应用

技术

物联网世界 >> 物联网新闻 >> 物联网热点新闻
企业注册个人注册登录

一夜实现智能?这坑是AI工业躲不过的

2020-04-03 09:07 机器之造
关键词:AI人工智能

导读:如何从“深坑”中趟出一条工业 AI 之路?

疫情前,丰融出差去了趟重庆,跟一个客户谈工业大脑的方案。但项目还没来得及落地,疫情已经到来。

丰融是阿里云工业大脑首席解决方案架构师。春节期间,客户跟他电话沟通时,表示非常后悔,如果能早三个月接触,项目在春节前落地,如今就可以用工业大脑托管控制系统,无需再为招工发愁了。

疫情前期,可谓一工难求,甚至加钱员工都不愿意上工。这也在悄然改变产业方对于工业智能的看法。

在新基建七大领域中,有三个(大数据中心、人工智能、工业互联网)直接与智能制造相关,政策的引导与扶持,也为工业智能的落地与传统企业的智能化转型带来良好的契机。

自2017年以来,科研大牛、AI公司相继涌入工业领域。前不久,原腾讯杰出科学家、优图实验室 X-Lab 负责人贾佳亚离职创业,智能制造便是新公司发力的重要领域。

再往前翻,前阿里云机器智能首席科学家闵万里去年亦离职创业,成立北高峰资本,制造业也是三大聚焦方向之一。

然而,当每一位创业者、变革者拿起AI的工具,叩响工业之门时,扑面而来的是前所未有的挑战,不仅有工业机理、领域知识的屏障,还有数据匮乏、模型泛化的挑战,更有传统企业的认知问题与信任缺乏。

面对“AI工业落地之深坑”,无论技术提供方,还是产业方,该如何走出?

透过阿里云工业大脑、库柏特科技、阿丘科技、杉数科技等在工业领域的实战,看他们如何从“深坑”中趟出一条工业智能之路。

01 企业几乎必遇的“深坑”

在清华大学人工智能实验室还未毕业时,黄耀就创办了阿丘科技,如今已在工业视觉赛道摸爬滚打了3年多。

创业以来,他一直聚焦解决工业检测问题,跑了不下100个工厂,看到了行业的无数坑,自身也踩过许多坑。

AI在工业检测领域的落地,如同技术成熟度曲线所演绎的那样,整个过程中会存在一个低谷,黄耀称之为“AI工业落地之深坑”。

他坦言,刚开始接触AI时,客户的工程师往往比较兴奋,愿意去尝试,用AI尝试解决之前不可解的工业视觉难题,小样本测试的结果通常非常好,比如传统方法的识别准确率只有50%,而AI很短时间内就可以做到超过80%。

这给了他们期望,推动公司投入更多资源进行AI项目导入。可是当进行大量样本测试时,尽管增加一定的数据可以让模型准确度进一步提升,比如达到90%,但瓶颈随之出现。

盲目增加数据,带来效果不一,有的缺陷项检测效果可能变好,有的准确率反而会下降。此时往往进入一个震荡期,工程师陷入其中而不得其解。

黄耀称,这种情况在AI落地工业检测过程中遇到的概率高达90%以上,几乎是必遇的坑。

这一精度对工业而言,显然远远不够,AI难以达到上线要求。一些人开始失望,深度学习似乎远没有达到预期,许多AI项目逐渐搁置或边缘化。

这就是AI工业视觉落地之深坑。工业领域经常会出现一种情况,两张差不多的“缺陷”照片,一张能够被AI检测出来,另一张却没有,甚至不明显的被检测出来,明显的却被漏掉了。

此时,工程师需要的不是盲目增加数据,而是理性分析,找出问题的根源,优化直至模型达标上线。

正如库柏特创始人李淼所言,AI很大程度取决于数据和场景。

工业AI问题的解决不能只局限问题本身,更应该基于工业应用的一般流程,从全流程中去优化关键问题,这也是运营的关键。

在AI落地的流程中,每一个环节都值得推敲。李淼称,场景选择非常重要,不能太大,否则数据千奇百怪,也需要与大量行业专家沟通,合理定义问题的边界。

数据获取直接影响模型的效果,往往需要算法工程师到现场搜集,成本很高,并且对标注人员要求较高,需要懂得行业知识。

除了数据环节,后期的部署运维也需要耗费企业很多时间,进行实际样本测试,算法人员驻场观察,优化模型等。

从整个流程来看,中间的模型训练环节,反而不是AI公司的主要障碍,两端则耗费大量的时间成本与人力成本。

除了技术之坑、业务之坑,AI在工业落地中还面临领域知识之坑、公司定位之坑、商业模式之坑等等。

趟过一个个坑,这些公司完成了工业AI落地的从0到1,并实现一定规模的落地。透过他们的落地之路,更有助于我们思考,如何走出AI工业落地之深坑。

02 砍掉98%业务,不做什么更重要

波士顿动力机器人近乎花哨的表演,几乎每隔一段都会上演。但业内人都清楚,它离实际场景太远,并且难以商用。因为工业场景对机器人的精度要求极高,低于99.9%甚至无法商用,远非实验室可以达到。

在库柏特创始人李淼看来,机器人面临的挑战可分为3类:一是做不了,任务挑战太大,智能性不够;二是做不好,柔性不够,适应性差;还有一类是不想做,细分市场规模较小,盈利空间有限。

面对这些挑战,机器人公司一方面需要结合AI、传感器、工业软件等提升机器的智能性与适应性;另一方面,也需要结合技术成熟度与市场判断,选择合适的“主战场”。

创业近4年的李淼,趟过无数坑后,做的一个艰难决定便是做什么、不做什么,定位在哪里,选择什么商业模式。

库柏特定位于机器人操作系统,即给定一个真实任务,就可以从平台中找到对应的机器人系统,来解决这个问题。它跟机器人本体进行打通,针对系统集成商的需求,面向行业提供解决方案。

在最开始的AI落地中,ToB的创业公司往往会接触大量场景,打磨技术同时培养产品化能力。

2018年,库柏特广泛涉猎了3C电子、汽车零部件、食品、物流、医疗等众多领域,但绝大多数时间都用在了“脏活”(dirty work)和极端案例中。

“你费半天劲解决某个复杂技术难题后,可能只卖出去一套。一开始,对方说要一百套。”李淼曾谈道。

与集成商和设备商合作,还是直接面向终端客户提供服务,是一个艰难的商业选择。

李淼想要针对大的市场,实现机器人系统的产品化和规模化。但深耕在集成商与设备商之后,企业很难把握终端客户与市场的真实需求。

后来他决定转变,与渠道合作,直接与终端客户签订合同。既然决定铺渠道和规模化,他又砍掉98%不成熟的业务,将重心浓缩为一个平台(操作系统),两个领域(智能检测和柔性抓取)。

具体到一个场景,以香菇分拣为例,机器人系统的落地并不容易,数据就是尤为突出的一个挑战。

其业务逻辑为,送料系统运输香菇到检测环境,经由光源与相机,获取一张图像,传回智能控制器进行决策,除了判断优、良,还需要进行分类或剔除,分装到不同箱子中。

这一工作原来由人工完成,早期并无数据积淀,需要算法工程师现场采集一个个香菇数据,并进行标注。

但这一看似简单的活并不容易。香菇个体有近10个维度的差异,包括花色、菇腿、卷边、薄膜、残缺等,需要存储大量领域数据。

数据标注的专业性也相当高,非专业人士标注水平比不上分拣工人,一个工厂中往往标注水平最高的是厂长。经由他们标注的图像,能让算法识别率跃升一个新高。

此外,香菇特征很丰富,每个厂家的分类标准也不同,这对算法带来很大挑战;并且这样一个实时性高的场景,对于算法的稳定性、决策的实时性也有更高要求。

目前库柏特的香菇分拣准确率可达90~95%,结合这一场景的特性,已能够实现规模商用。

李淼称,一台机器可替换4~6人,一条产线一般配5台,可替换20~30人。这些工人一年最少也要100万工资,而他们的产线目前售价75万,6~10个月客户就可以收回成本。

一直以来,行业似乎更看好AI在自动化程度更高、数据更好的汽车、3C等领域落地。从库柏特的案例来看,劳动密集型的食品加工业,无论材料或配方,往往变动更小,未尝不是一个好的AI落地方向。

03 问题导向,将AI和传统视觉结合

对于投身于工业视觉的阿丘科技而言,清晰认知AI能做什么,不能做什么,以及将AI算法和传统算法相结合去解决具体问题,是实现AI工业落地的重要一步。

工业视觉主要有四个应用场景,一是测量,比如计算两点间的距离;二是识别,比如读取各种条码;三是定位、引导,识别位置,引导机械臂抓取或组装等;四是检测,典型的就是缺陷检测。

阿丘科技创始人黄耀解释,2D/3D测量更强调精度,核心在于光学和传感器,对硬件要求高,不是AI的主战场。

识别,算法复杂度不是很高,也不是工业AI的主战场。特殊场景复杂OCR识别(光学字符识别),需要用AI才能很好解决。

定位分2D定位与3D定位,工业领域大部分定位场景不需要AI来做。定位应用中,AI在一些种类较多的场景价值较大,比如物流领域,有成千上万种SKU,场景较为复杂,适合AI来做定位、分拣等。

至于检测,他认为这是AI的主战场,“AI在工业视觉的最大价值点,是解决复杂的缺陷检测,这属于行业难题,AI为它提供了新的可能性。”

而传统视觉检测存在一系列问题,比如难以解决复杂检测;存在过检误报过高,需要人工辅助复检;重光学、重算法,对集成商、设备公司要求高;并且后期算法补丁越来越大,维护难度大。

但黄耀坦言,国内能够做一定复杂度的缺陷检测的公司很少,很多做的属于轻量简单检测,比如判断有无等。

一个典型的证明是,在黄耀去过的上百家工厂中,2017年质检员约占10~20%,但到2019年质检员已占到超30%。随着自动化水平的提升,组装的工人在减少,但检测端,受限于技术等问题,仍需靠人力。

因为在复杂的缺陷检测中,每种产品可能存在数十种到数百种的缺陷类型,且每种缺陷存在多样的形态和变种,可能分布在产品的任何一个位置。此外缺陷的认知,还存在人员间的主观差异。这些都增加了问题的解决难度。

以一个小小的连接器接口为例,涉及到的缺陷种类相当多,包括划伤、脏污、溢胶等复杂缺陷。

除了界定好问题,有针对性的获取缺陷数据,并不断优化AI模型外,还需要以具体问题为导向,综合深度学习和传统视觉,发挥各自的长处,来解决问题。

针对胶圈间隙大、圆点超二分之一等精度测量问题,阿丘科技采用传统视觉算法解决;针对套筒溢胶、套筒粘胶等难以察觉、且可能分布任意位置等问题,他们主要采用AI算法检测。

不仅如此,针对金手指刮伤/粘胶、端子粘胶包胶等其他问题,阿丘科技会动态调整算法,或以AI检测为主,传统算法为辅,或传统算法为主,AI检测为辅,来解决实际问题。

目前阿丘科技的工业AI视觉平台已落地多个行业,数十个应用场景。

04 对行业理解越多,越充满敬畏之心

阿里云探索工业大脑已三年有余。

其主要思路是,把生产全流程的数据打通汇聚,构建工业数据中台,进而通过算法挖掘出数据的价值。简单来说就是数据智能

互联网起家的阿里云,天然具备AI、大数据、云计算的沃土,这也是其最初探索工业领域的三项核心技术。

然而随着工业领域探索的深入,互联网人的局限进一步暴露,不懂工业机理,不懂领域知识。一个项目,往往需要AI算法人才、行业专家、行业集成商/方案商等多股力量,才能将工业大脑落地。

这也是很多AI创企遇到的问题,以至于对行业理解越多,越充满敬畏之心。

阿里云的一个转变是,将专家知识库纳入核心技术版图,更加重视行业专家的力量,将传统机理与数理结合。

数据中台,是阿里云工业大脑的核心能力之一。在落地钢铁、水泥、化工等不同领域的过程中,他们也在深化对于工业数据中台的认知。

阿里云工业大脑首席解决方案架构师丰融称,数据中台最核心的部分是中间层,今天数据中台能不能做成,很大程度取决于中间层数据的治理是否合理,是否足够完善,能否支撑上面的业务体系。

目前工业领域的现状是,企业内部数据往往割裂成孤岛,直接使用容易变成数据烟囱,数据治理尤为重要。

只有中间层搭建好,这些跨领域的数据才能碰撞,发生化学反应。

以某水泥集团为例,它面临的一个主要问题是熟料生产能耗高。在水泥行业,能耗成本约占生产经营成本的60%,其中主要能耗来自电耗和煤耗。

阿里云通过工业大脑来托管水泥产线控制,通过模型来推荐相关指标参数,相比人工更稳定、合理性更高。目前工业大脑可将吨熟料煤耗降低0.64%,将熟料工序电耗降低1.23%。对于水泥企业而言,任何一个点的提升,一年都可以节省数百万成本。

丰融称,目前工业大脑已经托管了水泥产线90%以上的控制场景,客户反馈,工业大脑基本达到中级操作员水平。

疫情期间,招工难、人工紧缺之下,AI工业自动化可谓正当时。而随着复工复产,如何优化运营,进行智能供应链决策同样重要。

杉数科技联合创始人&CPO王曦称,企业在做供应链决策时,往往存在4个问题:

看不清,难以看懂市场需求的波动性;靠人工,一方面靠人工做各类生产/销售计划,另一方面针对现有软件给出的不合理结果,需要手动调整;效果差,订单满足率、生产成本、仓储成本等难以优化;难应变,需求端变化、产能端变化、接单插单、转产等运营问题,难以应变。

针对这些问题,杉数科技推出智能供应链决策平台,来辅助企业的生产计划、调度计划、销售计划等业务决策。其核心技术是依托运筹学和机器学习等搭建的杉数优化求解器(COPT)。

以某ICT行业巨头为例,原来单工厂、不透明的计划排产系统难以满足业务需求,面临工厂间协同生产效率低下的问题。

它有数十个工厂,超过10万个零部件半成品,需要做一个28天+10周的订单排程与需求预测计划,这中间存在上亿种可能性,千万级限制条件。

杉数为其打造一个最优生产计划,可详细到每一个零部件加工指令,同时包括原材料到货指令、建议采购计划与异常分析、预警等。

最终使客户的订单满足率提升20%,产能损失率降低30%,人工干预降低70%,带来生产端资源池的盘活,效率较大提升。

针对机器决策,王曦也谈道,智能决策的目的不是替代人工,而是一个决策辅助工具,它要把人们从那些容易出错,无法全局寻优的工作中解放出来

针对预测、分类问题,人类的先验知识非常有价值,模型不一定准确,因为数据驱动的预测,本质只能解决历史数据规律的最大化挖掘,但历史数据不代表未来。

而决策建议,当我们给定约束,比如产能、订单、原材料、库存等,可以让机器去最优化一些目标。人可以找到一个合理解,但未必是最优解,这正是机器的价值。