Dapatkan Proyek AI di Udara

Setiap manusia mengalami ketakutan, dan mereka melakukannya dengan caranya masing-masing. Di dunia AI, ketakutan didorong oleh ketidaktahuan dengan prosesnya, dampak profesional dari kegagalan dan tugas-tugas menakutkan untuk menyatukan semua orang dan perspektif yang diperlukan untuk memulai. Di ruang angkasa, tantangan ini diperparah oleh kekurangan sumber daya, tantangan rantai pasokan, dan volatilitas pasar. Tambahkan sejumlah besar data yang berbeda dan terputus dan Anda memiliki resep untuk kemacetan, proyek yang gagal, dan uang yang terbuang.

Kegagalan untuk memulai adalah nyata. Berikut adalah tiga pelajaran utama yang dipetik dari pekerjaan kami dengan Rolls-Royce dan Gulfstream yang akan menyelesaikan proyek AI Anda untuk lepas landas.

Pelajaran 1:Bagaimana cara kamu memakan gajah?

Satu gigitan pada satu waktu. Perusahaan dirgantara ingin meningkatkan margin operasi. Dari pengurangan waktu henti hingga kualitas prediktif hingga memperkirakan pergerakan suku cadang penting, ada banyak peluang. Jangan terjebak dalam semua kemungkinan. Temukan satu yang dapat diselesaikan dengan cepat dan bangun kredibilitas tim dan vendor Anda. Ini penting karena AI adalah proses berulang. Jika ketersediaan data dan keahlian materi pelajaran tidak konsisten, proyek Anda akan terhenti. Di Rolls-Royce, kami membahas kasus penggunaan untuk Pemeliharaan Prediktif dan pengurangan skrap sebelum menetapkan Kualitas Prediktif di tempat pengujian. Mengapa? Karena data dan sumber daya pelanggan yang kami butuhkan sudah tersedia dan jalur untuk mengintegrasikan kemampuan itu jelas. Pikirkan Occam's Razor di sini:Jalan yang paling mudah adalah yang terbaik.

Pelajaran 2:Jangan kehilangan kendali

Poin utama pertentangan antara bisnis dan TI adalah siapa yang akan mempertahankan kendali atas kemampuan baru ini dan bagaimana hal itu akan didukung dan dipelihara. Vendor cloud memulai dengan cepat melalui infrastruktur yang tersedia dan terjangkau. Untuk bisnis, ini merupakan jalan yang jelas untuk memulai tanpa birokrasi proses TI. Namun, ini dapat menyebabkan penguncian teknis; situasi di mana semua logika, model, dan proses data Anda terjebak dalam satu sistem penyedia. Biaya akan naik, fleksibilitas akan terbatas dan Anda akan merasa terjebak. Ingat, nilainya ada dalam logika, model, dan konstruksi data—belum tentu infrastrukturnya. Di Gulfstream, kami menghindari jebakan ini dengan memanfaatkan containerization, sebuah pendekatan yang memungkinkan logika dan fungsionalitas Anda sepenuhnya portabel, diterapkan, dan diskalakan di semua kombinasi infrastruktur berdasarkan persyaratan dan biaya. Gulfstream mampu mempertahankan kendali atas kekayaan intelektual mereka dan dapat menskalakannya ke penyedia pilihan mereka.

Pelajaran 3:Memahami biaya sebenarnya

Sangat mudah untuk jatuh cinta dengan kasus penggunaan yang cepat, sederhana, dan terjangkau. Tetapi apa yang terjadi jika Anda ingin menskalakannya ke beberapa jalur, pabrik, dan proses? Apakah masih cepat, sederhana dan terjangkau? Solusi cloud bisa menipu dalam hal ini; penyimpanan tidak mahal tetapi kapasitas komputasi yang diperlukan untuk melatih dan menyetel model dapat menjadi mahal seiring bertambahnya kumpulan data. Satu pelanggan memproyeksikan peningkatan 35x dalam biaya cloud terkait dengan penskalaan model pemeliharaan prediktif di empat operasi pabrik. Sekali lagi, containerization dapat digunakan untuk mengoptimalkan biaya skalabilitas. Di Rolls-Royce, kami memanfaatkan containerisasi untuk melatih kembali model pada infrastruktur lokal berbiaya lebih rendah, kemudian menerapkan model yang dilatih ulang ke lingkungan cloud untuk akses dan ketersediaan yang optimal. Ini membantu menjaga biaya skala di bawah 5 persen per tahun.

Mengelola kompleksitas, kontrol, dan biaya adalah inti keberhasilan setiap pembelajaran mesin atau upaya AI. Kami telah memanfaatkan template yang dikembangkan selama bertahun-tahun proyek untuk menyederhanakan, memahami, dan mengomunikasikan pedoman ini di seluruh tim proyek utama.