工業物聯網人工智能架構 - 第六部分

本文翻譯自《Industrial IoT Artificial Intelligence Framework》，原始來源：https://www.iiconsortium.org/pdf/Industrial-AI-Framework-Final-2022-02-21.pdf。本翻譯作品僅供參考，遵循 Industry IoT Consortium 使用資訊 - 使用條款、條件和通告。作者和貢獻者對原文内容享有版權。請閱讀原文以了解詳細資訊和權限限制。

作者 AuthorsWael William Diab, Alex Ferraro, Brad Klenz, Shi-Wan Lin, Edy Liongosari, Wadih Elie Tannous, Bassam Zarkout.

6 工業人工智能的未來

過去十年中人工智能的增長和進步令人歎為觀止。在這短短的時間内，人工智能技術迅速進入了包括醫療保健、制造業、基礎設施、交通運輸等各行各業。本工業人工智能架構提供了對人工智能的進階概述，并讨論了在工業中應用人工智能時涉及的問題和關注點。本文檔将這些讨論置于IIRA所定義的四個視角的背景下進行：業務、使用、功能和實施。

6.1 盡管存在風險，但人工智能帶來深遠的益處

與其他技術一樣，人工智能有時會與某些缺點和風險聯系在一起。例如，惡意人士可以訓練一個人工智能算法來引發工業事故。如果人工智能被黑客攻擊，負面後果可能會以高速蔓延到整個系統。人工智能還可能導緻工作崗位的替代，例如能夠執行簡單重複任務的人工智能機器人可以取代工廠中的房間上的勞工。

然而，不應誇大人工智能的缺點和風險，因為工業人工智能的使用能為社會群組織帶來卓越且深遠的益處，這些益處遠遠超過了其缺點。工業人工智能的益處包括更精确的預測洞察力、能夠在危險和難以到達的空間執行任務、更高的工作和流程效率，等等。

此外，盡管會引發工作替代效應，人工智能可以創造新的、薪資更高的工作類别。它還可以作為數字轉型的關鍵推動力，賦予組織進行徹底的變革，改變它們向市場提供價值的方式。

人工智能已經在許多行業的解決方案中找到了應用，例如藥物和疫苗的發現與制造、疾病分析和診斷、放射學、自動化重複性制造任務、自動駕駛車輛、自主機器人、資産和過程優化、制造和裝配缺陷檢測與分析以及預測性和預防性維護，等等。

6.2 與其他變革性技術的融合

人工智能與其他資訊技術和營運技術變革性技術（如物聯網、數字孿生、邊緣計算、增強現實、5G、分布式賬本等）的迅速出現和融合，承諾釋放出一代新的高度分布式系統，具有個性化、情境化特征，能夠進行實時的人機互動和機器間互動，并提供新的人機界面。這将賦予幾乎每個工業領域的組織新一代的數字化轉型能力，而人工智能則充當了此類颠覆性工業物聯網解決方案的主要催化劑。

邊緣計算：人工智能經常被賦予在學習、測試和生産階段從各種平台處理大量傳感器資料的任務。這就對邊緣裝置上進行人工智能分析提出了較高的要求，邊緣裝置就在接近資料産生的實體裝置附近。

這些要求包括以下内容：

• 在幾乎實時的情況下分析大容量和高速率的資料流；
• 降低本地裝置與雲之間的資料通信成本，因為傳輸的資料量更少；
• 由于隐私和安全問題，本地處理資料。

邊緣人工智能（Edge AI）是在靠近實體裝置的邊緣進行的人工智能處理。可以将人工智能部署在邊緣到邊緣的配置中，其中智能水準分布，如車聯網和智能工廠，或者在邊緣到雲的配置中，其中智能在邊緣和雲之間垂直分布，如圖像識别和智能建築。

随着計算能力的不斷增長，研究人員最近調查了使用邊緣計算技術部署人工智能的不同方式。在物聯網和5G通信的推動下，邊緣計算系統能夠在網絡邊緣內建計算、存儲和網絡資源，提供本地計算基礎設施，使開發人員能夠快速開發和部署應用程式。

超級連接配接：由于工業物聯網系統的分布式特性，原始資料通常在與使用它們的地理和架構區域分開的地方産生。這意味着物聯網系統的網絡和連接配接方面對于這些解決方案的整體設計和運作至關重要。此外，“超出視線範圍”的智能操作要求對系統提出了更高的要求，包括更多的自主性和靈活性、更低的延遲和更高的精度。

5G是一種超級連接配接技術，可以實作超可靠低延遲通信（URLLC）、增強移動寬帶（EMB）和大規模機器類型通信（mMTC）。這使得高度分布式的工業物聯網應用能夠通過對以前的無線寬帶技術進行重大改進來實作。結合5G和邊緣計算，人工智能可以更深入地分布到架構的不同部分，提升了在此架構中描述的視點問題的重要性。

數字孿生：數字孿生是實體實體的動态數字副本，幫助組織進行基于模型的決策。數字孿生的好處包括通過預測性維護降低維護成本，改善生産效率和測試，進而實作更好的業務結果和更高的客戶滿意度。

人工智能和數字孿生互相促進。數字孿生可以幫助組織生成模拟資料，用于訓練和測試人工智能模型，并部署支援人工智能的工業物聯網解決方案。另一方面，人工智能使企業能夠建構更有效的數字孿生，并處理從這些數字孿生中收集到的大量資料。例如，工程師可以加速設計過程，改進産品設計變更的管理方式。

腦-機接口：腦-機接口（BCI）是一個跨學科的研究領域，旨在利用神經科學和人工智能的進展，提高人類大腦與環境之間的交流和互動能力。腦-機接口與人工智能技術的結合有望推動面向殘障人士和高度要求任務中的知識工作者的創新思維驅動的通信和機器人解決方案的發展。

量子計算：盡管人工智能在過去十年取得了快速進展，但仍然存在一些重大的技術限制，例如迅速訓練複雜的機器學習模型以建立優化算法。神經形态認知模型、自适應機器學習或不确定性下的推理對現今的人工智能來說是具有挑戰性的。量子人工智能是利用量子計算來計算機器學習算法。通過利用量子計算的計算優勢，量子人工智能可以實作經典計算機無法實作的結果。量子人工智能有望克服這些挑戰，在短時間内完成多年的分析，并推動技術進步。

6.3 标準生态系統

國際标準化組織（ISO）和國際電工委員會（IEC）的聯合委員會ISO/IEC JTC 1/SC 42（人工智能）所做的工作是人工智能标準新興生态系統的一個典型示例。SC 42是ISO和IEC的聯合委員會，負責JTC 1關于人工智能的标準化計劃，并為開發人工智能應用的JTC 1、IEC和ISO委員會提供指導。

本節總結并借鑒了該委員會主席Wael William Diab撰寫的一篇論文，題為《推動工業數字化轉型：人工智能、大資料、分析和相關資料生态系統的作用》。

該委員會正在制定人工智能的國際标準，旨在加速人工智能的應用，并同時解決新興問題，以實作智能制造等領域的成功數字化。

6.3.1 實作智能洞察

許多新興服務依賴于根據大量生成的資料（如營運實時資料和批處理資料）提供洞察力的能力。ISO/IEC JTC 1/SC 42正在開展的技術将促進這些服務的實作，例如：

• 人工智能技術将通過效率、速度和尚未設想的應用方面遠遠超出傳統分析系統所能提供的洞察力和分析能力。這是對傳統分析系統的徹底改變，類似于十多年前企業和消費者應用中的“即插即用”方法。
• 大資料技術将使分析在大規模資料集上更加簡化，并在許多情況下成為可能。這将通過根據特定應用程式中生成和使用資料集的方式來設計計算機系統架構，而不是将相同的計算機系統應用于不同資料集的應用程式，無論這些資料在種類、規模、變異性等方面如何。

SC 42正在考慮關于這些技術的使用和應用的一些問題。機器學習和分析的資料品質标準對于確定應用技術産生有用的洞察力和消除錯誤特征至關重要。關于人工智能的治理标準和大資料分析的業務流程架構解決了如何從管理角度對這些技術進行治理和監督的問題。從一開始就涉及可信度、倫理和社會問題的标準将有助于確定快速而有效的部署。

SC 42還在制定一種新穎的管理體系标準，以在使用人工智能等技術時建立信心。

6.3.2 生态系統方法

SC 42采取了生态系統方法，從各方面的利益相關者（如業務、特定領域、監管、社會和倫理要求）的新興需求中進行研究。該委員會整合這些需求，将其轉化為技術需求，并開發可适用于各行業的橫向成果。

這種平台方法使得SC 42能夠與其他組織和委員會合作，并為智能制造等應用領域提供一個架構，以便建構和利用SC 42的工作。下圖總結了這種方法。

圖6-1 工業物聯網系統的可信性。來源：ISO /IEC JTC 1/SC42。

6.3.3 工作計劃和在促進不同行業數字化轉型中的角色

下面的典型清單展示了ISO /IEC JTC 1/SC 42國際标準在促進智能制造等工業領域數字化轉型中的作用：

應用指南和使用案例：SC 42收集使用案例，以確定其橫向标準具有廣泛适用性，并為人工智能應用領域開發人員和應用領域标準組提供指導。SC 42還正在開發針對人工智能應用的指南，使應用開發人員、開源社群和應用标準制定組織/委員會能夠利用SC 42的工作。此外，正在制定一項關于人工智能系統生命周期過程的标準。

基礎标準：随着人工智能等技術在不久的将來預計将無處不在，利益相關者的多樣性和數量将繼續增加。基礎标準提供了在這方面可以使用的共同語言和架構。

可信性：由于其廣泛的适用性，人工智能的可信性方面對于廣泛采用至關重要。SC 42已釋出了一系列标準，概述了這些新興問題，例如可信性、穩健性和偏差。此外，它正在制定技術标準來解決這些方面，包括：将ISO 31000風險管理架構應用于人工智能、人工智能系統品質模型、品質評估指南、可解釋性、可控性、透明度分類、神經網絡評估和處理不良偏差。

倫理和社會考慮因素：随着最近的資訊技術發展，關于倫理和社會問題的新要求出現了，人工智能也不例外。SC 42正在通過其傳遞成果全面解決這些關切，例如關于使用案例的倫理和社會問題，同時還通過将這些要求與正在開發的技術标準相關聯的傳遞成果來具體應對這些問題。

資料生态系統：SC 42正在處理人工智能資料生态系統，并已推出了關于機器學習和分析的資料品質的五部分系列。此外，SC 42正在開發一個新的人工智能資料生命周期架構。這些工作與正在進行的大資料分析的資料生态系統工作以及關于大資料的已釋出基礎标準相輔相成。

治理影響：SC 42正在與SC 40合作，制定一項針對可能出現的治理影響的标準。正在開發中的标準旨在為計劃部署人工智能技術的高管或董事會提供指導。

計算方面：人工智能系統的核心是計算技術。SC 42正在研究人工智能系統的計算方法和特性。它已經釋出了一份關于人工智能系統計算方法最新技術的概述，描述了主要的計算特性、算法和方法，參考了使用案例。SC 42正在進行涵蓋從知識工程的參考架構（專注于過程的前端）到機器學習模型分類性能評估的項目。

管理系統标準：人工智能技術的獨特特點為開發人員和部署人員提供了一種方法論的需求。這将通過提供一個可用于第三方認證的平台來增加使用者的信心。SC 42正在利用管理系統标準（MSS）方法，并已開始制定ISO/IEC 42001人工智能管理系統标準的工作。

6.3.4 總結

與智能制造的拐點一樣，數字化轉型的核心價值在于提供洞見。人工智能、分析和大資料等技術是這種轉型的推動因素。SC 42正在開發的國際标準将消除采用這些技術時的障礙，并解決相關的擔憂。然而，這些标準和技術必須與營運技術标準一起使用，比如ISO和IEC委員會正在開發的标準。

SC 42獨特的方法是考慮整個生态系統并開發橫向标準，這使得垂直應用标準可以建構在這樣一個平台之上更加容易。這個平台促進了人工智能廣泛負責任采用的目标，通過讓各種利益相關者能夠建立在其工作的基礎上。這些利益相關者包括關注應用領域的标準化組織/标準委員會、人工智能開發人員和技術人員、商業界、工業界、監管機構、社會科學家、開源社群以及整個社會。

6.4 總結和要點

如今，人工智能已嵌入到各種應用中，幫助工業組織實作所期望的益處，并改變它們的營運方式和市場價值的傳遞方式。

我們應該預計人工智能在工業領域的采用将繼續并加速發展：

人工智能技術：計算能力的增加，訓練資料集的廣泛可用性以及算法的不斷提升将導緻更智能的人工智能能夠執行越來越具有挑戰性的任務。

将目前的标準和最佳實踐應用于人工智能：組織應考慮采用自上而下和基于風險的方法來處理企業中的人工智能。業已确立的原則、行業标準以及商業、IT、安全、營運和合規方面的最佳實踐必須應用于支援人工智能的系統。同時，還必須在人工智能支援的工業物聯網系統的整個生命周期中解決與人工智能獨特特性相關的問題。國際标準化組織/國際電工委員會JTC 1/SC 42（人工智能）正在開發的涵蓋整個人工智能生态系統的綜合标準平台是一個很好的例子。

物聯網的人工智能不僅僅是IT的人工智能：工業物聯網系統的實體數字特性引入了與安全、可靠性和彈性等問題相關的特定考慮因素。必須在人工智能系統的設計以及其在工業物聯網系統中的實施和使用方式中解決這些問題。

對于人工智能的成熟：組織對人工智能及其應用的成熟度的提高将幫助它們認識到人工智能的益處遠遠超過其風險。然而，組織必須持續進行關于使用人工智能的風險評估，并針對這些風險采取措施。

人工智能将繼續推動技術的前沿。對于人工智能的态度和對其應用的商業期望也将繼續發展。是以，被認為是合理的做法也将不斷演變。

本文檔中提供的問題和指導是以此演變為背景建構的。未來，我們可以預期人工智能技術的使用将成為常态而非例外。考慮到使用人工智能的社會益處，“不使用人工智能”最終可能成為不負責任的行為。

Copyright © 2022, Industry IoT Consortium®, a program of Object Management Group, Inc. (“OMG®”). All other trademarks in this document are the properties of their respective owners.

All copying, distribution and use are subject to the limited License, Permission, Disclaimer and other terms stated in the Industry IoT Consortium Use of Information – Terms, Conditions & Notices, as posted at https://www.iiconsortium.org/legal/index.htm - use_info. If you do not accept these Terms, you are not permitted to use the document.

This document is a work product of the Industry IoT Consortium Industrial Artificial Intelligence Task Group, chaired by Wael William Diab.

Editorial Team: Bassam Zarkout (Chief Editor) and Wael William Diab (Editor).

Authors: The following persons contributed substantial written content to this document: Wael William Diab, Alex Ferraro (PwC), Brad Klenz (SAS), Shi-Wan Lin (Thingswise), Edy Liongosari (Accenture), Wadih Elie Tannous (AASA), Bassam Zarkout (IGnPower).

Contributors: The following persons contributed valuable ideas and feedback that significantly improved the content and quality of this document: Eric Harper (ABB), Salim Abi-Azzi (Dell).

Technical Editor: Stephen Mellor (IIC staff) oversaw the process of organizing the contributions of the Authors and Contributors into an integrated document.