工业物联网人工智能框架 - 第六部分

本文翻译自《Industrial IoT Artificial Intelligence Framework》，原始来源：https://www.iiconsortium.org/pdf/Industrial-AI-Framework-Final-2022-02-21.pdf。本翻译作品仅供参考，遵循 Industry IoT Consortium 使用信息 - 使用条款、条件和通告。作者和贡献者对原文内容享有版权。请阅读原文以了解详细信息和权限限制。

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

6 工业人工智能的未来

过去十年中人工智能的增长和进步令人叹为观止。在这短短的时间内，人工智能技术迅速进入了包括医疗保健、制造业、基础设施、交通运输等各行各业。本工业人工智能框架提供了对人工智能的高级概述，并讨论了在工业中应用人工智能时涉及的问题和关注点。本文档将这些讨论置于IIRA所定义的四个视角的背景下进行：业务、使用、功能和实施。

6.1 尽管存在风险，但人工智能带来深远的益处

与其他技术一样，人工智能有时会与某些缺点和风险联系在一起。例如，恶意人士可以训练一个人工智能算法来引发工业事故。如果人工智能被黑客攻击，负面后果可能会以高速蔓延到整个系统。人工智能还可能导致工作岗位的替代，例如能够执行简单重复任务的人工智能机器人可以取代车间上的工人。

然而，不应夸大人工智能的缺点和风险，因为工业人工智能的使用能为社会和组织带来卓越且深远的益处，这些益处远远超过了其缺点。工业人工智能的益处包括更精确的预测洞察力、能够在危险和难以到达的空间执行任务、更高的工作和流程效率，等等。

此外，尽管会引发工作替代效应，人工智能可以创造新的、薪资更高的工作类别。它还可以作为数字转型的关键推动力，赋予组织进行彻底的变革，改变它们向市场提供价值的方式。

人工智能已经在许多行业的解决方案中找到了应用，例如药物和疫苗的发现与制造、疾病分析和诊断、放射学、自动化重复性制造任务、自动驾驶车辆、自主机器人、资产和过程优化、制造和装配缺陷检测与分析以及预测性和预防性维护，等等。

6.2 与其他变革性技术的融合

人工智能与其他信息技术和运营技术变革性技术（如物联网、数字孪生、边缘计算、增强现实、5G、分布式账本等）的迅速出现和融合，承诺释放出一代新的高度分布式系统，具有个性化、情境化特征，能够进行实时的人机互动和机器间互动，并提供新的人机界面。这将赋予几乎每个工业领域的组织新一代的数字化转型能力，而人工智能则充当了此类颠覆性工业物联网解决方案的主要催化剂。

边缘计算：人工智能经常被赋予在学习、测试和生产阶段从各种平台处理大量传感器数据的任务。这就对边缘设备上进行人工智能分析提出了较高的要求，边缘设备就在接近数据产生的物理设备附近。

这些要求包括以下内容：

• 在几乎实时的情况下分析大容量和高速率的数据流；
• 降低本地设备与云之间的数据通信成本，因为传输的数据量更少；
• 由于隐私和安全问题，本地处理数据。

边缘人工智能（Edge AI）是在靠近物理设备的边缘进行的人工智能处理。可以将人工智能部署在边缘到边缘的配置中，其中智能水平分布，如车联网和智能工厂，或者在边缘到云的配置中，其中智能在边缘和云之间垂直分布，如图像识别和智能建筑。

随着计算能力的不断增长，研究人员最近调查了使用边缘计算技术部署人工智能的不同方式。在物联网和5G通信的推动下，边缘计算系统能够在网络边缘集成计算、存储和网络资源，提供本地计算基础设施，使开发人员能够快速开发和部署应用程序。

超级连接：由于工业物联网系统的分布式特性，原始数据通常在与使用它们的地理和架构区域分开的地方产生。这意味着物联网系统的网络和连接方面对于这些解决方案的整体设计和运行至关重要。此外，“超出视线范围”的智能操作要求对系统提出了更高的要求，包括更多的自主性和灵活性、更低的延迟和更高的精度。

5G是一种超级连接技术，可以实现超可靠低延迟通信（URLLC）、增强移动宽带（EMB）和大规模机器类型通信（mMTC）。这使得高度分布式的工业物联网应用能够通过对以前的无线宽带技术进行重大改进来实现。结合5G和边缘计算，人工智能可以更深入地分布到架构的不同部分，提升了在此框架中描述的视点问题的重要性。

数字孪生：数字孪生是物理实体的动态数字副本，帮助组织进行基于模型的决策。数字孪生的好处包括通过预测性维护降低维护成本，改善生产效率和测试，从而实现更好的业务结果和更高的客户满意度。

人工智能和数字孪生相互促进。数字孪生可以帮助组织生成模拟数据，用于训练和测试人工智能模型，并部署支持人工智能的工业物联网解决方案。另一方面，人工智能使企业能够构建更有效的数字孪生，并处理从这些数字孪生中收集到的大量数据。例如，工程师可以加速设计过程，改进产品设计变更的管理方式。

脑-机接口：脑-机接口（BCI）是一个跨学科的研究领域，旨在利用神经科学和人工智能的进展，提高人类大脑与环境之间的交流和互动能力。脑-机接口与人工智能技术的结合有望推动面向残疾人和高度要求任务中的知识工作者的创新思维驱动的通信和机器人解决方案的发展。

量子计算：尽管人工智能在过去十年取得了快速进展，但仍然存在一些重大的技术限制，例如迅速训练复杂的机器学习模型以创建优化算法。神经形态认知模型、自适应机器学习或不确定性下的推理对现今的人工智能来说是具有挑战性的。量子人工智能是利用量子计算来计算机器学习算法。通过利用量子计算的计算优势，量子人工智能可以实现经典计算机无法实现的结果。量子人工智能有望克服这些挑战，在短时间内完成多年的分析，并推动技术进步。

6.3 标准生态系统

国际标准化组织（ISO）和国际电工委员会（IEC）的联合委员会ISO/IEC JTC 1/SC 42（人工智能）所做的工作是人工智能标准新兴生态系统的一个典型示例。SC 42是ISO和IEC的联合委员会，负责JTC 1关于人工智能的标准化计划，并为开发人工智能应用的JTC 1、IEC和ISO委员会提供指导。

本节总结并借鉴了该委员会主席Wael William Diab撰写的一篇论文，题为《推动工业数字化转型：人工智能、大数据、分析和相关数据生态系统的作用》。

该委员会正在制定人工智能的国际标准，旨在加速人工智能的应用，并同时解决新兴问题，以实现智能制造等领域的成功数字化。

6.3.1 实现智能洞察

许多新兴服务依赖于根据大量生成的数据（如运营实时数据和批处理数据）提供洞察力的能力。ISO/IEC JTC 1/SC 42正在开展的技术将促进这些服务的实现，例如：

• 人工智能技术将通过效率、速度和尚未设想的应用方面远远超出传统分析系统所能提供的洞察力和分析能力。这是对传统分析系统的彻底改变，类似于十多年前企业和消费者应用中的“即插即用”方法。
• 大数据技术将使分析在大规模数据集上更加简化，并在许多情况下成为可能。这将通过根据特定应用程序中生成和使用数据集的方式来设计计算机系统架构，而不是将相同的计算机系统应用于不同数据集的应用程序，无论这些数据在种类、规模、变异性等方面如何。

SC 42正在考虑关于这些技术的使用和应用的一些问题。机器学习和分析的数据质量标准对于确保应用技术产生有用的洞察力和消除错误特征至关重要。关于人工智能的治理标准和大数据分析的业务流程框架解决了如何从管理角度对这些技术进行治理和监督的问题。从一开始就涉及可信度、伦理和社会问题的标准将有助于确保快速而有效的部署。

SC 42还在制定一种新颖的管理体系标准，以在使用人工智能等技术时建立信心。

6.3.2 生态系统方法

SC 42采取了生态系统方法，从各方面的利益相关者（如业务、特定领域、监管、社会和伦理要求）的新兴需求中进行研究。该委员会整合这些需求，将其转化为技术需求，并开发可适用于各行业的横向成果。

这种平台方法使得SC 42能够与其他组织和委员会合作，并为智能制造等应用领域提供一个框架，以便构建和利用SC 42的工作。下图总结了这种方法。

图6-1 工业物联网系统的可信性。来源：ISO /IEC JTC 1/SC42。

6.3.3 工作计划和在促进不同行业数字化转型中的角色

下面的典型列表展示了ISO /IEC JTC 1/SC 42国际标准在促进智能制造等工业领域数字化转型中的作用：

应用指南和使用案例：SC 42收集使用案例，以确保其横向标准具有广泛适用性，并为人工智能应用领域开发人员和应用领域标准组提供指导。SC 42还正在开发针对人工智能应用的指南，使应用开发人员、开源社区和应用标准制定组织/委员会能够利用SC 42的工作。此外，正在制定一项关于人工智能系统生命周期过程的标准。

基础标准：随着人工智能等技术在不久的将来预计将无处不在，利益相关者的多样性和数量将继续增加。基础标准提供了在这方面可以使用的共同语言和框架。

可信性：由于其广泛的适用性，人工智能的可信性方面对于广泛采用至关重要。SC 42已发布了一系列标准，概述了这些新兴问题，例如可信性、稳健性和偏差。此外，它正在制定技术标准来解决这些方面，包括：将ISO 31000风险管理框架应用于人工智能、人工智能系统质量模型、质量评估指南、可解释性、可控性、透明度分类、神经网络评估和处理不良偏差。

伦理和社会考虑因素：随着最近的信息技术发展，关于伦理和社会问题的新要求出现了，人工智能也不例外。SC 42正在通过其交付成果全面解决这些关切，例如关于使用案例的伦理和社会问题，同时还通过将这些要求与正在开发的技术标准相关联的交付成果来具体应对这些问题。

数据生态系统：SC 42正在处理人工智能数据生态系统，并已推出了关于机器学习和分析的数据质量的五部分系列。此外，SC 42正在开发一个新的人工智能数据生命周期框架。这些工作与正在进行的大数据分析的数据生态系统工作以及关于大数据的已发布基础标准相辅相成。

治理影响：SC 42正在与SC 40合作，制定一项针对可能出现的治理影响的标准。正在开发中的标准旨在为计划部署人工智能技术的高管或董事会提供指导。

计算方面：人工智能系统的核心是计算技术。SC 42正在研究人工智能系统的计算方法和特性。它已经发布了一份关于人工智能系统计算方法最新技术的概述，描述了主要的计算特性、算法和方法，参考了使用案例。SC 42正在进行涵盖从知识工程的参考架构（专注于过程的前端）到机器学习模型分类性能评估的项目。

管理系统标准：人工智能技术的独特特点为开发人员和部署人员提供了一种方法论的需求。这将通过提供一个可用于第三方认证的平台来增加用户的信心。SC 42正在利用管理系统标准（MSS）方法，并已开始制定ISO/IEC 42001人工智能管理系统标准的工作。

6.3.4 总结

与智能制造的拐点一样，数字化转型的核心价值在于提供洞见。人工智能、分析和大数据等技术是这种转型的推动因素。SC 42正在开发的国际标准将消除采用这些技术时的障碍，并解决相关的担忧。然而，这些标准和技术必须与运营技术标准一起使用，比如ISO和IEC委员会正在开发的标准。

SC 42独特的方法是考虑整个生态系统并开发横向标准，这使得垂直应用标准可以构建在这样一个平台之上更加容易。这个平台促进了人工智能广泛负责任采用的目标，通过让各种利益相关者能够建立在其工作的基础上。这些利益相关者包括关注应用领域的标准化组织/标准委员会、人工智能开发人员和技术人员、商业界、工业界、监管机构、社会科学家、开源社区以及整个社会。

6.4 总结和要点

如今，人工智能已嵌入到各种应用中，帮助工业组织实现所期望的益处，并改变它们的运营方式和市场价值的交付方式。

我们应该预计人工智能在工业领域的采用将继续并加速发展：

人工智能技术：计算能力的增加，训练数据集的广泛可用性以及算法的不断提升将导致更智能的人工智能能够执行越来越具有挑战性的任务。

将当前的标准和最佳实践应用于人工智能：组织应考虑采用自上而下和基于风险的方法来处理企业中的人工智能。业已确立的原则、行业标准以及商业、IT、安全、运营和合规方面的最佳实践必须应用于支持人工智能的系统。同时，还必须在人工智能支持的工业物联网系统的整个生命周期中解决与人工智能独特特性相关的问题。国际标准化组织/国际电工委员会JTC 1/SC 42（人工智能）正在开发的涵盖整个人工智能生态系统的综合标准平台是一个很好的例子。

物联网的人工智能不仅仅是IT的人工智能：工业物联网系统的物理数字特性引入了与安全、可靠性和弹性等问题相关的特定考虑因素。必须在人工智能系统的设计以及其在工业物联网系统中的实施和使用方式中解决这些问题。

对于人工智能的成熟：组织对人工智能及其应用的成熟度的提高将帮助它们认识到人工智能的益处远远超过其风险。然而，组织必须持续进行关于使用人工智能的风险评估，并针对这些风险采取措施。

人工智能将继续推动技术的前沿。对于人工智能的态度和对其应用的商业期望也将继续发展。因此，被认为是合理的做法也将不断演变。

本文档中提供的问题和指导是以此演变为背景构建的。未来，我们可以预期人工智能技术的使用将成为常态而非例外。考虑到使用人工智能的社会益处，“不使用人工智能”最终可能成为不负责任的行为。

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.