国家 / 地区
docurl=/cn/About_H3C/News_Media/Company_News/202005/1296827_30008_0.htm

数字化领航 | AI+工业互联网为何缺少杀手级应用

【发布时间:2020-05-21】

当“新基建”成为2020年的网红名词,其中的AI作为一种赋能技术早已在推动各领域的智能化发展。不过,在拥抱工业互联网的路上,AI前进的“脚步”似乎有些缓慢。这与AI基础设施技术薄弱,致使现阶段缺少可规模化的杀手级工业AI应用不无关系。实际上要想加速AI技术推动工业互联网智能化腾飞,应该从如下几个方面入手。

AI赋能工业互联网三大要素不可少

趋势已然明朗,不过要实现AI技术在工业互联网领域的应用使能,本文认为有三个关键要素(如图所示):

首先,需要工业应用的业务专家,采集融合工业领域的数据和利用AI模型进行AI应用开发。工业领域的数据有行业属性,采集(ETL)和处理过程(标注)具有工业特色。比如在工业智能视觉自动化检测场景中,需要检测的产品零部件大大小小不一,图片采集的场景和标注具有行业特性,质检流程和标准也不同,这都需要一一研究和实现。另外,在利用AI模型进行AI应用开发和落地的时候需要优化工业大数据的AI算法模型和智能边缘部署,需要熟悉相关工业互联网领域的应用和业务流程,解决边缘侧AI模型的统一部署问题。

其次,需要有数据科学家和深度学习的专家参与,构建工业领域的数据和算法。采集汇总的工业源数据,需要提取和挖掘出蕴藏其中的价值,就必须进行归类和标注,根据业务智能的需求形成可以用于训练和推理的工业数据集。这是第一步,然后深度学习的专家和工程师需要根据具体业务的需求,利用数据集进行算法模型的开发和训练,最终产生精确度高有价值的推理模型,结合具体的行业应用进行算法落地。工业大数据非常复杂多样,处理算法模型开发过程中的特征工程在工业界是巨大的难关,需要对机器学习以及深度学习的技术如何结合业务有较深理解。

最后,需要AI基础设施系统架构的专家规划方案,提供专业的算力和存储。工业数据的采集和使用,需要针对数据进行存储和流转,需要专业的存储领域的技术,实现数据的大容量保存和高速流转。在算法工程师针对数据集进行算法的开发和模型训练的时候,需要提供专业的AI平台,包括训练平台和推理平台。构建这两个专业的平台涉及到高性能的ICT技术(包括芯片技术)、众多的计算框架,以及基于工程数学的大量算法模型的迭代开发和基于计算框架的算力资源的管理调度。整个底层技术生态复杂而多样,需要具备综合ICT技术能力和实力的公司才能提供合适的AI基础设施平台方案。

不难发现,AI使能工业互联网的三个关键要素,正是AI领域三大要素: 算力、数据、算法在工业互联网领域的具体体现。而在这其中,最为关键的则是构建起工业数据集(工业数据矿),并利用强大的AI基础设施平台,为工业互联网智能化夯实地基。

工业互联网缺少AI杀手级应用问题的

核心是缺少有价值数据

没有数据就没有智能,在工业企业数字化转型中,应用整合和数据整合以及融入AI技术的最大问题是工业数据,缺少有价值的数据也是缺少AI杀手级应用的核心问题。因此,尽管工业互联网可以逐步确保数据可以端到端流动,但应用孤岛和数据鸿沟的问题仍远未解决,而工业数据因为物物互联远未实现,数据采集难以端到端流动,流转困难。

另外,工业数据存在于多个工业业务系统,孤岛数据比比皆是。工业数据多而不标准,业务特征多而复杂,针对AI算法训练的数据标注难度大,各行业都还没有很好的工业数据集用于算法训练,因此工业互联网的建设促进了数据在ICT系统 & OT要素间流转,但工业数据价值仍远未充分挖掘,需要针对工业数据融合,形成数据资产,并对融合后的源数据开发和标注各种AI数据集,用于AI算法模型的训练,以此推动工业领域杀手级的AI应用(如图所示)。

AI基础设施技术难以落地

也导致工业智能化发展缓慢

实际上,工业互联网各行业当前都还没有很好的工业主题AI数据模型,也没有很好的工业标注数据集用于AI算法训练,缺少杀手级AI应用,这阻碍了工业互联网智能化的发展,其中最大的痛点就是AI基础设施技术在工业领域的落地,因为其中涉及的ICT技术领域多,落地集成和实施复杂,维护成本高,难以落地 。

AI基础设施建设的优劣将直接决定工业互联网实现智能化的程度,也直接影响可能出现杀手级AI应用的AI算法模型的开发。如果综合考量AI技术落地工业互联网时,数据训练和推理两大过程所需的硬件资源、响应速度、部署环境等因素,工业互联网的AI基础设施,需要分别部署在数据中心以及边缘,以满足不同的业务需求。而只有基于AI推理的结果,才能够不断开发和实现各种工业智能应用,最终产生杀手级应用。

AI基础设施技术包括AI底层硬件(计算力、网络和存储)、计算框架、平台领域,仍然有很多需要优化和发展的技术,以待研究和实现,来适应工业领域中各种场景AI模型的训练要求。AI基础设施架构主要包括AI基础设施平台以及AI基础设施资源池,平台侧整合底层资源,统一协调调度;资源池则提供计算、存储、网络等必要的硬件资源。要实现工业互联网智能化,需要分别关注以下建设重点。

在AI基础设施训练平台层面,要构建用于科学计算应用的高性能的AI基础设施资源池,可实现资源灵活申请,自动化配置编码和运行环境,资源自动释放,同时利用大数据的存储和处理,形成数据资产。

在AI基础设施边缘平台层面,更多的是解决算法模型的推理部署和应用问题,除了在模型推理部署中要实现支持多种加速芯片的边缘服务器,优化算法模型库和计算性能外,还要有针对工业场景下的工业数据接入和处理功能。此外,要实现和具体的原有工业业务系统对接以及AI应用系统对接,也需要对AI边缘计算设备进行资源管理和调度。

在AI基础资源共享层面,则需要兼顾技术实现与使用,因此平台落地时要解决涉及大量的数学计算,并行计算的开发和应用环境依赖技术的问题。同时在使用上,要利用计算资源进行大量迭代计算,反复在客户端快速呈现每一次迭代计算的计算结果,这对于客户端和AI系统之间网络大流量带宽的需求将是一个巨大挑战。

如今,紫光旗下新华三集团已提出AI in ALL的战略,将工业互联网融合AI技术作为发力点,研究工业数据整合和AI技术,打造工业互联网融合数据解决方案和AI基础设施方案,为工业客户建设AI计算平台,为工业客户的AI应用使能。作为数字化解决方案领导者,新华三将持续在AI领域投入,为工业互联网使能,加速实现智能制造,与工业互联网客户携手引领AI时代。

联系我们 联系我们
联系我们
回到顶部 回到顶部