殼牌公司首席數據科學家Deval Pandya表示，他認為與行業專家合作是人工智能成功的最重要標準之一。對主題有深入了解的專家提供了深度學習工具難以獨立分離的背景和細微差別。但他表示，在專家領域之外進行研究也有很大的好處。

 

Pandya是近日在舊金山舉行的ReaWork應用人工智能峰會的人工智能工程師和數據科學家小組的一員。參會者還包括IT領導者Uber公司和供應鏈供應商Fellow Robots公司，他們分享了應用尖端人工智能解決業務問題的經驗。

 

以下是專家提出的人工智能成功標準的概述：

 

 

首席數據科學家Pandya帶領的團隊在殼牌公司的工作非常重要：其任務是弄清楚如何使用來自數十萬個傳感器的數據來優化殼牌公司各個工廠的運營方式，這些工廠包括碳氫化合物生產工廠、發電廠，以及煉油廠。

 

Pandya說，預測性維護是一個具有挑戰性的問題，因為傳統煉油廠可能有40,000個閥門。他的團隊正致力于創建一個框架用來構建、運行、維護、重新培訓和評估的預測性維護模型，并在必要時退出，這些模型可以理解通過這些閥門收集的化學品流量傳感器數據。殼牌公司選擇了C3.ai公司的平臺，以減輕數據科學家和工程師在大規模部署這些模型時的負擔。

 

其面臨的一個挑戰在于將數據聚合和處理更接近其行為發生的位置，以便減輕云計算負載，減少延遲，并減少數據消耗。早在云計算出現之前，能源行業一直在努力解決這個問題。 Pandya表示，他參與的第一個項目涉及處理地震圖像，一個100平方公里的數據區塊可能需要10 TB到15 TB的數據。Pandya估計，殼牌公司從所有油井收集到的數據可能比YouTube視頻數據加起來還要多10到15倍。

 

雖然殼牌公司習慣于處理這類數據，但Pandya的團隊正在努力尋找在邊緣進行更多處理的方法。他估計數據中心大約有30%到40%的工作量可以在邊緣進行處理。其目的是將數據解析為特定項目的最相關信息。

 

Pandya說，在為殼牌公司推行這一新的邊緣戰略時，他偶然發現了其他行業的見解，這些見解有助于簡化這一開發過程。例如，他發現了一篇關于欺詐檢測的論文，描述了一種新的檢測異常的方法。事實證明，這適用于他的團隊在設備上進行的預測性維護的高級分析。

 

這一發現使他確信，了解其他可能試圖解決類似問題的行業非常重要。

 

Pandya說，“在我們的案例中，它恰好是異常檢測。有各種行業已經在異常檢測中做了大量工作，銀行業和防止欺詐行業可能會更加成熟。”

 

 

Fellow Robots公司一直在開發各種應用在商店的機器人和數據收集設備，以改善庫存檢查，提供客戶幫助，并繪制商店布局。盡管該公司沒有像殼牌公司采用那么多的傳感器，但它還需要找到最有效的方法來收集和分析遠程生成的數據。這包括用于確定機器人最佳移動速度的數據、影響圖像采集和安全的指標;商店照明的數據、影響圖像識別的指標;以及機器人可能與之交互的人員類型的數據(這會影響用戶體驗設計)。

 

Fellow Robots公司人工智能工程師Jagadish Mahendran說，“我們花了很多時間規劃如何優化數據采集系統，以便算法可以利用我們正在讀取的數據類型來概括不同的問題。”

 

Mahendran表示，當該公司首次開始在商店中部署機器人時，他的團隊向云端發送了如此多的數據，以至于處理時間變慢了。當時，Mahendran聽說其他公司使用Nvidia公司的新Jetson處理器將人工智能處理轉移到低端GPU上的邊緣設備上。

 

該團隊購買了一些開發板，Mahendran開始探索可以在其上運行的算法的局限性。幾個月后，他能夠開發出一種新的算法，將本地處理時間縮短了大約25倍。

 

他說：“這正是我們當時想要的結果。”

 

Mahendran說，在這樣的人工智能項目中，成功的最重要標準之一就是讓數據科學家與真正了解機器人將如何在商業環境中使用的專家合作，特別是機器人對客戶的影響。通過協作，人們可以更容易地確定要收集的數據類型以及處理可以推送到邊緣的數據的算法類型。

 

 

殼牌公司的Pandya支持數據科學家與主題專家合作的最佳實踐，以確定需要哪些數據。殼牌的專家包括地球物理學家以及維護工程師，他們幫助數據科學家從核電站的傳感器中找出需要優先處理的信號。

 

Pandya說，他的數據科學家團隊可能會識別出由傳感器輸入數據的各種組合創建的前200個機器學習模型功能。但是，實驗室和工藝工程師有時會決定算法應該關注另一個列表。

 

Pandya說，“需要嘗試將這兩種方法結合起來。”

 

Pandya強調，雖然預測性維護算法可以通過優化維修計劃來節省資金，但他們的建議需要經過人類的審查。

 

他說，“真正困難的是，誤報的代價是巨大的。”

 

如果信用卡公司將可疑交易標記為誤報，則可能給客戶帶來不便。如果殼牌公司關閉煉油廠以便在不需要時修理某些設備，那么可能會損失數百萬美元。

 

他補充說，“但是，不及時修理機器的另一種選擇可能更糟。所有各方都必須就何時以及如何應用人工智能進行溝通。”

 

 

實際上，人們在應用人工智能時可能比使用其他技術更難以導航。Pandya說，他一般認為這項技術已經足夠成熟，可以開展實際工作，但將人們聚集在一起也需要大量的情商。

 

Pandya問道，“如何讓一個從事這項工作30多年的煉油廠設備工程師來考慮采用這項技術?”

 

例如，其團隊的一些應用人工智能的工作正受到一線工程師的歡迎。同時，該公司明白，開發更好的算法可以從根本上改變其運作方式。

 

他說，“但我們必須對如何繼續實施這一目標保持謹慎。”

 

Pandya表示，在人工智能方面，他還必須弄清楚如何引進人才，不僅具有機器學習技能，而且還具備一些學科經驗，這樣他的團隊才能與各種專家進行交流。

 

殼牌公司團隊組成通常包括與機器學習工程師合作的產品所有者。來自產品團隊的一些不同類型的主題專家包括過程工程師、實驗室工程師、鉆井設備工程師、經濟學家，他們可能參與一個項目，以便為預測性維護或最佳操作制定更好的人工智能。

 

這種有度量的、包容性的方法在培養企業各業務部門的積極性方面取得了成效，其結果是，他的團隊現在得到了更多的新項目的主動請求，而不是拖延。

 

 

Uber公司負責應用機器學習的高級數據科學家Huaixiu Zheng表示，Uber公司人工智能研究人員實際上在改善整個公司的團隊和流程之間的溝通方面發揮了作用。

 

他說，“成功的人工智能通常能夠與不同的團體交流。”

 

這是一個從傳統軟件工程的巨大轉變，在傳統軟件工程中，設計師或項目經理將創建一個概念，軟件工程師將執行他們的訂單。現在，有另一個參與者加入進來，將人工智能算法引入軟件工程系統，并作為一種橋梁與各方合作。

 

他說，“這對我們所有在人工智能領域工作的人來說是一個巨大的挑戰和機遇。”

 

例如，Uber公司在解決客戶投訴方面有一個笨拙的流程。當客戶對司機不滿意、收費高于預期或丟失物品時，他們會進行溝通。

 

他說，“所有人都在做決定，這對客戶而言非常繁瑣，對企業來說效率不高。”

 

因此，人工智能開發團隊與客戶解決專家合作，找出哪些類型的請求可以自動解決。

 

他說，“在項目早期進行這些對話是非常強大的。”