождаме открито и внимателно към начина, по който правим това.

Но възможността е потенциално огромна. Вече споменах, че ИИ може да бъде много полезен за синтезирането на голям обем информация и извеждането на преден план на най-важното. Искаме да създадем пространство за експерименти в тази посока, но важното е човекът да разбира риска.

Ще споделя една лична история, защото може да е показателна. Този уикенд си купих малък робот играчка и реших да го програмирам да прави някои неща. Оказа се, че ИИ е изключително полезен, за да започна и да прочета цялата документация. Сглобяването на робота беше лесно — имаше добри инструкции — но вече съществуваше доста обемен комплект инструменти за разработване на софтуер, а прочитането на цялата документация може да отнеме време. ИИ беше много полезен, за да ми покаже коя функция какво прави и да ми помогне да започна. Но понякога даваше наистина лоши препоръки за най-добрия начин да отстраня даден проблем.

Именно тук присъствието на човек в цикъла, който може да каже „знам, че това няма да е най-добрият софтуерен архитект или специалист по отстраняване на проблеми“, е наистина полезно. Имах възможност да използвам ИИ за това, в което е добър — да синтезира и извежда на преден план голям обем информация — но също така можех да кажа: „Не мисля, че това е най-ефективната първа стъпка. Нека опитаме нещо друго.“ Това е много различен начин на работа, но мисля, че когато хората свикнат повече със силните страни и ограниченията на ИИ, ще могат да се научат как да работят с него. И това е много различно от начина, по който бихте работили с други цифрови инструменти.

Едно от важните неща при ИИ е да се осъзнае широтата на сферите, които той засяга, и мащабът на въздействието, което ще има — върху околната среда, както обсъдихме, върху производителността, която е заложена във всичко, за което говорим, върху работната сила и върху начина, по който функционират икономиките. От моя гледна точка — и в никакъв случай не съм експерт по публични политики в тази област — виждам, че различните правителства поставят различни аспекти на преден план в регулаторните и други подходи към управлението.

Меган: Навсякъде по света наистина виждаме доста различни подходи, нали? За да илюстрирате това, бихте ли споделили някои казуси, с които сте се сблъсквали, и може би да ни разкажете какви уроци могат да извлекат други организации, които са на по-ранен етап от пътя си към ИИ?

Арти: Мисля, че в много от ключовите области, в които виждаме ясни ползи от приемането на ИИ в индустриалния сектор, общото между всички тях всъщност е правилното управление на данните и изграждането на подходяща основа от данни, върху която да се изгради ИИ.

Един от клиентите ни, SCG Chemicals, нефтохимическа компания в Тайланд, имаше визията да създаде платформа за надеждност на операциите си, която да бъде възможно най-силно задвижвана от ИИ. Но основна част от това беше правилното управление на данните, съхраняването на цялата информация на правилното място и използването на някои от инструментите на AVEVA за тази цел. Те обединиха оперативни и инженерни данни. След това върху тях добавиха ИИ възможности — в този случай една от нашите възможности, наречена AVEVA Predictive Analytics, която внедрява собствени модели за откриване на аномалии. Така те можеха много по-рано да идентифицират потенциални оперативни рискове. Вместо непланирани престои те можеха да ги превръщат в планирани престои. А когато превърнете непланирания престой в планиран, можете значително да подобрите надеждността на завода.

В момента те си поставят за цел надеждност на завода от около 99% и много висока възвръщаемост на инвестициите от създадената платформа. Още в ранните пилотни етапи възвръщаемостта е била почти деветкратна, което е наистина впечатляващо. Но искам да подчертая, че това е многослоен проблем и за да го решите правилно, трябва да отчетете всички негови аспекти.

Меган: Това са наистина впечатляващи резултати. За индустриалните лидери, които все още се колебаят дали да проучат ИИ, каква според вас е цената на подхода „да изчакаме и да видим“?

Арти: И тук мисля, че индустриалният сектор трябва да приложи малко по-различна преценка към този проблем. Като цяло повечето бизнес експерти биха казали, че не можете да си позволите да изчаквате и да наблюдавате развитието на ИИ, защото той е толкова трансформиращ за всички сектори на обществото и икономиката. Индустриалната сфера със сигурност не е изключение. Но смятам, че някои от предизвикателствата, които очертах днес, карат лидерите в индустриалния сектор понякога да предпочитат да бъдат бързи последователи, а не първи приематели на новите технологии, просто защото рискът е толкова висок.

Въпреки това едно от предизвикателствата при внедряването на системи, които не винаги се държат предвидимо, във физически системи е, че не знам дали други сектори ще решат тези проблеми вместо нас. Именно затова виждам голям интерес и ентусиазъм към изпробването на нови неща, както и готовност за това, защото съществува признание, че когато тези технологии се прилагат правилно и с подходящи ограничения и мерки за сигурност, те имат наистина трансформиращ потенциал по отношение на използването на ресурсите, безопасността на хората и производителността.

Мисля, че преценката в сектора малко се промени и вече искаме действително да изпробваме тези неща. След това въпросът е как да го направим в среди, които можем да превърнем в своеобразни защитени или безопасни пространства, за да тестваме някои от уникалните предизвикателства, пред които ще се изправим в индустриалния сектор.

Меган: Да, абсолютно. В наши дни е трудно да се пренебрегне потенциалът, нали? И за финал, с поглед към бъдещето, от какво най-много се вълнувате по отношение на дългосрочния потенциал на отговорните автономни индустриални ИИ системи?

Арти: Мисля, че има няколко различни посоки. Едно от нещата, които според мен със сигурност ще видим през следващите 18 месеца, е увеличаване на броя на хората с дълбока експертиза в конкретни области, които може би не са израснали със софтуерен опит, но ще могат да възприемат техники за програмиране с помощта на ИИ и да изграждат неща, които преди не са могли да създадат.

Това е изключително вълнуващо в моята кариера. Преди много време бях специалист по индустриални данни и винаги съм усещала най-голяма енергия и съм научавала най-много, когато разговарях с хората на първа линия в операциите, които трябваше да наблюдават множество различни съоръжения и да разбират как работят заедно. Те имат огромна експертиза, а възможността в ръцете им да бъде поставена способността бързо да разработват нови приложения според мен ще доведе до много нови идеи, за които мнозина от нас в сферата на индустриалния софтуер може би дори не са се сетили и не са знаели как да реализират. Това е наистина вълнуващо.

Поглеждайки по-напред, може би не бих казала, че съм била скептична към роботиката, защото очевидно роботиката и автономните системи ще бъдат важни, особено предвид средите — независимо дали са опасни или отдалечени — в които работи индустриалното оборудване. Но всъщност мисля, че нещата се развиват много по-бързо, отколкото очаквах. Наистина ми е интересно да видя как тези физически проявления на ИИ системите започват да променят начина, по който мислим за операциите.

Едно от нещата, свързани с всяка нова технология във всяка среда, е, че за да извлечете реална стойност от нея, трябва да промените начина, по който вършите нещата. Вече близо 10 години изнасям лекции за приемането на ИИ и винаги казвам, че най-голямата пречка пред приемането на ИИ няма нищо общо с технологията. Тя не е свързана дори с данните, макар че данните често са най-голямата спънка. Всъщност въпросът е дали ще промените бизнес процесите си, за да работите по начина, по който тази технология е добра или не толкова добра в дадени области.

Автономните системи, независимо дали са роботи или дронове, наистина ще променят начина, по който работим в заводите, в енергийните системи и на миннодобивните обекти. И мисля, че това ще направи тези видове операции по-ефективни, много по-безопасни за участващите хора и по-продуктивни. Това много ме вълнува.

Не знам напълно в каква посока ще се развият нещата, но често си мисля, че ако се върнете към Аз, роботът и книгата на Айзък Азимов, нейната предпоставка е, че роботиката ще бъде първият широко възприет вид ИИ, а не компютърно базираните системи. Ние поехме в друга посока и мисля, че е изключително интересно сега да видим как всичко това се сближава.

Меган: Да, абсолютно. Роботиката малко да навакса. На хоризонта има толкова много вълнуващи неща, това е сигурно. Благодаря ви много за отделеното време.

Това беше Арти Гардж, главен технолог в AVEVA, с която разговарях от Брайтън, Англия.

Това беше всичко за този епизод на Business Lab. Аз съм вашата водеща Меган Тейтъм. Работя като редактор на свободна практика в Insights — подразделението за специално издателско съдържание на MIT Technology Review. Ние сме основани през 1899 г. в Масачузетския технологичен институт и можете да ни откриете в печатни издания, в интернет и на събития по света всяка година. За повече информация за нас и предаването посетете уебсайта ни на technologyreview.com.

Това предаване е достъпно навсякъде, където слушате подкасти. Ако ви е харесало, надяваме се да отделите малко време, за да ни оцените и да оставите отзив. Business Lab е продукция на MIT Technology Review, а този епизод е продуциран от Giro Studios. Благодаря ви много, че ни слушахте. Довиждане.

Научете повече на aveva.com.

Това съдържание е създадено от Insights, подразделението за специално съдържание на MIT Technology Review, а не от редакционния му екип. То е проучено и написано от хора, като всички инструменти с ИИ, които може да са били използвани, са били ограничени до производствени процеси под човешки надзор.