• 德国科学院院士:传统企业寻求变革 向智能制造

    2018-12-18 13:56:35

    6月1日,以深度视界,对话未来为主题的首届中新人工智能高峰论坛在新加坡南京生态科技岛举行。本届高峰论坛由南京市人民政府、新加坡企业开展局、江苏省经信委、江苏省商务厅

      6月1日,以“深度视界,对话未来”为主题的首届“中新人工智能高峰论坛”在新加坡·南京生态科技岛举行。本届高峰论坛由南京市人民政府、新加坡企业开展局、江苏省经信委、江苏省商务厅、江苏省人民政府外事办公室作为辅导单位,南京市商务局、南京市建邺区政府、我国人工智能学会主办。论坛上,德国、深知无限人工智能研究院院长、首席科学家,德国人工智能研究中心科学董事汉斯·乌思克尔特教授带来主题讲演:“德国工业4.0与我国AI工业开展的机会与应战”。在讲演中,汉斯·乌思克尔特详细介绍了AI在工业上的概念和详细事例。他讲AI+工业原理分为三层,由内到外分别是,出产层、运转层和数据结合层。经由这三层,智能制作发明了巨大出产力。以下是汉斯·乌思克尔特的讲演全文,亿欧在不改动本意的根底上进行了删减。咱们下午好!我在AI范畴现已作业了有30多年了,运用了不同的运用,我想要跟咱们共享智能制作的一个理由是由于它跟我的布景有一点联络。首要,我会给咱们介绍一下AI的一些工业运用。然后再给咱们介绍工业4.0和智能制作,接下来我会简略地给咱们介绍一些机器学习和深度学习,还有一些未来的展望。在曩昔的十年,我建立了一个德国人工智能中心。跟着AI变得越来越流行了。除了传统的IT公司,比方SAP,软件公司,微软公司等。逐渐,许多制作的企业也参加进来比方Facebook、宝马、博世、空客等。他们都是机器制作的公司,在曩昔的一年,这些制作企业不断地要求咱们协助他们进行革新,把他们的公司转型成一个现代化的数字驱动的公司,可以让他们运用工业4.0。关于智能工厂,咱们一共有三层。首要,中心层,也就是智能工厂,或者说出产自身,AI在这里也可以发挥一些效果。首要概念就是经过物联网把机器联络在一同,AI依据这个传感器上传的数据来进行剖析,这就是中心。实际上,这个机器与之前的制作工厂,比方说iphone、轿车工厂、手机工厂是不一样的。差异在于,他们许多的处理方案并不是泛泛的,而是详细的。此刻咱们运用了一些机器人,有一些工人他们的作业现已也不再严厉分工了,这就构成了工人与个机器人之间进行通讯,相互交流的需求——这是智能工厂的一个中心的部分——也就是网络和实体的体系相互地联络起来,即用物联网,把处理器和传感器联络在一同。其次,有个十分重要的概念——“数字双胞胎”(指以数字化方法复制一个物理方针,模仿方针在实际环境中的行为,对产品、制作进程乃至整个工厂进行虚拟仿真,然后进步制作企业产品研制、制作的出产功率。)。这样一来,整个制作流程、数字产品以及体系,都有一个孪生的数字化镜像。有一些产品自身就可以让机器下达指令,然后为出产拟定一个方案,关于一些中度的自动化的出产,完成人机互动,AI驱动优化的产品和流程、预防性修理,猜测能耗的方针。第二层,除了纯出产之外,咱们还有运转的效劳。比方说公司内部的移动性出行,还有智能的物流、智能的修建、智能的产品和智能电网。

       由于有“数字双胞胎”,假如你对流程、产品和手册进行编码的话,这将会是一个十分十分杂乱的内容,再加上训练,供货商、协作伙伴效劳这些数据进来,体量十分巨大,因而咱们需要对运转效劳进行从头的规划。终究,咱们来看最外面的一层——数据结合。最外面的一层是一般被人们所忽视的,但实际上它决议一个公司胜败与否。为什么呢?由于大部分最重要的那些数据来历于公司以外,比方你的客户、协作伙伴、供货商、监管当局、技能协作提供商、媒体、投资商以及股东,还有你的竞争对手。这就意味着说,咱们最大的一个应战是要把一切的数据,也就是智能工厂内部的数据与外部的数据进行结合。要了解外部的数据是十分杂乱的。由于那些外部数据的来历,并不能把数据以这种结构式的方法给你,你拿到的一般都对错结构性的数据。你需要把内外部的数据结合到一同。假如你能处理这个问题的话,你才有客户联络办理,或者说,你的供应链就比较的智能了。智能实际上意味着咱们要运用互联互通,要运用物联网,运用大数据,要运用剖析,要运用商业的情报,当然还要运用AI来协助你不断地去优化整个的流程。不仅仅是优化,这个体系还能通知咱们,这些问题是否处理了。咱们为什么要运用外部的数据和常识?首要,这取决于咱们究竟要完成什么样的方针?要监督流程,取得前期预警,审视是否呈现误差,假如有误差的话咱们要前期介入,协助咱们尽早决议计划。举个比如,咱们的协作伙伴之一——西门子,他们现已采取了咱们首要的设备,也就是咱们的公司出产的一个常识路线图。咱们要做的工作是,期望从外部取得常识,与公司的图谱结合,可以知道咱们出产的地点在什么地方,运用什么样的技能,在全世界各地有什么样事情的发作。再把这些信息和咱们企业内部的信息结合到一同,这就构成企业的常识图谱。不要轻视这些常识。举例来说,《大英百科全书》这是世界上最丰厚的《百科全书》,但这也仅仅它的打印版。假如你把一切常识都打印出来,应该有多大的量呢?包含维基百科在内的百科来历,都在渐渐地转化为一些结构的数据。实际上许多的常识现在正在阅历着这样的一个转型:机器学习。回到西门子的协作比如上来。西门子有19万的供货商,咱们的企业常识图谱,协助他们做供应链的调查和办理。对内外部信息进行输入、提取,在这个根底之上可以去做一些结构性的转型。就外部媒体信息而言,不仅仅包含媒体,还包含交际媒体,比方说像推特网,乃至来自铁路、差人部分、高速巡警、消防部分等。这样的一些信号整合在一同之后,咱们搭建了大数据渠道和研究中心。这样的一些运用,对整个工业的流程有很大协助。所以咱们期望可以从这些未结构的信息进行学习,转化为结构的信息,并且在相应的场景下进行解读。终究期望把一些显性的常识,比方说工业的常识,职业的常识,可以经过经历来进行挂钩,使得机器学习、深度学习得以完成。假如做不到这一点,咱们是无法去应对,无法满意杂乱的工业实际所面对的一些需求。谢谢!