在過去兩年中，生成式人工智能(GenAI) 的出現(xiàn)為工業(yè)過程分析帶來了令人興奮的新可能性。這種變革性技術(shù)可以根據(jù)用戶提示生成文本、代碼和圖像等新內(nèi)容，有可能重塑過程制造商分析數(shù)據(jù)、優(yōu)化運營和做出關(guān)鍵決策的方式。

對生成式AI的興趣來自于過程制造商感到“數(shù)據(jù)豐富而信息貧乏”的時候，特別是隨著工業(yè)物聯(lián)網(wǎng)(IIoT)的擴展增加了運營和設(shè)備數(shù)據(jù)的數(shù)量、復(fù)雜性和可訪問性。其實，如果管理得當(dāng)，這些多余的數(shù)據(jù)會產(chǎn)生巨大的機會。

人工智能(AI)和機器學(xué)習(xí)(ML)技術(shù)的同時出現(xiàn)為發(fā)現(xiàn)更有意義的見解提供了潛力。然而，對于許多組織來說，從原始數(shù)據(jù)到有意義的見解的過程仍然很漫長。

因此，需要一種軟件，使團隊成員(包括工程、運營和管理人員)能夠從數(shù)據(jù)中獲得更快、更有價值的見解，并更快地采取行動以改進生產(chǎn)和業(yè)務(wù)指標。將生成式AI整合到高級分析軟件中可能會對過程行業(yè)產(chǎn)生影響，因為它使領(lǐng)域?qū)＜腋菀桌密浖膹姶蠊δ埽瑫r提高其有效性。

使用生成式AI增強高級分析功能

生成式AI大型語言模型擅長理解人類輸入，以及快速有效地生成文本和計算機代碼，而高級分析解決方案則提供了對經(jīng)過清理和上下文情境的時間序列數(shù)據(jù)的清晰訪問。將這兩種技術(shù)相結(jié)合，可以提高軟件解決方案在識別模式、收集見解、做出預(yù)測和建議操作方面的能力。

圖 1：要想利用生成式AI增強型高級分析解決方案取得成功，需要為領(lǐng)域?qū)＜姨峁╆P(guān)鍵要素，以便在業(yè)務(wù)和技術(shù)戰(zhàn)略的協(xié)調(diào)下進行高效分析并做出有效決策。

為了通過這種組合取得最大的成功，關(guān)鍵要素(可靠的企業(yè)數(shù)據(jù)、高級分析和生成式AI)必須以領(lǐng)域?qū)＜覟楹诵?，而不是在后臺進行整合(圖1)。

通過使用生成式AI豐富高級分析功能，公司可能會獲得許多好處，包括：

• 增強決策：通過以自然語言提供摘要和詳細說明，領(lǐng)域?qū)＜腋菀桌斫庹麄€過程，并更準確地做出數(shù)據(jù)驅(qū)動的決策。其結(jié)果是能夠分析海量數(shù)據(jù)集，以識別趨勢、異常和機會，并實現(xiàn)主動決策。
• 更高的分析效率：可以快速從基于文本的簡短任務(wù)描述轉(zhuǎn)變?yōu)閳?zhí)行這些任務(wù)的功能性計算機代碼，通常只需進行最少的調(diào)整和更正。這使工程師和數(shù)據(jù)科學(xué)家等領(lǐng)域?qū)＜夷軌驅(qū)Ｗ⒂诟邇r值活動，從而縮短獲得見解的時間。
• 更強的預(yù)測能力：生成式AI提高了基于算法的分析技術(shù)檢測異常、為預(yù)測性維護提供信息和預(yù)測生產(chǎn)數(shù)據(jù)的能力。它還為模式檢測提供了額外的功能，特別是在表示傳感器數(shù)據(jù)與操作說明或日志組合的數(shù)據(jù)集中。
• 簡化入職和培訓(xùn)：生成式AI可用于支持對話和交互式用戶界面，使學(xué)習(xí)者更容易掌握其制造領(lǐng)域的工藝。通過與當(dāng)前知識庫的持續(xù)連接，基于生成式AI的培訓(xùn)也保留了其相關(guān)性，從而增強了培訓(xùn)保留率。

通過提供對現(xiàn)代技術(shù)的簡化訪問，使領(lǐng)域?qū)＜业墓ぷ鞲p松，公司不僅可以重新定義業(yè)務(wù)運營，還可以培養(yǎng)一個充滿靈感、參與度高、有能力的數(shù)字化組織。

生成式AI的局限性和風(fēng)險

雖然生成式AI有望在未來實現(xiàn)重大改進，但組織必須承認其局限性和相關(guān)風(fēng)險。這些挑戰(zhàn)包括數(shù)據(jù)挑戰(zhàn)、缺乏透明度和數(shù)據(jù)隱私問題。

生成式AI模型通常使用代表人類共同知識的公共數(shù)據(jù)集進行訓(xùn)練，這些知識可在互聯(lián)網(wǎng)上獲得，但缺乏私人知識。由于難以消除訓(xùn)練數(shù)據(jù)中存在的固有偏差，這可能會導(dǎo)致某些結(jié)果不準確。使用特定領(lǐng)域的私有數(shù)據(jù)訓(xùn)練模型既繁重又技術(shù)困難。

復(fù)雜的生成式AI模型通常從前端看往往像是一個黑匣子，沒有可解釋性，這使得解釋決策過程具有挑戰(zhàn)性。使用模型的人必須謹慎行事。當(dāng)這些模型將數(shù)據(jù)提供給其他軟件時，在對生成式AI結(jié)果進行過濾以減少虛假信息的傳播時會增加一層復(fù)雜性，從而帶來傷害風(fēng)險。

在敏感行業(yè)部署生成式AI時，必須解決數(shù)據(jù)隱私和安全問題。由于生成式AI平臺對互聯(lián)網(wǎng)開放用于模型訓(xùn)練，因此開發(fā)人員和實施者必須謹慎行事，將機密信息與面向公眾的組件分開，以避免泄露數(shù)據(jù)。

隨著媒體對生成式AI的炒作不斷增長，企業(yè)也應(yīng)該警惕常見的誤解。盡管有流行的話語，但生成式AI需要人類監(jiān)督才能有效運作。它并不能取代對領(lǐng)域?qū)＜业男枨?，而是補充了他們的專業(yè)知識。

構(gòu)建有效的生成式AI模型需要大量的時間和精力。它不是即時解決方案的靈丹妙藥。當(dāng)部署在過程工業(yè)中時，這些模型需要微調(diào)和定制以滿足特定需求。現(xiàn)成的解決方案可能無法產(chǎn)生最佳甚至合理的結(jié)果。

準備和實施的三個關(guān)鍵要素

為了評估使用生成式AI增強過程系統(tǒng)數(shù)據(jù)分析的準備情況，企業(yè)應(yīng)檢查三個關(guān)鍵屬性：

• 數(shù)據(jù)質(zhì)量：評估過程數(shù)據(jù)的完整性和可訪問性。高質(zhì)量的數(shù)據(jù)對于生成式AI的有效性以及與處理這些問題的團隊正在解決的特定流程問題的相關(guān)性至關(guān)重要。
• 技能專長：評估與過程工業(yè)相關(guān)的數(shù)據(jù)科學(xué)和AI的熟練程度。確定員工是否具備開發(fā)和維護生成式AI解決方案的技能，以及是否了解解決方案所針對的流程和業(yè)務(wù)團隊。
• 基礎(chǔ)設(shè)施：確保必要的計算基礎(chǔ)設(shè)施和數(shù)據(jù)存儲功能到位，以支持資源密集型生成式AI部署。

在考慮了上面的這些關(guān)鍵因素后，企業(yè)還應(yīng)遵循以下準則，以成功應(yīng)用和部署生成式AI：

• 投資于技能：對員工進行數(shù)據(jù)科學(xué)和AI方面的培訓(xùn)，同時發(fā)展內(nèi)部專業(yè)知識，以有效推動生成式AI計劃。
• 定義標準：建立穩(wěn)健的數(shù)據(jù)治理實踐，以確保數(shù)據(jù)質(zhì)量、隱私和符合行業(yè)法規(guī)。
• 從小處著手：從試點項目開始，在擴大規(guī)模之前測試生成式AI對組織特定用例的適用性。
• 促進持續(xù)學(xué)習(xí)：培養(yǎng)一種追求知識并隨著生成式AI技術(shù)的發(fā)展而適應(yīng)的文化。

釋放生成式AI的潛力

生成式AI有望徹底改變工業(yè)數(shù)據(jù)分析和決策方法。通過將生成式AI與高級分析相結(jié)合，過程制造商可以將效率、準確性和創(chuàng)新提升到新的水平。要充分發(fā)揮生成式AI的潛力，需要仔細考慮其局限性和風(fēng)險，并采取戰(zhàn)略性方法為組織做好準備。

過程專家可以利用生成式AI的強大功能，將這些解決方案巧妙地集成到工作流程中，以推動取得有利成果，并在競爭日益激烈的環(huán)境中保持領(lǐng)先地位。