企业需要研究行业以外的组织如何应用人工智能。壳牌公司、Uber公司以及Fellow Robots公司认为，可以了解这些公司在人工智能领域取得成功的标准。

壳牌公司首席数据科学家Deval Pandya表示，他认为与行业专家合作是人工智能成功的最重要标准之一。对主题有深入了解的专家提供了深度学习工具难以独立分离的背景和细微差别。但他表示，在专家领域之外进行研究也有很大的好处。

Pandya是近日在旧金山举行的ReaWork应用人工智能峰会的人工智能工程师和数据科学家小组的一员。参会者还包括IT领导者Uber公司和供应链供应商Fellow Robots公司，他们分享了应用尖端人工智能解决业务问题的经验。

以下是专家提出的人工智能成功标准的概述：

壳牌公司边缘的数据汇总

首席数据科学家Pandya带领的团队在壳牌公司的工作非常重要：其任务是弄清楚如何使用来自数十万个传感器的数据来优化壳牌公司各个工厂的运营方式，这些工厂包括碳氢化合物生产工厂、发电厂，以及炼油厂。

Pandya说，预测性维护是一个具有挑战性的问题，因为传统炼油厂可能有40,000个阀门。他的团队正致力于创建一个框架用来构建、运行、维护、重新培训和评估的预测性维护模型，并在必要时退出，这些模型可以理解通过这些阀门收集的化学品流量传感器数据。壳牌公司选择了C3.ai公司的平台，以减轻数据科学家和工程师在大规模部署这些模型时的负担。

其面临的一个挑战在于将数据聚合和处理更接近其行为发生的位置，以便减轻云计算负载，减少延迟，并减少数据消耗。早在云计算出现之前，能源行业一直在努力解决这个问题。Pandya表示，他参与的第一个项目涉及处理地震图像，一个100平方公里的数据区块可能需要10 TB到15 TB的数据。Pandya估计，壳牌公司从所有油井收集到的数据可能比YouTube视频数据加起来还要多10到15倍。

虽然壳牌公司习惯于处理这类数据，但Pandya的团队正在努力寻找在边缘进行更多处理的方法。他估计数据中心大约有30%到40%的工作量可以在边缘进行处理。其目的是将数据解析为特定项目的最相关信息。

Pandya说，在为壳牌公司推行这一新的边缘战略时，他偶然发现了其他行业的见解，这些见解有助于简化这一开发过程。例如，他发现了一篇关于欺诈检测的论文，描述了一种新的检测异常的方法。事实证明，这适用于他的团队在设备上进行的预测性维护的高级分析。

这一发现使他确信，了解其他可能试图解决类似问题的行业非常重要。

Pandya说，“在我们的案例中，它恰好是异常检测。有各种行业已经在异常检测中做了大量工作，银行业和防止欺诈行业可能会更加成熟。”

人工智能成功的标准涉及Nvidia公司的新Jetson处理器

Fellow Robots公司一直在开发各种应用在商店的机器人和数据收集设备，以改善库存检查，提供客户帮助，并绘制商店布局。尽管该公司没有像壳牌公司采用那么多的传感器，但它还需要找到最有效的方法来收集和分析远程生成的数据。这包括用于确定机器人最佳移动速度的数据、影响图像采集和安全的指标;商店照明的数据、影响图像识别的指标;以及机器人可能与之交互的人员类型的数据(这会影响用户体验设计)。

Fellow Robots公司人工智能工程师Jagadish Mahendran说，“我们花了很多时间规划如何优化数据采集系统，以便算法可以利用我们正在读取的数据类型来概括不同的问题。”

Mahendran表示，当该公司首次开始在商店中部署机器人时，他的团队向云端发送了如此多的数据，以至于处理时间变慢了。当时，Mahendran听说其他公司使用Nvidia公司的新Jetson处理器将人工智能处理转移到低端GPU上的边缘设备上。

该团队购买了一些开发板，Mahendran开始探索可以在其上运行的算法的局限性。几个月后，他能够开发出一种新的算法，将本地处理时间缩短了大约25倍。

他说：“这正是我们当时想要的结果。”

Mahendran说，在这样的人工智能项目中，成功的最重要标准之一就是让数据科学家与真正了解机器人将如何在商业环境中使用的专家合作，特别是机器人对客户的影响。通过协作，人们可以更容易地确定要收集的数据类型以及处理可以推送到边缘的数据的算法类型。

人类审查人工智能成功的要求

壳牌公司的Pandya支持数据科学家与主题专家合作的最佳实践，以确定需要哪些数据。壳牌的专家包括地球物理学家以及维护工程师，他们帮助数据科学家从核电站的传感器中找出需要优先处理的信号。

Pandya说，他的数据科学家团队可能会识别出由传感器输入数据的各种组合创建的前200个机器学习模型功能。但是，实验室和工艺工程师有时会决定算法应该关注另一个列表。

Pandya说，“需要尝试将这两种方法结合起来。”

Pandya强调，虽然预测性维护算法可以通过优化维修计划来节省资金，但他们的建议需要经过人类的审查。

他说，“真正困难的是，误报的代价是巨大的。”

如果信用卡公司将可疑交易标记为误报，则可能给客户带来不便。如果壳牌公司关闭炼油厂以便在不需要时修理某些设备，那么可能会损失数百万美元。

他补充说，“但是，不及时修理机器的另一种选择可能更糟。所有各方都必须就何时以及如何应用人工智能进行沟通。”

跨团队沟通

实际上，人们在应用人工智能时可能比使用其他技术更难以导航。Pandya说，他一般认为这项技术已经足够成熟，可以开展实际工作，但将人们聚集在一起也需要大量的情商。

Pandya问道，“如何让一个从事这项工作30多年的炼油厂设备工程师来考虑采用这项技术?”

例如，其团队的一些应用人工智能的工作正受到一线工程师的欢迎。同时，该公司明白，开发更好的算法可以从根本上改变其运作方式。

他说，“但我们必须对如何继续实施这一目标保持谨慎。”

Pandya表示，在人工智能方面，他还必须弄清楚如何引进人才，不仅具有机器学习技能，而且还具备一些学科经验，这样他的团队才能与各种专家进行交流。

壳牌公司团队组成通常包括与机器学习工程师合作的产品所有者。来自产品团队的一些不同类型的主题专家包括过程工程师、实验室工程师、钻井设备工程师、经济学家，他们可能参与一个项目，以便为预测性维护或最佳操作制定更好的人工智能。

这种有度量的、包容性的方法在培养企业各业务部门的积极性方面取得了成效，其结果是，他的团队现在得到了更多的新项目的主动请求，而不是拖延。

Uber公司的新网络是人工智能成功的关键

Uber公司负责应用机器学习的高级数据科学家Huaixiu Zheng表示，Uber公司人工智能研究人员实际上在改善整个公司的团队和流程之间的沟通方面发挥了作用。

他说，“成功的人工智能通常能够与不同的团体交流。”

这是一个从传统软件工程的巨大转变，在传统软件工程中，设计师或项目经理将创建一个概念，软件工程师将执行他们的订单。现在，有另一个参与者加入进来，将人工智能算法引入软件工程系统，并作为一种桥梁与各方合作。

他说，“这对我们所有在人工智能领域工作的人来说是一个巨大的挑战和机遇。”

例如，Uber公司在解决客户投诉方面有一个笨拙的流程。当客户对司机不满意、收费高于预期或丢失物品时，他们会进行沟通。

他说，“所有人都在做决定，这对客户而言非常繁琐，对企业来说效率不高。”

因此，人工智能开发团队与客户解决专家合作，找出哪些类型的请求可以自动解决。

他说，“在项目早期进行这些对话是非常强大的。”