AI • 物联网 • 网络边缘

当您在路边等待拖车时，是否总会意识到自己忽略了 75,000 英里的调校和安全检查？“检查机油”灯和低胎压警报可以避免危险情况，但您仍然可能遇到令人沮丧且耗时的故障。如果将这种不便和生产力损失扩展到工厂环境，相对应的机器故障可能导致代价高昂的停机。

这就是预测性维护的作用所在。机器学习可以分析正常工作流程中的模式，并及时检测异常以防止发生代价高昂的停机；但如果是新设备，没有现有数据可供 AI 学习，会发生什么情况？是否可以将人类在应对新情况时的某些优良特质（尽管效率不高）用于基于机器的检查呢？

AI 视频分析提供商 iOmniscient 的联合创始人兼首席执行官 Rustom Kanga 针对上述问题和有关预测性维护未来的其他问题给出了一些答案。他谈到了传统机器学习在预测性维护中的局限性；现有基础设施何时可以成为预测解决方案的一部分，何时不能，以及 e-Nose 到底是什么（视频 1）。

传统的预测性维护方法有哪些局限性？

今天，当人们谈论人工智能时，通常将其等同于深度学习和机器学习技术。例如，如果你想让 AI 检测一条狗，你需要有 50,000 张狗的图片并标记：“这是一条狗。那是一条狗。那是一条狗。那是一条狗。”训练好系统后，下次出现一条狗时，它会知道那是一条狗。这是深度学习的运作方式。

但如果你没有针对某些特定或独特类型的狗训练系统，那么它可能无法识别这类动物。这样你就必须重新训练系统。这种重新训练会一直持续，可能会永远训练下去。

维护系统的挑战在于，当你安装一些新设备时，你没有任何关于设备如何发生故障或何时发生故障的历史记录：没有任何数据可用于深度学习。所以，你需要能够在没有这些数据的情况下预测将发生什么事情。

我们所做的是自主、多感官、基于 AI 的分析。自主意味着通常没有人类参与，或非常少的人类参与。多感官是指人类使用眼睛、耳朵和鼻子来了解周围环境，我们也是这样做的。我们进行视频分析、声音分析和气味分析；这样我们就知道环境中发生了什么。

多感官 AI 方法如何应对您提到的一些挑战？

我们开发了一种称为直觉性 AI 的能力。人工智能就是模拟人类智能，而人类不仅仅使用记忆功能，这正是深度学习试图复制的东西。人类还使用逻辑功能。人类有演绎逻辑、归纳逻辑，使用直觉和创造能力来决定世界如何运转。这与人们期望的机器学习系统的运作方式截然不同。

作为一家公司，我们所做的是利用人类的能力来指导系统该寻找什么，然后使用我们的多感官能力来寻找这些迹象。例如，如果安装了一条传送带，我们想知道它何时可能发生故障，那么我们会寻找哪些迹象来预测它工作不正常呢？我们可能会听它的声音：当它开始发出“叮当、叮当、叮当”的声音时，说明出现了问题。因此，我们使用视觉、听觉和嗅觉来判断它在任何给定时间的运行情况，以及是否出现任何预示即将发生故障的迹象。

你们如何训练 AI 来做到这一点，并且是准确做到这一点？

我们告诉系统人类可能会看到什么。例如，假设我们正在检查一些设备，最可能出现的故障情况是生锈。我们就会告诉系统寻找锈迹或颜色变化。如果系统发现有锈迹在扩大，它会告诉我们出现了问题，是时候考虑更换或维修机器了。

直觉性 AI 不需要大量数据。可能 10 个或更少的数据集示例就可以训练我们的系统。由于需要的数据集很少，因此不需要大量计算，也不需要 GPU。我们完全在标准英特尔 CPU 上运行，并且仍然可以实现高准确性。

我们最近为无人驾驶列车实施了一个系统。客户希望确保没有人因为走在列车前面而受伤。这实际上只需要一个简单的入侵检测系统。事实上，摄像头公司在其摄像头中嵌入了入侵检测系统。并且铁路公司已经有所行动，他们从一家非常有信誉的公司购买了一些摄像头来进行入侵检测。

唯一的问题是，每个摄像头每天会发出大约 200 次误报，这使得整个系统无法使用。因此，他们设定了一个标准，希望整个网络不要出现超过一次的误报。我们能够为他们实现这一目标，并且在过去五年一直为他们的列车提供安全系统。

你们的解决方案是否需要安装新的硬件和设备？

我们可以使用任何人的摄像头、任何人的麦克风，当然，摄像头必须能够拍到你希望被看到的画面。然后我们提供智能。我们可以使用现有的基础设施来获得视频和声音。

不过，嗅觉是一个非常独特的能力。没有人制造检测工业气味所需的嗅觉传感器，因此我们自行研发了 e-Nose 来提供给客户。这是一个独特的设备，其中包含六个左右的传感器。当然，市场上有可以检测单分子的传感器。例如，如果要检测一氧化碳，可以购买相应的传感器来实现。但大多数工业化学品要复杂得多。即使一杯咖啡也含有大约 400 种不同的分子。

您能否分享任何其他展示 iOmniscient 解决方案实际应用的用例吗？

我给你举一个例子，展示这样的系统在速度方面的真正价值。由于我们不需要标记 50,000 个对象，我们实际上可以非常快速地实现系统。我们曾经被邀请到一个机场检测其垃圾房中的问题 — 这些房间在机场下方，用于收集来自机场本身和在机场降落的飞机的垃圾。这个机场有 30 或 40 个垃圾房。

当然，有时垃圾袋会破损，垃圾箱会溢出，机场需要一种方法来确保这些垃圾房保持整洁。所以他们决定使用人工智能系统来实现这一目标。他们邀请了大约八家公司来进行概念验证。他们说，“花四周时间训练你们的系统，然后给我们展示你们能做什么。”

四周后，没有人能展示任何成果。他们说，“花八周时间吧”。然后又说，“花十二周时间吧”。没有一家公司能够实际开发出有任何准确性的系统，就是因为涉及的变数太多。

最后，他们找到了我们，问我们说，“你们能来展示一下你们的能力吗？”我们在周二下午派了一名工程师过去，到了周四上午我们就能够演示准确率接近 100% 的系统。系统的实现速度如此之快，而且不需要使用 50,000 组数据进行训练。不需要大量计算，也不需要 GPU。这正是直觉性 AI 的美妙之处。

与英特尔及其技术合作的价值是什么？

我们与英特尔独家合作，在过去 23 年一直是他们的合作伙伴，与他们保持着非常紧密且意义重大的关系。我们可以信任英特尔生产的设备；我们了解它的工作原理，并且知道它会始终发挥作用。设备还向后兼容，这对我们来说非常重要，因为客户购买产品是为了长期使用。

多感官直觉性 AI 的理念在 iOmniscient 是如何演变的？

当我们刚起步时，许多人使用标准视频分析、视频运动检测等技术来了解环境。我们开发的技术能在非常困难、拥挤和复杂的场景中发挥作用，这使得我们在市场中占据了有利地位。

今天，我们能做的远不止于此。我们可以实现人脸识别、车牌设备，这些都受到隐私保护。我们开发基于视频、声音和气味的系统。技术不断发展，我们努力保持在前沿。

例如，在过去，所有这些分析都要求传感器是固定的；如果使用摄像头，就必须将其固定在杆子或墙上。但是，当摄像头本身在移动时会发生什么情况，如果是行人佩戴的摄像头或者摄像头在无人机或行走的机器人上又会怎样？我们已经开始研发能够在这些移动摄像头上发挥作用的技术。我们称之为“野性 AI”。

另一个例子是，我们最初开发了面向工业应用（例如废物管理工厂和机场厕所）的嗅觉技术。但我们也发现，我们可以使用相同的设备来嗅探人呼吸的气味，并检测早期肺癌和乳腺癌。

我们现在还没有推出此类产品；我们正在进行临床测试和临床试验，这是将其作为医疗设备推出所必须经历的流程。但这就是未来的方向。无法预测。20 年前，我们无法想象会开发用于癌症检测的设备，但这正是我们目前的发展方向。

相关内容

要详细了解多感官 AI，请收听多感官 AI：预测性维护的未来，并阅读多感官 AI 彻底改变实时分析。有关 iOmniscient 的最新创新，请关注 X/Twitter 上的 @iOmniscient1 以及他们的 LinkedIn 主页。

本文由文案编辑 Erin Noble 编辑。