Faites décoller des projets d'IA

Chaque être humain éprouve de la peur, et il le fait à sa manière. Dans le monde de l'IA, la peur est motivée par la méconnaissance du processus, l'impact professionnel de l'échec et la tâche ardue de rassembler toutes les personnes et les perspectives nécessaires juste pour commencer. Dans l'aérospatiale, ce défi est aggravé par les pénuries de ressources, les défis de la chaîne d'approvisionnement et la volatilité du marché. Ajoutez des quantités massives de données disparates et déconnectées et vous avez la recette pour les embouteillages, les projets échoués et le gaspillage d'argent.

L'échec du lancement est réel. Voici trois leçons clés tirées de notre travail avec Rolls-Royce et Gulfstream qui permettront à votre projet d'IA de décoller.

Leçon 1 :Comment mange-t-on un éléphant ?

Une bouchée à la fois. Les entreprises aérospatiales veulent augmenter leurs marges d'exploitation. De la réduction des temps d'arrêt à la qualité prédictive en passant par la prévision du mouvement des pièces critiques, les opportunités ne manquent pas. Ne vous laissez pas prendre à toutes les possibilités. Trouvez-en une qui peut être accomplie rapidement et établissez la crédibilité de votre équipe et de votre fournisseur. Ceci est important car l'IA est un processus itératif. Si la disponibilité des données et l'expertise en la matière sont incohérentes, votre projet s'enlisera. Chez Rolls-Royce, nous avons discuté des cas d'utilisation de la maintenance prédictive et de la réduction des rebuts avant de choisir la qualité prédictive sur le banc d'essai. Pourquoi? Parce que les données et les ressources client dont nous avions besoin étaient facilement disponibles et que la voie pour intégrer la capacité était claire. Pensez au rasoir d'Occam ici :le chemin le plus simple est le meilleur.

Leçon 2 :Ne perdez pas le contrôle

Un point de discorde clé entre l'entreprise et l'informatique est de savoir qui conservera le contrôle de cette nouvelle capacité et comment elle sera prise en charge et maintenue. Les fournisseurs de cloud proposent des démarrages rapides grâce à une infrastructure facilement disponible et abordable. Pour l'entreprise, cela représente une voie claire pour démarrer sans la bureaucratie des processus informatiques. Cependant, cela peut conduire à un blocage technique; une situation où toute votre logique, vos modèles et vos processus de données sont bloqués dans les systèmes d'un seul fournisseur. Les coûts augmenteront, la flexibilité sera limitée et vous vous sentirez pris au piège. N'oubliez pas que la valeur réside dans la logique, les modèles et les constructions de données, pas nécessairement dans l'infrastructure. Chez Gulfstream, nous avons évité ce piège en tirant parti de la conteneurisation, une approche qui permet à votre logique et à vos fonctionnalités d'être entièrement portables, déployées et mises à l'échelle sur n'importe quelle combinaison d'infrastructures en fonction des exigences et des coûts. Gulfstream a pu garder le contrôle de sa propriété intellectuelle et l'adapter au(x) fournisseur(s) de son choix.

Leçon 3 :Comprendre le coût réel

Il est facile de tomber amoureux d'un cas d'utilisation rapide, simple et abordable. Mais que se passe-t-il si vous souhaitez l'étendre à plusieurs lignes, usines et processus ? Est-ce toujours rapide, simple et abordable ? Les solutions cloud peuvent être trompeuses à cet égard ; le stockage est peu coûteux, mais la capacité de calcul requise pour former et ajuster les modèles peut devenir coûteuse à mesure que les ensembles de données augmentent. Un client a prévu une augmentation de 35 fois des coûts du cloud associée à la mise à l'échelle d'un modèle de maintenance prédictive sur quatre opérations de l'usine. Là encore, la conteneurisation peut être utilisée pour optimiser les coûts d'évolutivité. Chez Rolls-Royce, nous avons tiré parti de la conteneurisation pour recycler les modèles sur une infrastructure locale à moindre coût, puis avons déployé les modèles recyclés dans des environnements cloud pour un accès et une disponibilité optimaux. Cela a permis de maintenir le coût d'échelle à moins de 5 % par an.

La gestion de la complexité, du contrôle et des coûts est essentielle au succès de tout effort d'apprentissage automatique ou d'IA. Nous nous sommes appuyés sur des modèles développés au fil des années de projets pour simplifier, comprendre et communiquer ces directives aux principales équipes de projet.