予知保全と産業革命の予測

人工知能はどの程度変革的ですか？その一見単純な質問に答えるのは難しい場合があります。

まず第一に、この用語はしばしば曖昧な意味を持っています。多くの場合、この用語は「人工知能」または「強力なAI」の省略形です。この理論的構成では、非有機的知性は、一連のタスクを推論して実行する能力を持っています。また、この種のAIハリウッドは、「ターミネーター」などの映画で参照されているだけでなく、イーロンマスクやビルゲイツなどのディストピアの恐怖を誘発する多様性もあります。しかし、そのような形のAIがいつ存在するのかという問題に明確に答えることは不可能です。ガートナーは、狭いタスクで訓練されたマシンがチェスや最近ではGoなどの知的ゲームで人間を凌駕する可能性があるとしても、研究者が人間の推論に近いマシンを作成するまでにはおそらく数十年かかると考えています。 「アーキテクトオブインテリジェンス：それを構築する人々からのAIについての真実」の著者であるマーティンフォードは、ほとんどの専門家は強力なAIは明らかに予測不可能なものであると信じていると述べました。

産業革命もそうです。インダストリー4.0などの概念は、AI、IIoT、およびその他のテクノロジーの収束が次の産業革命を促進する可能性があることを広く示唆していますが、西側諸国の生産性は数十年にわたって低迷しています。 3月の米国の工場、鉱業、公益事業の工業生産は0.1％減少しました。これは、WSJが述べているように、「製造業が軟調に推移しているという見方を裏付けるものです。」

しかし、さまざまな生産性指標で測定される産業の大宇宙はパターになりますが、機械学習と並行してIIoTテクノロジーを採用する産業企業から生まれるサクセスストーリーはますます増えています。たとえば、スタートアップのFogHornは、日本の産業用電子機器会社であるダイヘンが1つの工場で1,800時間分の手動データ入力を排除するのに役立ちました。また、大手飲料会社は、予知保全により一挙に100万缶相当のビールを節約しました。同社は、ワイヤレス振動、超音波、温度、磁気センサーと機械学習を組み合わせて、醸造所で使用されるものを含むさまざまな産業用機械の機械の問題を検出する、Augury社の機械監視技術を導入しました。 「そして、缶をビールで満たす機械であるフィラーの深刻なベアリング摩耗を検出しました」と、Auguryの共同創設者兼最高経営責任者であるSaarYoskovitzは述べています。 「この発見により、醸造所は計画されたダウンタイム中に問題に対処することができました。 「これらは24x 7の施設であるため、計画外のダウンタイムの余地はありません」とYoskovitz氏は述べています。しかし、ベアリングの問題が最終的に障害を引き起こし、8時間の生産性の損失をもたらした可能性があります。 「これは、100万缶のビールと20万ドルの収益に相当します」とYoskovitz氏は付け加えました。

エア・リキードのデジタル子会社であるAlizentは、インダストリー4.0テクノロジーの力のもう1つの例を示しています。 Air Liquideは、OSIsoftのテクノロジーを取り入れて、数年前にSIOと呼ばれるプラント最適化プラットフォームを作成しました。 OSIsoftのPIソフトウェアは、プラットフォームの組み込みデータエンジンとして機能し、分析のためのデータ収集と改良を可能にします。 「AirはSIOで3か月で回収を達成し、1年目で10倍の回収を達成しました」とMichaelKanellosは書いています。

IoTアナリストおよびOSIsoftのコーポレートコミュニケーションのシニアマネージャーがメールで。 「その後、彼らはそれを使用して、フランスと東南アジア全体で完全に消灯した（つまり、従業員がいない）方法で工場を管理するようになりました。」その後、エア・リキードはデジタルグループをAlizentユニットに分割し、エア・リキードと他の企業の両方にサービスを提供することを決定しました。

急速なデジタルトランスフォーメーションROIを持つ企業のもう1つの例は、ホワイトハウスユーティリティディストリクトです。テネシー州でトップの上下水道事業者の1つであるこの組織は、水漏れを約32％から15％に削減しました。水の節約により、数百万ドルの節約にもなりました。 「しかし、データ管理を大幅に削減し、年間3万ドルを節約しました」とKanellos氏は述べています。 「彼らは新しい1500万ドルのプラントを11年延期しました。コミュニティの評判が上がりました。信用格付け機関も格付けを引き上げました。」

産業機械学習会社Toumetisの最高経営責任者兼社長であるMarkWillnerdは、今後5年間で産業生産性が上昇すると予測しています。 「機械学習などのテクノロジーのおかげで、大きな改善が見られます」と彼は言いました。 「[私たちは] 1990年代型の生産性の向上を見ることができました」とWillnerdは付け加え、生産量の急速な増加に関連する10年について言及しました。

Toumetisは、油田を持つエネルギー会社と協力しており、Willnerdは、いつの日か世界で最も生産量の多いサイトの1つになると予想しています。サイトの生産性を妨げる1つの要因は、電気水中ポンプの信頼性が低いことです。これは、井戸を生産から外す可能性があります。しかし、会社の機器を監視している対象分野の専門家が1,500の井戸と100の異なるデータ信号を監視している場合、ポンプの故障が差し迫っていることを示すデータを簡単に見逃す可能性があります。 「彼らは、どの井戸がいつ故障するのかわかりません」とウィルナードは言いました。 「しかし、14日間でどれが故障するかを予測できれば、利益と生産を最大化するために修理をスケジュールすることができます。」

しかし、機械学習を産業分野に適用するプロセス、または予知保全に適用するプロセスは、めったに単純ではありません。 「データに一貫性がない可能性があります。センサーから誤った読み取り値が得られる可能性があります。データが不足している可能性があります」とWillnerd氏は付け加えました。 「そして、分析を行う前にデータをクリーンアップするだけのことがたくさんあります。」

Willnerdは、機械学習を産業用アプリケーションに適用することはまだ始まったばかりであると推測しています。

Bain＆Co。の「概念実証を超えて：産業用IoTのスケーリング」というタイトルの調査は、600人のハイテクエグゼクティブを調査した後、同様の結論に達しました。 IIoT全般、特に予知保全は、IIoTプロジェクトから「データから貴重な洞察」を抽出する可能性があるため、予想よりも展開が難しいことがよくあります。しかし、レポートは後に、「産業用IoTは依然として有望な機会である」と結論付けています。

中心的な課題の1つは、そのようなデータを理解するには、ドメインの専門知識とデータサイエンスに精通したまれなブレンドも必要になることです。ギャップを埋めるために、Toumetisは、1990年代後半から2000年代初頭にかけてデータ分析に取り組んできた産業専門家を採用しました。 「それはまだ芸術の形です」とウィルナードは言いました。 「解決しようとしている問題と、それに関連するビジネス価値を明確に理解する必要があります。」

ヨスコビッツも同様の見方をしています。米国中の一連の産業施設を見学した後、彼は最も一般的な課題の1つは才能を見つけることであるという結論に達しました。たとえば、産業用サイバーセキュリティや産業用データサイエンスの専門家を見つけることの難しさについては多くのことがなされてきましたが、問題はさらに大きくなっています。 「かつて、私はお客様の施設でトレーニングを行うために部屋に入りました。平均年齢は55歳でした」とYoskovitz氏は振り返ります。 「そこには引退の危機に瀕している人々と20代の新参者がいました。そして、あなたはそれらの間に良い30年があります。」

米国での従来の製造経験の多くは、年配の産業従業員が今後5年から10年で退職するにつれて消滅します。一方、若い従業員の産業の仕事はリストに載っていません。 「ミレニアル世代やZ世代の人は、メンテナンス技術者になりたいとは思っていません」とYoskovitz氏は述べています。

したがって、IoTやAIなどの幅広いテクノロジーが最初の産業革命に匹敵する生産性の時代を生み出すのか、それともインダストリー4.0がソフトウェアのようなものになるのかを判断するのは時期尚早かもしれませんリビジョン サイバーフィジカルシステム主導の革命よりも。今のところ、そのようなテクノロジーが最も差し迫ったニーズをどのように満たすことができるかを尋ねるのがより現実的な質問です。