工業人工智慧

工業人工智慧（英語：Industrial artificial intelligence, IAI）也稱作工業AI，是指人工智慧在工業中的應用。 不同於人工智慧，工業AI是一門嚴謹的系統科學，它專注於開發，驗證和部署各種不同的機器學習算法以實現具備可持續性能的工業應用。工業人工智慧作為一種系統化的方法和規則為工業應用提供解決方案，工業人工智慧並且也是將學術界研究AI的成果與工業應用連接起來的橋梁。AI驅動的自動化尚未能對生產力的增長產生可量化的重大影響。現今行業，除了面臨市場需求和競爭的新挑戰，它們尚需要一個被稱為工業4.0的激進變革，AI與工業物聯網（IIoT），大數據分析，雲計算和信息物理系統的集成將使工業以靈活，高效和節能的方式運作。工業人工智慧更加關注技術的運用來解決工業上的痛點問題，從而創造客戶價值，提高生產力和獲得洞察力。。雖然人工智慧的應用在反烏托邦願景中，智能的設備可能會奪走人們的工作並導致社會和道德問題，但整體產業對人工智慧仍持有積極態度，並認為這種經濟轉型勢不可擋，及期待過程中產生巨大的商機。

"人工智慧"一詞於1940年提出的，通過智能分析和建模提高生產力和獲得洞察力。人工智慧和知識基礎系統一直是人工智慧廣泛研究的一部分，應用於產品設計、生產計劃、分發和現場服務的整個產品生命周期中。電子製造系統和電子工廠並沒有使用「AI」這個術語，而是擴大了工程系統的建模，使得能夠在智能製造生態系統中實現元素的完全整合。雲計算服務平台廣泛運用人工智慧技術。網絡製造系統（Cyber manufacturing）也運用預測分析和網絡-實體建模解決產品和機器健康之間的鴻溝（gap），從而優化生產。 工業人工智慧最近被廣泛提及，有以下幾種原因：更經濟且性能多的傳感器和數據採集的自動化過程；更強大的計算能力，以較低的成本、更快的速度執行複雜的工作任務；更快速地連接基礎架構和更易於訪問的雲服務平台，外包數據管理和計算能力。然而，如果工業界中的問題得到妥善處理，這項技術也不會產生任何商業價值。工業人工智慧或許有助於產品與服務創新、生產過程改進以及獲取洞察力這三方面的應用。

美國東部時間2019年2月11日，美國總統於簽署一項行政命令「美國AI倡議」（英語：American AI Initiative），這是一項指導美國境內人工智慧開發的最高戰略，期望刺激美國對人工智慧的投資，並加速美國在AI領域的領導地位。

關鍵要素

工業人工智慧可由五大特徵構成，依照ABCDE的順序分別為：分析技術 (Analytics Technology)、大數據技術(Big Data Technology)、雲或網絡技術(Cloud or Cyber Technology)、專業領域知識(Domain Knowledge)以及證據(Evidence)。

整體來說便是在以分析技術（A）為核心的架構下，處理透過工業場景中蒐集的大數據（B）生產信息來幫助生產者做決斷。其中又輔以雲技術（C）提供整體環境平台，並結合場域的專業知識（D）作為分析判斷的條件準則，最後再以驗證工具（E）修正模型使之更加可信賴並保證其時效性。

類別

為用戶創值的產品應用

工業人工智慧可以運用到現有的產品或服務中，使它們更有效、更可靠、更安全、更持久。舉一個例子，汽車產業用視覺識別車道上行駛的汽車來避免事故，使用語音識別促進安全駕駛。在製造業中，比如通過對具有自我意識的帶鋸機的刀片剩餘壽命進行預測，用戶就可以依據鋸帶退化的知識模型(evidence)而不是以往的經驗(experience)，這更加安全，從而延長刀片壽命，並建立刀片使用檔案，便於在不同切割材料的情況下對刀片的使用進行選擇。

工業人工智慧可以創造出新的產品和新穎的商業模式，去滿足用戶可見的需求、避免可見的問題、創造新的競爭力以及管理不可見的問題，通過分析數據，預測需求、預測製造去整合產業鏈和價值鏈。

GE的Prediex是一種適用於狹義AI應用開發的工業作業系統。美國國家儀器的InsightCM ™和基於LabVIEW平台合作開發的Watchdog Agent®算法工具包都具有軟體分析能力。上述提及的帶鋸機製造商對外聲稱的服務中心系統，形成一種有助於提高設備的可靠性和帶鋸機切割效率的商業模式。

提高為生產力改善的工藝應用

自動化是工業人工智慧設計流程應用中重要組成部分之一。通過運用人工智慧技術，自動化的涉及範圍及發展速度發生了根本性的改變。人工智慧技術提升了應用性能，擴展了傳統AI的應用能力。協作機器人是一個實例，協作機器人手臂能夠學習人類操作者演示的動作和路徑，與人類執行相同的任務。人工智慧還能自動完成過去人類需要做的事情。另一個例子是香港地鐵，工程師運用人工智慧技術實現決策分配和工作調度，比運用人工完成更加有效且可靠。

工藝應用的另一個方面是對大型系統的建模。網絡製造系統被定義為具備網絡化和基於循證建模與由數據驅動的深度學習技術的容錯性高的製造服務系統。這樣的系統通常用於處理大型且地域分布式的資產，這就很難通過傳統的基於個體資產的物理模型實現建模。運用機器學習和優化的算法，通過大量的資產樣本並自動化操作管理、備件庫存計劃以及維修計劃流程形成自上而下的框架。

獲取對知識的洞察的分析應用

工業人工智慧可以基於工程系統的經驗來獲取對知識的洞察，人工智慧在許多關鍵領域發揮了重要作用，航空航天領域是國家的安全保障和根基。美國國家航空暨太空總署(NASA)試圖通過分析飛行數據和試驗報告，積極地管理飛機安全風險，不僅實現檢測設備異常，而且將故障的因果關係聯繫起來。通過對已發生的故障的經驗，預測下一次類似事故的發生，並在事故發生前進行預防。

預測性維護和預防性維護能通過數據驅動機器學習從而降低工業應用領域的成本。其實際應用為故障預測與健康管理(PHM)，目標在於通過建模獲取設備在運行時的健康衰退趨勢，獲取的信息有助於產品提升效率與質量。生產者便能預測出機台未來的健康狀態，即時對其做維護、維修等處理，進一步達到無憂（worry free）的工作。

挑戰

工業人工智慧的期望是巨大且多方面的，要滿足企業界的部分期望也將會是人工智慧在應用時要面對的獨特且真實的挑戰，所面臨的會是如何將原始數據迅速轉化為協助專家決策的智能化預測信息。在現存的複雜挑戰中，實現工業人工智慧，下列問題具有更高的重要性及優先性：

數據

工程系統會產生大量的數據，現代工業實際上是一個大數據環境。然而，工業數據通常是結構化的，且數據的質量低。對於工業大數據有「3B」的問題：

Bad quality-低質性

數據的質量很差，不同於商業大數據，工業系統的數據具有明確的物理意義，並且對於預測和分析結果的容錯率很低。

Broken-碎片化

通過訓練機器學習模型所收集的數據通常缺乏一套完整的工作條件和健康狀態/故障模型，這會導致在人工智慧系統的在線實現中，出現誤報和產生虛假數據的現象。

Background-隱匿性

工業數據模式可能是非常短暫的，需要運用相關領域的知識，數據僅僅依賴統計學工具挖掘屬性之間的相關性是很難得以利用的。

速度

工業生產線快速，設備和零部件的價格昂貴，通過人工智慧實時監測數據，即使發現設備異常，避免浪費或由於設備故障出現事故的現象。雲計算的解決方案快速高效，但仍然不能滿足一定的計算效率的要求。在這種情況下，邊緣計算或許是最好的選擇。

系統分析準確度

與一般的人工智慧推薦系統不同，它們對誤報和漏報的容忍度很高，即便是極低的誤報率和漏報率也可能使得人工智慧系統的總體可信度受到影響。工業人工智慧的應用通常處理與安全性、可靠性和操作相關的關鍵問題。任何預測上的失敗都會對用戶造成負面的經濟或安全影響，從而阻礙他們運用並依賴於人工智慧系統。

可解釋性

除了預測精度和性能保真度以外，工業人工智慧不僅需要預測結果，還要對異常的根本原因進行分析。這就需要在開發的過程中，數據科學家需要與工業相關領域專家合作，在建模過程中運用相關領域的知識，使模型自適應地學習和積累知識，獲取對知識的洞察力。

機器與機器之相互影響

當AI演算法能夠準確的將一組輸入數據集映射到一組輸出數據集時，它們也容易被因機器與機器間之不同而有的細微變量所影響。AI 算法需要確保單個 AI 解決方案不會對其他下游系統的工作造成干擾或衝突。

網路安全

越來越多地使用連接技術使得智能製造系統容易受到網絡攻擊。目前此類危險程度並沒有受到足夠的重視，而且企業界對存在的網絡威脅也沒有完善的對策。