重新思考AI的定義

 

在一個技術決策需要花費數年並持續使用數十年的領域中，我們發現大幅縮短實現第一價值的時間可以降低技術開發人員和採用者的風險 ， 更多資訊盡在振工鏈 。

我們從根本上重新考慮了運營AI及其如何將生產價值的時間從數月縮短至數天，從而將其應用於生產運營。

縮短實現第一價值的時間，使相信運營AI潛力的工廠和製造主管可以快速證明自己的直覺，而風險則要低得多。

運營資料中的模式

一個公認的前提是，運算元據應包含   模式  -系統行為的證據，包括預警和根本原因。該前提是遠端監控，工業物聯網和可預測的卓越運營的基礎。

目前 ，執行製造數字化   專案需要   3到5年的時間和數千萬美元的資金 ，需要具有三個或更多技能類別（資料工程，資料科學，軟體管理）的大型從業人員團隊。這是一項高風險的工作，在輕鬆賺錢的經濟中可能是可行的。然而，這是不可持續的，並且經常導致在 試點階段之後 發展 的 困難  。
工作臺和AirGap

Falkonry透過其產品（ Workbench   和   AirGap   版本）幫助客戶克服了這些困難，並透過專注於公民資料科學來實現擴充套件。現有的分析目標是可以視覺化的形狀，波形和特徵，但只有Falkonry會自動發現重要的運營資料特徵並解釋它們的重要性和重要性。這是我們獲得 4項專利 的核心創新  。這也是在2019年和2020年 CBInsights AI 100 中被命名的基礎  。

這就是   美國空軍選擇Falkonry作為戰略計劃的原因  將其運營AI技術的部署擴充套件到其他國防部（DoD）客戶。藉助Falkonry，製造商能夠在一年內開發和部署生產模型。一家$ 10B +的鋼鐵公司已經使用Falkonry的Operational AI在數十個用例中實現了這種結果，其速度是替代方法的10倍。儘管這種成功程度是同類產品中最好的，但對於主流採用預測性卓越操作而言，即使這樣還不夠快。

速度和規模成功的主要障礙是地面真實資料的可用性和收集。我們發現沒有一家公司的資料類似於主流機器學習中使用的公司，在這些公司中，以高保真度和大量記錄可靠的標籤資訊（如點選和購買）。許多組織缺乏準確記錄關鍵事件的流程和技術。大多陣列織缺乏一致的術語來談論複雜過程中的特定種類的操作條件和故障。

預測性卓越運營透過實時收集有關故障上下文的資訊來避免此問題。向工廠通知不良事件的預警， 並根據資料中發現的 模式 在這些預警中進行根本原因分析  。通常，甚至在事件影響其操作之前也可以執行此操作。   由於這些見解是從當前的運營資料中產生的，而不是由於分析舊資料而產生的，因此工廠工程師更有可能驗證發現並從中受益。這為數字製造組織創造了所需的第一時間價值 。

透過這種新方式，我們在Falkonry正在重新考慮可操作的AI：無需資料科學家，資料工程師，系統整合商。這意味著工廠可以在數小時內連線到AI系統。在問題開始影響生產之前就可以提供見解。幾天之內，工廠工程師便開始從運營AI中獲得價值。透過學習系統從工廠工程師那裡獲得反饋，該學習系統可以立即改善見解生成過程。這種方法可以同時應用於數十種不同的用例，並且在每種用例中都可以更快地創造價值。 這種方法中的預測分析 的 邊際成本基本上為零 。

在過去的三年中，我們已經跨12個行業工作，包括製造業和國家安全領域，在60多個用例中擁有60多個客戶。我們從中得到的主要教訓是，學習系統能夠從很少的歷史資料到幾乎沒有歷史資料中產生洞察力，並且毫不費力地獲取專家的反饋，這是客戶可以在企業中部署和受益於廣泛使用案例的唯一方法。短時間。

縮短首次部署時間的價值將消除規模部署所需的許多其他障礙。工廠經理可以實施這種方法而無需大量的公司資源，工廠工程師可以發現見解並改善生產，製造主管可以管理記錄和利用專家知識的過程。

這就是最先進的技術，以及我們在Falkonry的方式正在改變圍繞數字製造的對話。在我們深入過渡的過程中，請留意這個空間，並將與您分享我們的發現 ， 更多資訊盡在振工鏈 。