Создание более безопасного пути к автономному промышленному ИИ

Промышленный ИИ вступает в новый этап. После десятилетий развития прогнозной аналитики и других специализированных приложений достижения в области фундаментальных моделей, физического ИИ и агентного ИИ делают возможной автоматизацию более сложных задач в промышленных средах. Но в отличие от ИИ, работающего исключительно в цифровом мире, промышленный ИИ может напрямую взаимодействовать с физическими системами, где неожиданное решение может иметь последствия для безопасности, надежности и критически важной инфраструктуры.

Это делает ответственное внедрение центральным элементом следующей волны промышленной автоматизации. «Как нам использовать эти технологии, сохраняя безопасность и надежность операций и одновременно выполняя обещания, которые дают новые возможности?» — спрашивает Арти Гарг, главный технолог AVEVA. Эта задача особенно актуальна по мере того, как новые системы ИИ становятся более мощными, но при этом их поведение становится сложнее предсказать и объяснить.

Одной из основ успешного перехода являются данные. Промышленные системы часто содержат информацию в телеметрии, журналах обслуживания, инженерной документации и других разрозненных источниках. Новые технологии помогают быстрее объединять и сопоставлять эту информацию, предоставляя операторам поддержку в режиме реального времени при диагностике проблем. Роботы с ИИ могут развить эту идею, собирая информацию в опасных средах без необходимости отправлять туда работников.

Но большая автономность также требует новых подходов к управлению. В основе подхода AVEVA к ответственному ИИ лежат безопасность, эффективность, человеческая безопасность и надзор со стороны людей. Гарг утверждает, что в критически важных циклах принятия решений ИИ должен дополнять людей, а не заменять их; при этом защитные ограничения должны определять, где автоматизированные системы могут действовать самостоятельно, а где ответственность сохраняется за людьми-операторами.

Устойчивое развитие — еще одна часть этого уравнения. ИИ может помогать управлять сложными энергосистемами по мере роста производства возобновляемой энергии, однако организациям также нужны более эффективные способы оценивать собственное воздействие ИИ на окружающую среду. Гарг участвует в рабочей группе IEEE, разрабатывающей стандартную методику измерения этого воздействия с учетом электроэнергии, энергии, ресурсов, воды и углеродных выбросов.

Следующий этап может еще глубже погрузить промышленный ИИ в физический мир — от автономных роботов и дронов до программирования с помощью ИИ, позволяющего отраслевым экспертам создавать новые приложения. Но, говорит Гарг, реализация этого потенциала потребует не только внедрения новых технологий. Организациям придется переосмыслить бизнес-процессы, установить соответствующие меры защиты и предоставить опытным работникам новые способы применять свои знания, создав модель автоматизации, которая будет не только более автономной, но и более безопасной, эффективной и устойчивой.

«Автономные системы — будь то роботы или дроны — действительно изменят то, как мы работаем на предприятиях, в энергосистемах и на горнодобывающих объектах, — говорит Гарг. — В определенном смысле это сделает такие операции более эффективными, гораздо более безопасными для участвующих в них людей и более продуктивными».

Этот выпуск Business Lab создан в партнерстве с AVEVA.

Полная расшифровка

Меган Татум: Я Меган Татум из MIT Technology Review, и это Business Lab — программа, которая помогает руководителям компаний разобраться в новых технологиях, выходящих из лабораторий на рынок.

Промышленный ИИ, возможно, не является чем-то новым, но он развивается стремительными темпами. От современной прогнозной аналитики, способной предотвращать отказы оборудования, до автономных роботов, которым поручена проверка оборудования повышенного риска, — новые приложения могут преобразить операционную эффективность. Но промышленный ИИ часто используется в средах с высокими последствиями ошибок и минимальным запасом для промаха. Если применять его без ясности, безопасности и подотчетности, со временем он также может привести к катастрофическим последствиям для критически важной инфраструктуры. Пока отрасли спешат внедрять новейшие технологии, целью всегда должен оставаться ответственный ИИ, созданный для поддержки, а не замены важнейшего человеческого суждения.

Два слова для вас: устойчивая автоматизация.

Сегодня у меня в гостях Арти Гарг, главный технолог AVEVA.

Этот подкаст создан в партнерстве с AVEVA.

Добро пожаловать, Арти.

Арти Гарг: Спасибо, Меган. Рада быть здесь.

Меган: Большое спасибо, что присоединились к нам. И для начала, чтобы задать контекст нашей беседе, не могли бы вы немного рассказать о текущем состоянии промышленного ИИ и о том, над чем сейчас работает AVEVA?

Арти: Да, с удовольствием. Я хочу вернуться к тому, что вы уже сказали: в некотором смысле промышленный ИИ не нов. Даже здесь, в AVEVA, мы работаем над ним более 20 лет, размышляя о том, как ИИ может улучшить приложения в промышленном секторе.

Но за последние несколько лет существенно изменился тип ИИ. Мы действительно перешли к универсальным фундаментальным моделям, которые позволяют гораздо большему числу людей использовать передовые технологии ИИ. Кроме того, всего за последние пару лет произошел взрывной рост так называемого физического ИИ и типов ИИ, способных значительно расширить возможности робототехники и автономных систем. Есть также агентный ИИ, который обеспечивает автоматизацию в большей степени на уровне программного обеспечения.

Мы видим, что в прошлом существовали определенные сомнения по поводу внедрения моделей с не полностью предсказуемыми результатами, однако сейчас внедрение ИИ, в том числе в промышленном секторе, ускоряется. Согласно одному исследованию, за последние два года оно увеличилось примерно на 78% в промышленности. Так что да, это переломный момент, но, если подумать о распространении ИИ, это почти ступенчатая функция.

И сейчас в AVEVA мы в основном думаем о том, как внедрять эти новые и очень мощные технологии ИИ в средах, где у клиентов есть критически важные операции, а безопасность людей имеет огромное значение. Это одни из главных факторов, которые наши клиенты учитывают при внедрении любой новой технологии. Мы работаем в условиях, где новые типы ИИ не обязательно предсказуемы с точки зрения своего поведения. Поэтому один из вопросов, над которыми мы особенно серьезно размышляем: как использовать эти технологии, сохраняя безопасность и надежность операций и одновременно выполняя обещания, которые дают новые возможности?

Меган: Так много всего нужно учитывать одновременно, не так ли? Вы рассказали о некоторых значительных изменениях, произошедших в этой области за последние годы. Что делает нынешний момент переломным именно для промышленного ИИ? Что изменилось, благодаря чему некоторые, возможно, еще недавно кажущиеся фантастическими сценарии стали гораздо более реалистичными?

Арти: Думаю, одна из главных вещей и одна из основных проблем промышленного ИИ — и это то, что лежит в основе деятельности AVEVA, в нашей ДНК, — заключается в том, что для полноценного использования любых цифровых технологий в промышленной сфере сначала часто необходимо собирать и сопоставлять данные из разрозненных систем. Например, у меня может быть телеметрия от насоса или смесителя, и я хочу сопоставить ее с журналами обслуживания, чтобы знать, когда последний раз проводилось техническое обслуживание этого насоса или смесителя. Возможно, я также захочу сопоставить эти данные с исходной проектной документацией и первоначальными инструкциями по обслуживанию, чтобы при возникновении проблемы лучше понять, что именно пошло не так и как это исправить. Это всегда было одной из ключевых задач промышленного сектора.

Думаю, сейчас происходит следующее: благодаря новым технологиям, включая графовые базы данных и возможность использовать ИИ для гораздо более быстрого сопоставления разрозненных наборов данных, мы можем достичь ситуации, когда при возникновении проблемы оператору не придется тратить время на исследование и выяснение того, как связаны между собой разные элементы информации. У него может быть просто планшет с ИИ, который быстро найдет и сопоставит нужные сведения и почти в реальном времени поможет определить, что происходит.

Еще более необычный, но не настолько невероятный сценарий — по-прежнему представить оператора-человека с мобильным планшетом, но теперь добавить робота, который перемещается по этой среде и тоже собирает данные. Благодаря встроенным вычислительным возможностям или быстрому соединению с оператором, которому уже не обязательно самому отправляться в опасное или потенциально небезопасное пространство, робот сможет собирать данные и также обеспечивать быструю диагностику. Думаю, именно это сейчас особенно интересно и именно этому помогают все упомянутые мною новые технологии.

С нашей точки зрения, полноценное использование всех этих возможностей означает, что теперь необходимо гораздо серьезнее подумать о подходе к управлению. Как использовать ИИ так, чтобы он оставался, если можно так выразиться, в определенных рамках?

Меган: Безусловно. И если говорить об управлении, как AVEVA определяет ответственный ИИ и в чем вы видите его основные преимущества?

Арти: Для нас ответственный ИИ основан на тройном мандате: он должен быть безопасным, эффективным — в том числе экологически эффективным, — а также превыше всего сохранять безопасность людей и человеческий надзор. Таковы некоторые из ключевых принципов ответственного ИИ для нас. Это означает, что при разработке инструментов внутри компании мы используем многоуровневый подход к управлению: отдельно рассматриваем, как применяем ИИ в качестве компании, и как внедряем ИИ в наши продукты. Для обоих направлений у нас есть схожая система — своего рода объединенная модель управления, охватывающая как использование ИИ, так и его интеграцию в продукты, чтобы наши клиенты могли применять ИИ в своей деятельности.

Но я бы сказала, что в основе всего этого лежит принцип, согласно которому люди по-прежнему остаются центральным элементом нашего подхода к использованию ИИ. Поэтому человеческое суждение, ответственность и этика остаются ключевыми факторами при определении того, где ИИ может принести пользу. Мы скорее рассматриваем ИИ как средство дополнения людей, а не их замены в критически важных циклах принятия решений.

Меган: Это действительно важное различие, не так ли? Что касается следующего этапа развития, все больше говорят о том, что агентный ИИ вскоре позволит промышленным системам работать гораздо более автономно. Чем риски в промышленных средах отличаются от рисков ИИ в чисто цифровом контексте? И, с другой стороны, каковы преимущества и возможности такой автоматизации на базе программного обеспечения?

Арти: Думаю, можно начать с рисков, а затем перейти к преимуществам. В конечном счете, наибольший риск в промышленной среде заключается в том, что мы взаимодействуем с реальными физическими системами — часто такими, которые способны обеспечивать важнейшие результаты, поддерживающие функционирование нашего мира, будь то поставка электроэнергии или добыча природных ресурсов. При этом физические системы обычно работают в опасных условиях, а само оборудование может влиять на безопасность людей. Каждый раз, когда вы соединяете программное обеспечение с физической системой, способной иметь реальные последствия, необходимо проявлять особую осторожность. Это всегда было частью нашей ДНК в AVEVA: с самого начала мы учитывали конечного пользователя и конечное применение, а не только то, что происходит на экране компьютера.

Даже внедряя ИИ в наши системы в течение последних нескольких десятилетий, мы обычно стремились выбирать наиболее подходящую модель и тщательно понимать ее поведение. Например, у нас есть собственная модель обнаружения аномалий, которая работает во многих операционных средах. Теперь, размышляя о новых возможностях ИИ, которые по замыслу трудно понять с точки зрения их поведения и которые принципиально не поддаются объяснению так, как прежние модели ИИ или статистические модели, мы должны учитывать еще один фактор: их поведение может меняться со временем по мере обучения и адаптации к новым возможностям. Возможный риск автоматизации физической системы на основе технологий, способных со временем меняться, заключается именно в этом. Нам необходимо очень внимательно и вдумчиво решать, где мы готовы внедрять такую повышенную автоматизацию.

Но одновременно здесь есть и реальная возможность. Я упомянула, что модели развиваются, но ведь развиваются и люди — и иногда это хорошо. Мы говорим о том, что люди обладают экспертизой и на протяжении карьеры приобретают понимание того, как работает система. Если использовать возможности новых технологий ИИ — например, рассуждающих моделей с агентными функциями — чтобы быстрее учиться и накапливать опыт, а возможно, что еще важнее, переносить опыт, полученный на одном объекте, на другой, то это дает реальную возможность масштабировать то, что уже хорошо работает у людей: иногда нужно просто учиться на практике, а затем применять и масштабировать этот опыт с помощью ИИ. Именно здесь я вижу значительный потенциал.

В промышленном секторе мы хорошо понимаем, как меняется рабочая сила. Думаю, почти половина, хотя и не совсем половина, работников промышленности выйдет на пенсию в течение следующих пяти лет. Это означает, что сектор потеряет огромное количество знаний и опыта. Если мы сможем сохранять эти знания в применимой форме и помогать новому поколению работников, привыкшему получать опыт иначе, использовать эту экспертизу, это станет огромной возможностью для промышленной сферы.

Меган: Безусловно. Здесь открываются огромные возможности, особенно на фоне других изменений на рынке и в рабочей силе, о которых вы рассказали. Если развить эту мысль, каков потенциал ответственно созданных и внедренных автономных промышленных систем ИИ для еще более быстрой и устойчивой организации промышленных процессов?

Арти: Думаю, на это можно взглянуть с нескольких сторон. Во-первых, каковы требования потенциально более экологичных процессов? Приведу пример проекта, над которым моя команда работает совместно с Национальной лабораторией Айдахо в США в рамках их проекта по тестированию устойчивости энергосетей с помощью ИИ.

Одна из проблем электросети по мере перехода к будущему, где будет гораздо больше нестабильных источников возобновляемой генерации — например, распределенных солнечных панелей на крышах, — заключается в том, что управлять сетью становится значительно сложнее. Нужно понимать, откуда поступает электрическая мощность и где возникает нагрузка на сеть. Кроме того, необходимо поддерживать качество электроэнергии: вместо одного вращающегося объекта, задающего частоту электричества в сети, появляется множество небольших систем. ИИ фактически крайне важен для управления энергосетью будущего. Именно над этим мы работаем вместе: как помочь операторам энергосетей лучше понимать происходящее в системе, выявлять аномальное поведение и обнаруживать проблемы на ранней стадии, чтобы затем устранять их?

При этом я всегда говорю, что это пример того, как ИИ может помочь ускорить переход к энергетическому будущему с более низким уровнем выбросов углерода. Одновременно много говорят об устойчивости самого ИИ. Каковы требования к электроэнергии? Какие ресурсы нужны для работы ИИ? Прежде чем перейти к тому, как мы рассматриваем этот вопрос в AVEVA — безусловно, мы о нем думаем, как и многие другие участники отрасли, — хочу отметить одну проблему: пока не существует общепринятого метода измерения воздействия ИИ на окружающую среду. Мы видим множество сообщений вроде «один запрос в таком-то чат-интерфейсе потребляет столько-то галлонов воды или столько-то электроэнергии». Но на уровне всего сообщества согласованного стандарта нет.

Я участвую в рабочей группе по разработке стандартов, созданной IEEE два года назад, чуть больше двух лет назад. Я председатель этой группы, которая называется рабочей группой по стандарту P7100 для измерения воздействия ИИ на окружающую среду. Мы пытаемся определить все направления, по которым следует оценивать экологическую устойчивость ИИ, а затем разработать единую стандартную методику, которую можно будет применять как для отчетности, так и, потенциально, для надзора или регулирования. Это крайне важно для реального понимания воздействия ИИ на окружающую среду: нам необходимо знать, что именно он использует. Мы хотим рассматривать этот вопрос комплексно. Наши стандарты охватывают потребление электроэнергии и энергии, использование ресурсов, потребление воды, а также выбросы углерода.

При этом важно понимать масштаб воздействия ИИ, но также важно помнить: более крупная модель требует больше вычислений, а больше вычислений, вероятно, означает использование большего количества ресурсов. Чем более осознанно мы будем выбирать модель подходящего размера для конкретного приложения, тем быстрее сможем сделать используемый ИИ экологически эффективным. Одним из приятных побочных эффектов может стать то, что специально созданная модель с меньшей вероятностью будет вести себя непредсказуемо, если правильно выбрать ее архитектуру. Таким образом, существуют дополнительные преимущества, выходящие за рамки экологической устойчивости.

Меган: Удивительно. Действительно очень интересно услышать о работе, которая ведется за кулисами, ведь, как вы сказали, мы все слышали некоторые цифры о воздействии ИИ на окружающую среду. Здорово понимать, что делается для прояснения этого вопроса.

Ранее мы немного говорили о том, как ИИ дополняет возможности людей. По мере того как системы становятся более автономными, как организациям следует находить баланс между автоматизацией с замкнутым контуром и ответственностью человека, участвующего в контуре? Какие защитные ограничения должны быть установлены? И как правительства и трансграничные участники также подходят к этим вопросам?

Арти: В этом вопросе много всего, поэтому я постараюсь ответить поэтапно. Начну с баланса между замкнутым контуром и участием человека, автоматизацией и подотчетностью. В промышленном секторе мы говорим о переходе от человека-оператора к человеку, который осуществляет надзор за промышленными системами. Если честно, мы все еще пытаемся понять, как это должно работать. Когда человек находится в контуре автоматизированной системы, речь идет о том, что система может обработать все данные, а затем выдать рекомендацию.

Мы работаем над решением совместно с несколькими клиентами: оно позволяет собирать большое количество операционных данных, а также результаты моделирования работы их систем, и выдавать, например, рекомендации вроде «теперь следует работать с такой-то уставкой, а не с другой» с учетом изменения условий на предприятии. Многие заинтересованы в переходе от рекомендованной уставки к автоматизации, которая будет самостоятельно ее корректировать. Мы уже провели несколько успешных пилотных проектов в реальных условиях.

Но понятно, что изменение уставок промышленного оборудования вызывает у людей сильное беспокойство. Поэтому можно сохранить определенные защитные ограничения: например, система не может выйти за пределы заданного диапазона рабочих параметров или автоматизация разрешена только в определенных областях. Человек, осуществляющий надзор, действует примерно так же, как руководитель, который предоставляет сотрудникам большую свободу в одних вопросах, но устанавливает жесткие правила в других — например, определяет крайний срок или производственный план. Именно так и нужно подходить к вопросу: как установить соответствующие защитные ограничения?

Проблема в том, что ИИ — не человек, поэтому защитные ограничения для него выглядят иначе. Думаю, это один из вопросов, над которыми нам еще предстоит поразмышлять. Какие именно ограничения следует устанавливать? Вероятно, ответ будет в некоторой степени зависеть от конкретного приложения, но со временем мы все научимся, поэтому важно действовать открыто и продуманно.

При этом потенциальные возможности действительно огромны. Я уже говорила, что ИИ может быть очень полезен для синтеза большого объема информации и выделения главного: вот что важно. Мы хотим оставить пространство для экспериментов в этой области, но при этом необходимо убедиться, что человек понимает связанные с этим риски.

Приведу личный пример, который может быть показательным. На этих выходных я купила небольшого робота-игрушку и решила запрограммировать его на выполнение нескольких задач. ИИ оказался очень полезен, помог мне начать и разобраться с документацией. Собрать робота было просто, инструкции были хорошими, но уже существовал довольно сложный комплект средств разработки программного обеспечения, а чтение всей документации могло занять много времени. ИИ помог быстро найти нужную информацию — например, определить, какая функция выполняет ту или иную задачу. Но время от времени он давал действительно плохие рекомендации по оптимальному способу устранить проблему.

Именно здесь участие человека в контуре оказывается очень полезным: я понимала, что ИИ не станет лучшим архитектором программного обеспечения или специалистом по устранению неполадок. Я могла использовать его сильные стороны — синтезировать и извлекать большое количество информации, — но при этом сказать: «Не думаю, что это самый эффективный первый шаг. Давайте попробуем что-нибудь другое». Это совершенно иной способ работы, но по мере того как люди будут лучше понимать возможности и ограничения ИИ, их можно будет учить взаимодействовать с ним. И это сильно отличается от работы с другими цифровыми инструментами.

Говоря об ИИ, важно учитывать широту сфер, которых он касается, и масштаб последствий, которые он вызовет: будь то окружающая среда, о которой мы говорили, производительность, подразумеваемая во всем нашем разговоре, рынок труда или даже принципы функционирования экономики. Насколько я вижу — и я отнюдь не эксперт по вопросам государственной политики, — разные правительства расставляют разные приоритеты, формируя свои подходы к регулированию и другим видам управления.

Меган: Во всем мире мы действительно видим очень разные подходы, не так ли? Чтобы проиллюстрировать это, не могли бы вы рассказать о каких-нибудь известных вам примерах и объяснить, какие уроки они могут дать организациям, находящимся на более ранних этапах внедрения ИИ?

Арти: Думаю, в большинстве областей, где мы видим очевидные преимущества внедрения ИИ в промышленности, ключевым фактором является правильная организация данных и создание надежной основы данных, на которой можно строить ИИ.

Один из наших клиентов, SCG Chemicals, нефтехимическая компания из Таиланда, поставил перед собой задачу создать для своих операций платформу обеспечения надежности, максимально управляемую ИИ. Но важнейшей частью этой задачи было правильное структурирование данных, размещение всей информации в нужном месте и использование для этого некоторых инструментов AVEVA. Компания объединила операционные и инженерные данные, а затем добавила возможности ИИ — в данном случае наше решение AVEVA Predictive Analytics, использующее собственные модели для обнаружения аномалий. Это позволило гораздо раньше выявлять потенциальные операционные риски. Вместо незапланированных простоев их можно было переводить в плановые. А переход от незапланированных простоев к плановым способен значительно повысить надежность предприятия.

Сейчас компания нацелена примерно на 99% надежности предприятия и очень высокую отдачу от инвестиций в созданную платформу. Уже на ранних этапах пилотирования показатель почти достигал девятикратной окупаемости, что действительно впечатляет. Но я хочу подчеркнуть: это многоуровневая задача, и для успеха необходимо решить сразу несколько проблем.

Меган: Результаты действительно впечатляют. Для руководителей промышленных компаний, которые пока не решаются изучать возможности ИИ, что, по-вашему, они рискуют потерять, занимая выжидательную позицию?

Арти: Думаю, здесь промышленному сектору приходится применять несколько иной подход. В целом большинство бизнес-экспертов сказали бы, что нельзя позволить себе выжидать в вопросе ИИ, поскольку он преобразует все сферы общества и экономики. Промышленность, конечно, не является исключением. Но, как я уже отмечала, некоторые особенности промышленной сферы заставляют ее руководителей иногда предпочитать стратегию быстрого последователя, а не первопроходца при внедрении новых технологий, просто потому, что риски очень высоки.

Однако проблема заключается в том, что риски, о которых мы говорили, — внедрение в физические системы технологий, поведение которых не всегда предсказуемо, — вряд ли будут решаться другими секторами. Поэтому я вижу большой интерес, энтузиазм и готовность пробовать новое: существует понимание, что при правильном применении и наличии соответствующих ограничений и мер защиты эти технологии обладают по-настоящему преобразующим потенциалом с точки зрения использования ресурсов, безопасности людей и производительности.

Думаю, в секторе произошел определенный сдвиг: теперь мы действительно хотим испытывать эти решения. Но тогда возникает другой вопрос: как проводить такие испытания в более изолированных или безопасных средах, чтобы проверить уникальные проблемы, с которыми мы столкнемся в промышленном секторе?

Меган: Безусловно. Сегодня трудно игнорировать этот потенциал, не так ли? И в завершение давайте немного заглянем в будущее: что вас больше всего воодушевляет в долгосрочном потенциале ответственных автономных промышленных систем ИИ?

Арти: Думаю, здесь есть несколько направлений. Одно из них — в ближайшие 18 месяцев мы наверняка увидим рост числа специалистов с глубокими отраслевыми знаниями, которые, возможно, не имеют опыта в программировании, но смогут использовать методы программирования с помощью ИИ и создавать то, что раньше было им недоступно.

Для меня это особенно интересно. В начале карьеры я была специалистом по анализу промышленных данных и всегда чувствовала наибольший интерес и больше всего училась, разговаривая с людьми, работавшими непосредственно на передовой производства, контролировавшими множество различных единиц оборудования и понимавшими, как они взаимодействуют. У них огромный объем знаний, и возможность быстро создавать новые приложения, предоставленная им в руки, вероятно, приведет к появлению множества новых идей, о которых многие из нас в сфере промышленного программного обеспечения даже не подумали бы и не знали бы, как реализовать. Думаю, это действительно захватывает.

Если смотреть дальше, я, пожалуй, не была скептиком в отношении робототехники — очевидно, робототехника и автономные системы будут важны, особенно с учетом того, что промышленное оборудование работает в опасных или удаленных условиях. Но я действительно считаю, что события развиваются гораздо быстрее, чем я ожидала. Мне очень интересно увидеть, как физические воплощения систем ИИ начнут по-настоящему менять наше представление об операционной деятельности.

Любая новая технология в любой среде приносит пользу только тогда, когда ради нее меняется способ работы. Уже почти 10 лет я выступаю с докладами о внедрении ИИ и всегда говорю, что главный барьер для его внедрения связан не с технологией. И даже не с данными, хотя именно данные часто становятся самым сложным препятствием. Вопрос в том, готовы ли вы изменить бизнес-процессы так, чтобы работать с сильными и слабыми сторонами этой технологии.

Автономные системы — роботы или дроны — действительно изменят то, как мы работаем на предприятиях, в энергосистемах и на горнодобывающих объектах. Думаю, это сделает такие операции более эффективными, гораздо более безопасными для людей и более продуктивными. Поэтому я с большим интересом жду этого будущего.

Я не знаю точно, в каком направлении все будет развиваться, но часто думаю о том, что в книге «Я, робот» Айзека Азимова исходной предпосылкой было: именно робототехника, а не компьютерные системы, станет первым широко распространенным видом ИИ. Мы пошли по другому пути, и теперь очень интересно видеть, как все это начинает сходиться.

Меган: Да, робототехника немного нас догоняет. Впереди действительно столько захватывающего. Большое спасибо за ваше время.

Это была Арти Гарг, главный технолог AVEVA, с которой я беседовала из Брайтона в Англии.

На этом выпуск Business Lab подошел к концу. Я ваша ведущая Меган Татум. Я редактор, работающий с авторами, в Insights — подразделении MIT Technology Review, занимающемся заказными публикациями. Мы были основаны в 1899 году при Массачусетском технологическом институте, а сегодня нас можно найти в печати, в интернете и на мероприятиях по всему миру. Чтобы узнать больше о нас и нашей программе, посетите наш сайт technologyreview.com.

Эту программу можно слушать везде, где вы получаете подкасты. Если она вам понравилась, надеемся, вы найдете время поставить нам оценку и оставить отзыв. Business Lab — это проект MIT Technology Review, а этот выпуск подготовила Giro Studios. Большое спасибо за внимание. До свидания.

Узнайте больше на сайте aveva.com.

Этот материал подготовлен Insights, подразделением MIT Technology Review, занимающимся заказным контентом, а не редакцией издания. Исследование и текст созданы людьми; любые инструменты ИИ, которые могли использоваться, применялись только в производственных процессах под контролем людей.