让AI走进工业应用的最大障碍是什么？

我相信人工智能（AI）、机器学习（ML）、贝叶斯优化、大数据和其他现代技术可以提高我们建模、理解和优化流程的能力;并且这些技术可以使行业走向操作和维护的自主性。这些是工业 4.0、工业物联网 （IIoT）、智能制造、智能仪器仪表、资产模型和数字孪生等流行语的核心要素。

　　被供应商推广的AI解决方案，也许需要克服过程所有者的谨慎，但也会产生一种炒作，甚至可能在潜在用户中造成怀疑。我们如何让人们接受并实现适当的应用？我们如何加快进展？也许这篇文章可以提供帮助。

　　揭开算法的神秘面纱

　　AI是一组确定性算法，用于使用当今支持计算机的技术对庞大的数据库进行建模或搜索。我们的个人设备接受语音命令，并自动更正我们的拼写和语法。它们"倾听"有声的问题并提供"答案"，例如"我发现了这个"。但聆听不是类似人类的理解，它只是声波的算法翻译。响应只是与网站的连接，其中包含问题中关键字的文本翻译的可能答案。三十年前，这一切都是科幻小说。

　　虽然AI看起来很了不起，但它不是人类类型的智力。它不是一个有需求来驱动其独立行动的存在。显然就目前而言，它没有可能破坏人类的议程。尽管它的名字，开发者一直在追求的愿景，以及虚构的创造力，AI并不是一种独立的智力。

　　ML不像人类那样"学习"。它只是一组支持计算机的技术，用于查找关系（如主成分分析）或调整模型系数以使模型与数据最匹配（如回归）。人们可以回到过去，将回归呈现为"学习"，并使不理解回归的人感到困惑。ML并不像人类那样学习或理解。

　　在某种程度上，那些探索和开发AI的人采用的科幻术语、神秘感和创作者的热情，在潜在用户之间造成了误解。一个是担心如果让这个"大脑"负责，可能会做出什么。第二个是期望AI将神奇地解决一切。然而，就像过去支持过程设计者和操作员的任何建模和分析进步一样，AI只是今天支持计算机的一套辅助工具，用于人类对过程的理解、控制和改进。

　　在 1970 年代，我的汽车上的巡航控制仅按比例进行，在上坡或下坡时会留下稳态偏移。到了80 年代，他们添加了一个整体功能来消除该偏移。现在，我的汽车制造商称其巡航控制产品为"智能控制"。当它检测到前方有车辆时，它会降低速度以保持安全距离，当我移动到超车道时，它会返回到设定点速度。这些进步并不是什么魔法。然而，今天的时尚是将先进的技术功能称为智能。

  　对AI的合理期望

　　我相信，AI可以通过支持人类控制、优化、安全操作和更好地了解我们使用的过程来提供很多东西。我还认为，我们需要对AI能做什么有合理的期望，并在实施AI时像给予新手人类员工自主权一样谨慎。

　　在于用户和供应商们探讨AI应用和实施过程中遇到的挑战时，通常都涉及下面两个关键问题：1）产生信任；2）应用设计。

　　谁来负责：根据我的经验，过程工业中计算机自主性的主要障碍之一是管理者负责。他们个人要对不良事件负责，例如环境违规、人员伤害或损失。令人担忧的问题包括安全、遵守合同和法规、应对意外结果以及在可能的威胁开始出现时立即恢复安全运营。

　　管理者是风险规避者，但总有意想不到的事情。管理者通常不会将自己的职业生涯交给新手员工，因为他们最初的解决方案往往是短视的。我认为，与他们对新手的信任相比，管理层将不太相信AI会包含全面的态势感知。

　　应用设计：当我们设计一个新的流程、系统或方法时，我们通常不会在第一次就把它做好。撰写段落和报告或策划活动也是如此。在我们思考的过程中，我们会微调改进，纳入最初没有考虑的新功能，最终得到一个可行的设计。新手就更不太可能在第一次尝试时就把它做得很好。

　　根据我的经验，在设计一个AI应用时也是如此。第一次尝试是简单化的，而且常常假定AI有一种它没有的能力。但其实AI需要大量的人类指导。你需要选择给它什么数据，您需要选择要提供的数据，对数据中可以找到的内容以及理解任何输出决策的完整程度有合理的期望。

　　实施AI的6个建议

　　无论你是供应商还是试图说服管理层尝试AI的潜在用户，我都建议先仔细考虑清楚下面这个清单，以便于让AI应用的进展更顺利： 

　　1. 解释它是如何工作的。让潜在用户和管理者感到安全。不要把AI塑造成有知觉的、智慧的或神秘的。不要使用计算机和数据科学家的语言或类似人类的归因。不要通过将客户的注意力转移到它有多么伟大或容易使用来掩盖真实的算法机制。解释该算法。包括它不能做什么，能做什么。确保对方真正理解。

　　2. AI包括许多先进的建模和优化算法。它们比传统方法更好吗？相对于其成本（数据采集、培训、软件），它的好处（功能、准确性、速度、易懂性）是否足以证明其使用的合理性？不要因为它们被吹捧得更好，或因为是新的时尚而跟风购买。潜在的用户应该测试一下，看它是否对目标应用更好。

　　3. 供应商应该在面向用户的应用上提供基准测试，用面向用户的良好指标，而不是用学术示例。在潜在用户的价值观中建立可信度，而不是在发明者的科学期刊界建立可信度。

　　4. 使应用与技术相适应。"对于一个有锤子的人来说，一切看起来都像钉子"（这是20世纪60年代的一句格言）。如果你探索的东西很好，但在错误的应用上，或在不完整的能力下实施它，那么结果也将是失败的。正如80年代的神经网络所发生的那样，好的技术可能也会赢得 "它不起作用 "的声誉，并且需要很长的时间才能从这样的名声中恢复过来。不要因为让AI被误用而破坏其未来的前景。

　　5. 循循渐进地应用 AI。最初不要提议给AI以自主权，而是让它报告和建议做什么。如果操作者同意，就让他们实施建议。让人类员工了解情况，逐步将综合的问题纳入到最初的解决方案中。在渐进的步骤中建立信心。

　　6. 随着人类对过程和自动化应用理解的不断发展，过程管理者可以增加或调整对AI自主性的考虑。因此，AI供应商需要让人类员工更容易地将AI从最初的短视观点调整为对所有新问题的更全面的看法--以确定真正的、全面的、多层次的目标。

　　AI在过程工业中的机遇

　　也许有一天，AI将能够自主诊断和控制现实世界的操作，包括在汽车、制造和医药行业等应用。但是，以下是我认为在过程工业应用中对AI实用的愿望清单：

　　在所有应用程序中使用相同的模型当然会很好。我们使用模型进行设计、训练、控制和优化，如果有一个通用的模型会更方便。

　　如果AI能够自主设计和调整模型以匹配目标过程那就太好了，因为过程属性会随时间变化。这必然包括数据的自主预处理和后处理验证。

　　在过程控制中，我们希望优化经济路径，而不仅仅是设定值。这可能包括控制器的自动调整，不仅要最小化平方偏差，还要根据安全和产品规格限制将瞬态的运营成本降至最低。

　　如果语音命令可以激活过程，并且语音笔记可以转换为文本并放置在操作员的日志中，那就太好了。

　　AI需要处理随机数据。但工业过程不是确定性的；它们很吵，容易受到干扰。我们不希望虚幻的"最佳"误导AI决策或输出。AI还需要在约束和不连续性范围内做出全局决策，而不会陷入局部陷阱。

　　通过预测恶化需要修复的时间来支持预测性维护。这可能是为了机器维护或调整优化、过程分析、推理测量或控制中的模型。

将人类对过程行为的认知的语言规则转换成代码，自主验证（或拒绝）和改进规则，然后将验证和改进的规则以人类语言呈现给过程管理者，帮助他们更好地理解和管理他们的过程。

来源：www.cechina.cn