General Electric bygger en AI-arbeidsstyrke

Som en del av skiftet mot høyteknologiske virksomheter, er det 125 år gamle selskapet, nummer 40 på listen vår over de 50 smarteste selskapene, i ferd med å tre kunstig intelligens gjennom hele virksomheten, og starter med forskerne. Av

• elizabeth woyke arkivside

27. juni 2017

Leonard greco

Da Jason Nichols begynte i GE Global Research i 2011, kort tid etter å ha fullført postdoktor i organisk kjemi ved University of California, Berkeley, forventet han en lang karriere innen kjemisk forskning. Men etter fire år med å lage materialer og systemer for å behandle industrielt avløpsvann, flyttet Nichols til selskapets maskinlæringslaboratorium. I år begynte han å jobbe med utvidet virkelighet. Delvis kjemiker, dels dataforsker, Nichols er nå akkurat den typen hybridansatt som er avgjørende for fremtiden til et selskap som jobber med å injisere kunstig intelligens i maskinene og industrielle prosesser.

For 15 år siden overvåket GEs maskinoperatører og teknikere deres flymotorer, lokomotiver og gassturbiner ved å lytte til deres klirring og sus og sjekke målene deres. I dag bruker selskapet AI for å gjøre det tilsvarende, til og med forutsi feil på forhånd (se '50 smarteste selskaper 2017.'). Ved å samle denne teknologien håper GE å bli en av verdens beste programvareleverandører innen 2020, et oppdrag som forsterket i 2011 med et initiativ på 1 milliard dollar for å samle inn og analysere sensordata fra maskiner. Å lage smartere modeller via AI er neste steg i selskapets strategi – en som de håper vil gi den en fordel fremfor mangeårige rivaler som Siemens og programvaregiganter, som IBM, som nå utvider seg til industriell analyse.

Denne historien var en del av vår utgave av juli 2017

• Se resten av saken
• Abonnere

Selvfølgelig er det en vanskelig oppgave å integrere kunstig intelligens i en organisasjon grunnlagt i 1892. Det starter med å trene opp de tekniske hjernene bak selskapet, som sysselsetter 300 000 mennesker på tvers av alle sine virksomheter over hele verden. GE Global Research, der Jason Nichols jobber, setter opp nettbaserte programmer som lærer maskinlæring og symposier der forskere kan utforske nye roller. Så langt har nesten 400 ansatte fra hele selskapet fullført GEs sertifiseringsprogram for dataanalyse, og rundt 50 forskere har gått over til digitale analysejobber av den typen Nichols har påtatt seg.

Doble karrierer

Mange av disse doble forskerne hjelper til med å lage skybaserte programvaremodeller av GEs maskiner som kan brukes til å spare penger og forbedre sikkerheten for kundene. GE bygger disse digitale tvillingene ved å bruke informasjon den samler inn fra sensorer på maskinene, supplert med fysikkbaserte modeller, AI, dataanalyse og kunnskap fra sine forskere og ingeniører. Selv om digitale tvillinger først og fremst er linjer med programvarekode, ser de mest forseggjorte versjonene ut som 3D-datastøttede designtegninger fulle av interaktive diagrammer, diagrammer og datapunkter. De gjør det mulig for GE å spore slitasje på sine flymotorer, lokomotiver, gassturbiner og vindturbiner ved å bruke sensordata i stedet for antakelser eller estimater, noe som gjør det lettere å forutsi når de trenger vedlikehold. En flymotor som flyr over USA kan for eksempel ha en digital tvilling på en GE-dataserver i California som hjelper til med å bestemme den beste serviceplanen for delene.

I tillegg til å forutsi en maskins forventede levetid, lar de virtuelle modellene GE optimere driften av produktene sine. GE sier at digitale tvillinger øker mengden elektrisitet vindparker produserer med så mye som 20 prosent og reduserer årlig drivstofforbruk og karbonutslipp for et av lokomotivene med henholdsvis 32 000 gallons og 174 000 tonn i året. Mer enn 700 000 modeller har blitt levert til kunder, et antall som kan overstige én million innen utgangen av dette året.

Teknologien er avhengig av kunstig intelligens for å kontinuerlig oppdatere seg selv. Dessuten, hvis data er ødelagt eller mangler, fyller selskapet ut hullene ved hjelp av maskinlæring, en type AI som lar datamaskiner lære uten å være eksplisitt programmert, sier Colin Parris, GE Global Researchs visepresident for programvareforskning. Parris sier at GE kobler datasyn med dyp læring, en type AI som er spesielt dyktig til å gjenkjenne mønstre, og forsterkningslæring, et annet nylig fremskritt innen AI som gjør det mulig for maskiner å optimere operasjoner, for å gjøre det mulig for kameraer å finne små sprekker på metallturbinblader selv når de er skitne og støvete.

Ta den lille roboten, litt større enn en Matchbox-bil, som brukes til å inspisere fungerende motorer. Ved å bruke datasyn og en rekke AI-teknikker kan roboten se etter sprekker inne i flymotorer ved å sykle på toppen av et sakte bevegelig vifteblad.

Lignende teknologi kan festes til en drone for å finne korrosjon på de 200 fot høye fakkelstablene som brenner av overflødig gass som slippes ut på olje- og gassproduksjonssteder.

GE-forskere har studert og tilpasset skiftende teknologi i flere tiår. På dette bildet fra 18. april 1968 bemanner en systemingeniør fra GE telexlenken til et studentresponssystem ved Syracuse University. Datamaskinen analyserte svarene som ble gitt av elevene på flervalgsspørsmål og videresendte dem tilbake til læreren.

Den 20. mars 1969 studerte GE-forskere strømmen av gasser, usynlige i deres naturlige tilstand, ved å lage simuleringer på en enhet som kalles et arbeidsvannbord, der strømmer ble observert ved bruk av fargestoffer.

Ingen kjepphest

For å utvikle og jobbe med disse systemene, må GE-forskere forstå både fysikken til maskinene og AI-algoritmene.

Dette er et sted hvor du vil ha en molekylærbiolog som sitter med en maskinlæringsekspert eller en person med kontrollteori som sitter sammen med noen som kan materialvitenskap, sier Mark Grabb, GE Global Researchs teknologidirektør for analyse. Den typen samarbeid er veldig kraftig, men det er ikke noe kraftigere enn å ha den samme informasjonen i samme hjerne; det er bare hypereffektivt.

Tenk på hjernen til Matt Nielsen, som begynte i GE Global Research i 1998 etter å ha oppnådd en doktorgrad i fysikk. Nielsen utviklet fotonikk og jobbet med programvare for elektriske kjøretøy før han flyttet fullt ut til selskapets digitale side i 2015. I dag leder han et team med digitale tvillingutviklere og hjelper til med å bygge fysikkbaserte modeller som kan kombineres med maskinlæringsalgoritmer.

GE bruker kunstig intelligens til å lage kontinuerlig oppdaterende digitale representasjoner av maskinene sine, slik som denne gassturbinen, 9HA, ved et anlegg i Belfort, Frankrike.

Digitale kopier av jetmotorer hjelper GEs luftfartskunder med å spare penger ved å forutsi nøyaktig når de trenger vedlikehold. Her sitter en GE-motor på et overhalingsanlegg i Rio de Janeiro, Brasil.

Sahika Genc, ​​en annen dobbeltforsker, utviklet systemer for ICU-alarmer før overgangen til GEs maskinlæringslaboratorium i 2014. Genc er nå en maskinlæringsforsker som bruker dyp læring og forsterkende læring for å gjøre GEs energistyringssystemer mer effektive. Et av hennes nylige prosjekter brukte maskinlæring og varmeoverføringsteori for å identifisere hvordan bygningsenergi spres og lagres. Prognosene vil hjelpe GE-kunder med å redusere energiforbruket.

Disse hybridforskerne kan være GEs beste sjanse til å forbli relevante i et århundre til ettersom selskapet ser etter vekstmuligheter i så konkurransedyktige og modne industrier som turbiner, jetmotorer og lokomotiver.

Parris, leder for programvareforskning, innrømmer at noen av GEs 2000 forskere fortsatt ser på visse aspekter av den nye tilnærmingen som en forbigående kjepphest.

Men forskere som ikke tar spranget, kan bli etterlatt. I januar permitterte selskapet forskere på områder som anses som perifere for GEs digitale industrielle strategi. Det er etter å ha opprettet 100 nye forskningsjobber knyttet til AI og robotikk i 2016.

gjemme seg