Добро пожаловать на похороны. Присаживайся. Мы с твоей мамой хотим тебе кое-что сказать…
Со стола Джеймса Д. Блайта —
Прямо сейчас искусственный интеллект — это The Buzz. Каждый прорыв угрожает переписать то, что, как мы думаем, мы знаем о самом будущем человечества. Однако не так давно яростью была Индустрия 4.0 и Интернет вещей (IoT). Он обещал «сдвинуть» наши коллективные «парадигмы» во всех частях нашего мира. Индустрия 4.0 должна была соединить нас таким образом, чтобы свергнуть отрасли. Эффективность должна была взлететь до небес. Рабочие места будут потеряны. Деньги были бы сделаны. Помните это?
Нет? Выполните быстрый поиск на Medium по запросу «Индустрия 4.0». Давай, я подожду.
Сделанный? Между 2017 и 2019 годами есть поток статей, а после этого немного. На самом деле, несколько статей на эту тему, опубликованных с 2020 года, кажутся скорее предлогом для разговоров о достижениях в области ИИ, чем о самой Индустрии 4.0.
Суть в том, что Индустрия 4.0 мертва. Основными причинами этого являются недостатки поддерживающих технологий, чрезмерная стоимость и невозможность в достаточной степени исключить «людей» из процесса. Легендарная Четвертая промышленная революция больше похожа на медленную и неуклонную эволюцию Третьей.
Итак, что случилось?
Вернемся в 2015 год…
Хотя эта дискуссия продолжалась несколько лет назад, доктор Клаус Шваб выдвинул идею «Четвертой промышленной революции» в серии дискуссий и эссе, которые позже были расширены в книге. [1] Это стало известно как Индустрия 4.0, которая по своей сути представляет собой интеграцию сенсорных технологий, анализа данных и Интернета вещей в бизнесе для радикального повышения эффективности, устойчивости, гибкости и рентабельности большинства предприятий. Это позволяет (и, возможно, требует) радикально иные способы ведения бизнеса в застойных отраслях.
Вот несколько примеров.
Индустрия 4.0 как «цифровое производство» позволяет компаниям получать входные данные от датчиков со своих производственных линий и передавать эту статистику обратно в алгоритм машинного обучения для создания физического продукта. На основе этого аналитика данных сообщает лицам, принимающим решения, как выявлять и устранять проблемы, повышать эффективность и снижать потребление энергии по всем направлениям. Оптимизация может выполняться «на лету» с помощью устройств с поддержкой IoT. Естественно, все эти машины и датчики говорят с единым цифровым «источником правды», который содержит всю информацию, необходимую для изготовления, проверки и утверждения соответствующих деталей. Продукты лучшего качества. Более экологичные фабрики. Более низкая стоимость и более гибкая бизнес-модель.
Индустрия 4.0 как «комплексное здравоохранение» работает путем объединения в сеть всех медицинских карт и тестов с цифровым воссозданием пациента. Алгоритмы машинного обучения затем оценивают риски для здоровья пациентов и помогают в более точной диагностике и лечении людей. Сделав еще один шаг вперед, Индустрия 4.0 сможет собирать данные о здоровье с интеллектуальных устройств пациента — пройденные шаги, частоту сердечных сокращений, информацию о диете — в режиме реального времени для дальнейшего повышения качества обслуживания. Это снижает нагрузку на медицинский персонал, повышает способность оказывать профилактическую помощь и снижает вероятность ошибочного диагноза. Лучший уход. Быстрее. Более дешевый.
Индустрия 4.0 для «умных городов» включает сбор данных о ряде услуг и объектов инфраструктуры. К ним могут относиться энергопотребление, климатические условия, пешеходное и автомобильное движение, статистика преступности, износ инфраструктуры и перебои в обслуживании. Имея это в руках, можно было оценить «здоровье» города. Автоматизированные системы могут выдавать предупреждения о техническом обслуживании или опасности соответствующим отделам и гражданам. Области с высоким уровнем преступности можно оценить и наложить на несколько потоков данных, чтобы определить эффективное смягчение последствий. Корректировку в режиме реального времени можно оставить «умному городу» для перенаправления трафика и корректировки потока коммунальных услуг во время перерывов. Более безопасные города. Более отзывчивые сервисы. Снижение затрат для налогоплательщика.
Это всего лишь несколько примеров.
Сегодня давайте упростим обсуждение этой темы, сосредоточившись для начала на одном варианте использования — цифровом производстве. Надеюсь, вы, читатель, сможете экстраполировать извлеченные здесь уроки на несколько отраслей, чтобы получить более целостное понимание этой проблемы.
Индустрия 4.0 звучит великолепно. [2] Так что же случилось? Почему этот разговор — а вместе с ним и прогресс — об «Индустрии 4.0» заглох? Возможно ли достичь этих высоких целей?
В 2023 году появится множество предложений для инфраструктур IoT или машин, систем и инструментов, поддерживающих «умное производство». «Цифровое производство» осуществляется в концептуальных ячейках и демонстрациях технологий в исследовательских консорциумах (таких как LIFT) и академических учреждениях (таких как WSU-NIAR). Honeywell, General Electric, Siemens и некоторые другие разработали свою модель «умного завода» в реальных производственных линиях.
Мы знаем, что Индустрия 4.0 возможна. Так как же мы потерпели неудачу и почему коммерческая промышленность не принимает его в массовом порядке?
Чтобы понять, почему Индустрия 4.0 терпит неудачу, нам нужно немного узнать о том, что необходимо, чтобы вдохнуть в нее жизнь.
В производственном мире, когда мы «хотим чего-то», мы говорим о технологиях, которые помогают нам этого добиться. По сути, это то, что необходимо для реализации возможности или продукта. В цифровом производстве такими важными технологиями являются (примерно) датчики и сбор данных, цифровой двойник, хранение данных, анализ данных и Интернет вещей.
Большинство людей имеют некоторое представление о том, что такое IoT и сенсорные технологии, поэтому мы слегка коснемся этих тем. [3] Важно то, что датчики должны оптимально сообщать информацию в универсальный концентратор, куда все может быть передано и обработано. Этот единый репозиторий не должен требовать значительного вмешательства человека. Пять лет назад это было большой проблемой для Индустрии 4.0. Сейчас в этом пространстве есть много предложений, включая Predix (GE) и Mindsphere (Siemens).
Хранение данных также было серьезной проблемой пять-десять лет назад. Однако доступность дешевой памяти несколько уменьшила нагрузку на эту тему. Для справки: самые простые цифровые производственные системы, которые видел автор, собирают терабайты данных датчиков для одного компонента. Вы можете себе представить, что при реальной производительности нужно хранить много данных. Это можно сделать, но едва ли…
Теперь давайте поговорим о том, что действительно нас сегодня сдерживает — цифровой двойник и аналитика данных. Оба эти термина также, вероятно, нуждаются в дополнительных пояснениях для новичков в этих темах.
Цифровой двойник — это, по сути, цифровая транскрипция физического объекта или системы в реальном времени. Для целей нашего разговора все, что вам нужно знать, это то, что этот «двойник» полностью определяет все функциональные атрибуты физического объекта или системы являются «двойниками». [4] [5]
Аналитика данных состоит из двух основных функций применительно к Индустрии 4.0. Это машинное обучение и моделирование. [6] Машинное обучение — это то, как мы обрабатываем числа и учим компьютер понимать, что они означают. Затем необходимы возможности моделирования, чтобы взять эти обобщенные данные и экстраполировать методы для улучшения.
Теперь, когда мы разобрались с базовой терминологией и строительными блоками Индустрии 4.0, давайте поговорим о том, что пошло не так и почему это не удалось.
Цифровой двойник — это беда, с которой никто не знает, что делать.
В производственном мире мы давно используем компьютеры. Звучит глупо, но оставайтесь со мной.
Интеграция информационных технологий была частью предыдущей, Третьей промышленной революции, когда вычислительные технологии, телекоммуникации и энергетическая инфраструктура принесли нам такие чудеса, как Интернет и инструменты автоматизированного проектирования и производства (CAD/CAM). Большинство компаний в той или иной степени владеют CAD/CAM. [7] Однако, чтобы перейти к четвертой промышленной революции, нам нужно больше. Нам нужна точность полностью определенного цифрового двойника, работающего в режиме реального времени, для серьезной оптимизации процессов.
Но что считается полностью определенным? К сожалению, обычно невозможно генерировать и управлять данными, необходимыми для 100% точного близнеца. Является ли картинка выше примером «достаточно функционально близкого» или нет? Это зависит от того, чего вы пытаетесь достичь. Обычно мы должны сделать приближение в нашей цифровой записи.
В настоящее время нет согласия относительно того, что это за приближение.
Хорошо, но допустим, у нас есть гипотетический бизнес, который принял решение о том, что достаточно хорошо для цифрового двойника (для наших целей). В каком формате будет жить этот набор данных? Как другие, глупые системы — или даже умные системы от других производителей — могут понять выбранный нами формат?
Никто не знает.
На сегодняшний день существуют некоторые приблизительные решения этой проблемы. Итак, давайте воспользуемся одним из них, верно? Хитрость заключается в том, чтобы стандартизировать все ваши системы на основе этого решения. Но они производятся и поддерживаются отдельными поставщиками со своими собственными представлениями о том, «что лучше». Так что, вероятно, нам нужны разрозненные системы для общения друг с другом. Это вызов сам по себе.
Но допустим, мы решаем эту проблему в нашем бизнесе. Конечно, мы могли бы нанять кодеров, чтобы взломать этот самородок, да?
Кроме того, существует множество стандартов, спецификаций и других «подвешенных документов», которые информируют о том, как деталь изготавливается и проверяется. Это могут быть тысячи страниц дополнительного материала. Прямо сейчас вы можете добавить PDF-файлы в 3D-модель и позволить инженеру производителя разобраться с этим. Но разве это не то же самое, что иметь физический лист бумаги в картотеке? Как цифровой двойник переваривает эту комбинацию количественных и качественных данных и требований?
Сейчас это не так.
У Wichita State [8] и Siemens есть свои версии того, что такое цифровой двойник. Точно так же такие компании, как GE Aviation, Honeywell и Caterpillar, имеют версии близнецов для различных передовых производственных продуктов, изготовленных с помощью добавок, отливок или поковок. Это приводит к статическому представлению того, какой деталь «теоретически должна быть» и как она теоретически должна быть изготовлена. В некоторых случаях двойники полных сборок и производственных линий производились с большими затратами.
В конце концов, существует несколько решений для цифрового двойника, и нет единого мнения о том, что лучше. Решения, которые у нас есть, являются частичными и требуют, чтобы человек «собрал все вместе» вручную. По сути, это приводит к более сложной версии «распечатайте чертежи и поместите их в картотеку», которая на самом деле не относится к Индустрии 4.0.
Машина не король. Как мы можем доверять его выходу? Даже если бы мы могли, может ли он сделать больше, чем одну вещь?
У меня такое ощущение, что часть читателей Medium может перейти к этому сегменту, чтобы узнать о том, как ИИ спасет мир. Насколько я могу судить, это невозможно (пока). Есть очень хорошая мысль на эту тему. [9] Как и в большинстве случаев, это легче сказать, чем сделать.
Давайте обсудим, почему.
Цель машинного обучения и моделирования в Индустрии 4.0 — собрать массу данных, получить из них содержательную обратную связь и понять, что они говорят вам о ваших процессах. Это позволяет прогнозировать (или моделировать) следующие шаги по улучшению. Давайте поговорим о проблемах этого, начиная с самого начала.
На нашей гипотетической цифровой фабрике мы собрали терабайты данных из нашей производственной части. Как эти данные попадают к нам? Как значения, разделенные запятыми (CSV)? Как изображение — TIFF, JPEG или PNG? Обычно это комбинация множества разных форматов для разных датчиков и машин. Как мы можем понять эти входные данные и сделать их понятными для компьютера?
Во-первых, вы должны создать структуру для обработки данных. Это парсинг CSV. Это серьезный анализ изображений, чтобы превратить изображения в количественные данные. Затем вы должны научить алгоритм тому, что все это значит — каждый набор данных, вероятно, уникален для того, как настроены ваши производственные процессы и оборудование. Наконец, вы должны научить алгоритм использовать эти данные для экстраполяции значимой обратной связи. Это можно сделать, но кто-то должен реализовать это, устранить неполадки и поддерживать его.
Хорошо, допустим, все получилось. Что дальше?
Во-первых, скажем — для нашего гипотетического бизнеса — наш алгоритм готов к работе и понимает информацию, которую мы ему подаем. Далее, предположим, что «хьюманы» в нашем бизнесе пришли к некоторому консенсусу в отношении того, что такое цифровой двойник и как заставить работать всю аналитику данных. Да, это будет болезненный процесс, но он будет сделан. Исходя из этого, следующим шагом будет позволить компьютерам выполнять тяжелую работу, связанную с анализом данных. Если компьютеры могут использовать данные для улучшения процессов и результатов, в этом весь смысл Индустрии 4.0, верно?
Кнопки нажимаются. Детали сделаны. «Умная фабрика» возвращает какое-то предложение по улучшению. Но… как мы можем доказать себе, что система работает так, как должна?
В конце концов, компании производят самолеты, фармацевтические препараты, светофоры, лодки (которые должны плавать) и кабели для домов. Если компьютер выходит из строя, лучшим сценарием является отзыв продукта. В худшем случае люди умирают. Как мы можем доверять непроверенному цифровому решению, когда на карту поставлено так много? В настоящее время мы справляемся с этим так же, как с нашими «тупыми» производственными процессами.
В большинстве отраслей, с момента появления первого графика фон Мизеса и ручного расчета, продукты требовали той или иной формы квалификации. Можете ли вы догадаться, как пишется «квалификация продукта» в инженерии?
Квалификация продукта (существительное): результат разбивания вещей и наблюдения за тем, что происходит. Как правило, кто-то или что-то говорит вам: «Не волнуйтесь, это хорошо», а затем вы пытаетесь сломать это, чтобы убедиться, что это действительно хорошо. Источник: Стандартный словарь — слова согласно Джеймсу Д. Блайту.
По сути, проведите простой физический тест, попросите людей просмотреть результаты и вынести суждение о том, достаточно ли хорош результат для выхода на рынок.
«Подожди, — говоришь ты. «Разве это не противоречит Индустрии 4.0? Разве идея о том, что цифровые данные и машинное обучение не влияют на принятие решений?» Абсолютно. К сожалению, ни одна индустрия физических продуктов в настоящее время не выяснила, как мы доверяем компьютеру, кроме как путем проверки, проводимой человеком.
Даже если реализовать Индустрию 4.0 теоретически возможно, это чрезвычайно болезненно, а затраты астрономические.
Итак, мы видим, что есть некоторые существенные проблемы, связанные с переходом от теории Индустрии 4.0 к применению. Хотя крышка гроба закрывается, мы все еще можем видеть дневной свет сквозь щели. Не вставляйте еще эти последние гвозди!
Такие компании, как GE, Siemens и другие, указывают время выполнения заказа от шести месяцев до года и более для получения данных, необходимых для реализации цифрового производства на одном типе материала. Затраты могут легко достигать миллионов долларов. Это не для части. Это только для одного материала, из которого вы делаете изделие (сталь, алюминий, нейлон и т. д.). После того, как листы технических данных материалов заполнены, фактическая часть может занять годы и десятки миллионов долларов, чтобы проверить себя. Полученные данные зарабатываются тяжелым трудом и неохотно публикуются на открытом рынке.
Даже если бы это было так, эти наборы данных отражают конкретные производственные процессы и плохо транслируются от процесса к процессу или от компании к компании (или даже от машины А к машине Б в одном и том же цехе!). Поэтому, чтобы Индустрия 4.0 заработала, каждая компания должна решить этот вопрос для себя и создать данные, необходимые для ее работы. Ой.
Когда мы смотрим на стоимость внедрения аналитики данных, готовой к Индустрии 4.0, в целом, строительные блоки таких вещей существуют. Однако их внедрение для ваших компаний и процессов требует индивидуального подхода.
Сколько компаний имеют ресурсы, чтобы нанять программистов и производственных экспертов и инвестировать во все технологии и лицензии на программное обеспечение, необходимые для того, чтобы все это работало? Многонациональные конгломераты могут иметь достаточный опыт производства и программного обеспечения для разработки такой системы. Увы, по данным Ассоциации малого бизнеса, примерно 75% производственных компаний в США являются небольшими. [10] Очень маленький. Мол, меньше 20 человек мало. Думаем ли мы, что они могут написать собственное программное обеспечение и инвестировать миллионы в алгоритм машинного обучения для своего бизнеса?
Как ни странно, даже крупные компании, добившиеся некоторого успеха в цифровом производстве, похоже, не планируют распространять его в своем разнообразном бизнесе. После того, как вы настроили свою цифровую производственную систему, она действительно хороша только в том, для чего вы ее обучили. Это слишком дорого для внедрения на предприятии, которое может производить сотни различных линеек продуктов, состоящих из тысяч отдельных частей и процессов.
Это плохой знак. Если мы говорим, что даже «большие собаки» считают затраты на цифровое производство непомерно высокими для внедрения на предприятии, на что надеется большинство предприятий? Стоимость — это последний гвоздь в крышку гроба Индустрии 4.0.
Ну и что? Нет ли надежды на Четвертую промышленную революцию?
По мнению этого автора, Индустрия 4.0 мертва.
Уже на раннем этапе было ясно, что о цифровом производстве легче сказать, чем сделать. [11] Несмотря на мудрые советы журналистов и консалтинговых аналитических центров, мы не видим «неизбежного» прихода Четвертой промышленной революции.
В лучшем случае большинство компаний сегодня танцуют вокруг Индустрии 3.0. Многие малые предприятия еще дальше назад во времени. С оптимистичной точки зрения, если Индустрия 4.0 вообще существует, это будет эволюция ведения бизнеса, а не революция.
Со временем технологии IoT будут применяться в разной степени. Машинное обучение и моделирование будут интегрированы в нишевые производственные области. «Умные фабрики», скорее всего, будут реализованы в определенных продуктовых линейках или когда государственные учреждения и многонациональные конгломераты готовы сделать экстремальные долгосрочные инвестиции. Всегда существует вероятность того, что регулирующие органы решат внедрить более интегрированный цифровой способ ведения бизнеса в стратегических отраслях. Это может изменить эту тенденцию, хотя, вероятно, со значительными последствиями для клиентов.
Подводя итог, можно сказать, что недостатки передовых технологий, чрезмерные расходы и сохраняющееся узкое место, представленное «людьми в миксе», убили Индустрию 4.0.
Не отчаивайтесь. Это означает, что еще есть время, прежде чем наши повелители ИИ возьмут верх. Роботы не подходят для всех наших рабочих мест (сегодня). К лучшему или к худшему, мы все еще будем здесь, в офисе и на заводе, делая «это». До списания человечества еще далеко. А пока удачной охоты.
Ссылки и сноски
[1] Ссылка на Четвертую промышленную революцию Шваба для расширения его первоначальной концепции.
[2] В зависимости от того, правы ли вы в отношении наших будущих роботов-повелителей.
[3] Справочник Общие сведения от Oden Technologies.
[4] Справочник Цифровые производственные платформы в Индустрии 4.0… Gerrikagoitia et. др. для глубокого погружения в эту тему.
[5] Справочник Что такое цифровой двойник? Eversberg для более краткого обсуждения.
[6] Я предполагаю, что это словоблудие устарело в «технологическом мире» и более известно в просторечии как искусственный интеллект (ИИ). Для целей этого разговора я думаю, что более правильно разделить необходимые возможности на задачи машинного обучения и моделирования, а не пытаться заняться ИИ в целом. Я копаю?
[7] Кажется, что правительства и государственные службы значительно отстают от коммерческих структур в этой области. Вероятно, из-за инерции, связанной с давно установленной инфраструктурой, которую нельзя сразу выбросить (поскольку она имеет решающее значение для жизни граждан) и нельзя обновить (из-за монументальных сроков, сложности и стоимости, связанных с такими усилиями).
[8] Ссылка на веб-сайт Уичитский государственный университет NIAR для получения подробной информации о программах.
[9] Ссылка (Очень) краткое введение в ИИ в индустрии 4.0 Рибейро.
[10] Справочник Как малые производственные предприятия управляют экономикой США Уэстона (score.org).
[11] Справочник Шедлецкого Почему промышленный Интернет вещей обычно терпит неудачу… (Forbes).
