首頁熱門文章
預置分析模塊將推動工業化人工智能革命
發布時間：2018-08-10 分類：交通百科
什么是智力革命的1/4“螺栓?
歷史如何讓我們為即將到來的人工智能革命做好準備?當我試圖理解歷史能教給我們什么關于技術引發的革命時，工業和信息革命的關鍵能力之一是從勞動密集型手工制造向大規模制造解決方案的過渡。在信息革命中，它創造了標準化的數據庫管理系統、中間件和操作系統。對于工業革命來說，它是標準化部件的創造，比如螺栓就可以用來組裝。那么，對于人工智能革命來說，什么是“螺栓等效”呢?我認為答案是分析引擎或模塊!
分析模塊是預先建造的引擎，想一想樂高積木，可以組裝來創建特定的業務和操作應用程序。這些分析模塊具有以下特點：
1、預定義的數據輸入定義和數據，因此，不管源系統的來源如何，它都知道自己攝入的是哪種類型的數據。
2、預定義的數據集成和轉換算法，用于對數據進行清理、對齊和規范化。
3、預先定義的數據濃縮算法，以創建分析模型所必需的高階度量，例如，REACH、頻率、最近度、指數、分數。
4、算法模型，使用預測分析、機器學習或深度學習等高級分析方法建立，接收經過轉換和充實的數據，運行算法模型并生成期望的輸出。
5、在預測分析、機器學習和深度學習框架之上的抽象層，該框架允許應用程序開發人員選擇他們首選的或公司規定的標準。
5、編制能力，以“調用”最合適的機器學習或深度學習框架的基礎上類型的問題被解決?？梢詤⒖糑eras，它是一個高級神經網絡API，用Python編寫，能夠在流行的機器學習框架上運行。
6、預先定義的輸出，將分析結果反饋給下游的運營系統，例如，操作儀表板、制造、采購、營銷、銷售、支持、服務、財務。
7、分析模塊產生預先定義的分析結果，同時提供一個抽象層，支持底層機器學習和深度學習框架的編排和優化。
利用分析模塊貨幣化物聯網
推動物聯網支出的十大物聯網案例，其中包括預測維護、自我優化生產、自動化庫存管理、車隊管理以及分布式生成和存儲。
但是，這些物聯網應用程序將不僅僅是監視正在發生的事情的報告和儀表板。他們將是“智能的”學習與每一次互動預測可能發生的事情，并規定糾正措施，以防止昂貴的，不受歡迎的或危險的情況和基礎的組織的自我監測，自我診斷，自我糾正和自我學習兩個物聯網環境。
雖然這是一個非常有吸引力的物聯網應用程序的目標列表，但將這些用例作為單個應用程序處理是一個巨大的錯誤。相反，這些物聯網“智能”應用程序將由集成的分析模塊組成，以處理這些物聯網人工智能應用程序需要處理的關鍵業務和操作決策。例如，可以將預測維護看作是由分析模塊組成的組合，這些模塊處理以下預測維護決策，包括：
1、識別有風險部件的故障預測。
2、優化資源調度和人員配置。
3、配合技術員和庫存人員進行維修保養工作。
4、確保工具和維修設備的可用性。
5、確保第一次修復優化。
6、優化零件和MRO庫存。
7、預測元件的可固定性。
8、優化零件，工具和技術人員的物流。
9、利用隊列分析來提高服務和維修的可預見性。
10、利用事件關聯分析來確定天氣、經濟和特殊事件如何影響設備和機器的維護和維修需求。
創建人工智能應用程序的唯一方法是采用一種方法，通過識別、驗證、評估和優先排序包含這些人工智能應用程序的決策來啟動預測維護假設的開發過程。
