Перспективы автоматизации и внедрения машинного обучения (и основанного на нем искусственного интеллекта, ИИ) в промышленности следует рассматривать отдельно, так как эти понятия не тождественны.
ИИ в промышленности
Задачи в области автоматизации производственных процессов и управления производством отличаются от задач в таких областях как, например, видеоаналитика и финтех, где ИИ используется уже сегодня.
Следующие присущие ИИ особенности существенно сужают возможности применения ИИ в производственных задачах:
• Возможность ошибки (то есть невозможность гарантировать верный ответ при определенных входных данных);
• Необходимость иметь большие датасеты для обучения нейросети;
• Ресурсоемкость и относительно низкое быстродействие.
Важно отметить, что необходимость большого набора данных для применения ИИ относится ко всем случаям и не зависит от контекста решаемой задачи. Во-первых, для обучения нейронной сети необходимо иметь достаточный объем данных. Во-вторых, на практике, если в рамках решаемой задачи не предвидится анализ большого объема данных, это является указанием на то, что целесообразно подойти к решению задачи со стороны традиционных алгоритмов анализа данных, изображений, математической статистики.
Быстродействие решений на основе ИИ определяется использованием и доступностью графических карт (GPU) на машине. Для полного раскрытия потенциала быстродействия также на машине необходим и быстрый процессор, как, например, Intel Xeon W. Соответственно, растет и энергопотребление, и габариты машины, что допустимо в случае серверных решений, но определенно является проблемой для АРМов, клиентских приложений, контроллеров каких-либо установок и стендов. Без учета операций на GPU, быстродействие решения во многом зависит от количества операций с числами с плавающей точкой (floating-point value). Если решение основано на «традиционном» алгоритме и алгоритм совершает меньшее количество операций, то такое решение будет эффективнее решения на основе ИИ.