Percepat Proyek AI di Penerbangan: Atasi Ketakutan, Kendala, dan Keterhambatan Data
Setiap manusia mengalami ketakutan, dan mereka melakukannya dengan cara individu masing-masing. Di dunia AI, ketakutan disebabkan oleh ketidakragan dengan proses, dampak profesional kegagalan, dan tugas yang menakutkan untuk mengumpulkan semua orang dan perspektif yang diperlukan hanya untuk memulai. Di penerbangan, tantangan ini diperparah oleh kekurangan sumber daya, tantangan rantai pasok, dan volatilitas pasar. Tambahkan jumlah besar data yang beragam dan tidak terhubung dan Anda memiliki resep untuk keterhambatan, proyek gagal, dan uang yang sia-sia.
Gagal meluncur adalah nyata. Berikut adalah tiga pelajaran kunci yang dipelajari dari kerja kami dengan Rolls-Royce dan Gulfstream yang akan membersihkan proyek AI Anda untuk lepas landas.
Pelajaran 1: Bagaimana Anda memakan seekor gajah?
Satu gigitan pada satu waktu. Perusahaan penerbangan ingin meningkatkan margin operasional. Dari pengurangan downtime hingga kualitas prediktif hingga peramalan pergerakan bagian kritis, ada banyak peluang. Jangan terjebak dengan semua kemungkinan. Temukan satu yang dapat diselesaikan dengan cepat dan berikan kredibilitas tim dan vendor Anda. Ini penting karena AI adalah proses iteratif. Jika ketersediaan data dan keahlian subjek tidak konsisten, proyek Anda akan terhenti. Di Rolls-Royce, kami membahas use cases untuk Predictive Maintenance dan pengurangan scrap sebelum menetap pada Predictive Quality di test stand. Mengapa? Karena data dan sumber daya pelanggan yang kami butuhkan tersedia dengan mudah dan jalur untuk mengintegrasikan kemampuan itu jelas. Pikirkan Occam's Razor di sini: Jalur yang paling sederhana adalah yang terbaik.
Pelajaran 2: Jangan kehilangan kontrol
Titik perselisihan utama antara bisnis dan IT adalah siapa yang akan mempertahankan kontrol atas kemampuan baru ini dan bagaimana itu akan didukung dan dirawat. Vendor cloud mempromosikan quick start melalui infrastruktur yang tersedia dengan mudah dan terjangkau. Untuk bisnis, ini merupakan jalur yang jelas untuk memulai tanpa birokrasi proses IT. Namun, ini dapat menyebabkan technical lock-in; situasi di mana semua logika, model, dan proses data Anda terjebak dalam sistem satu provider. Biaya akan naik, fleksibilitas akan terbatas dan Anda akan merasa terjebak. Ingat, nilai ada pada logika, model, dan konstruk data—bukan infrastructure. Di Gulfstream, kami menghindari jebakan ini dengan memanfaatkan containerization, pendekatan yang memungkinkan logika dan fungsionalitas Anda untuk sepenuhnya portable, diterapkan, dan diskalakan di seluruh kombinasi infrastructure apa pun berdasarkan kebutuhan dan biaya. Gulfstream mampu mempertahankan kontrol atas kekayaan intelektual mereka dan dapat menskalakannya ke provider yang mereka pilih.
Pelajaran 3: Pahami biaya sebenarnya
Mudah untuk jatuh cinta pada use case yang cepat, sederhana, dan terjangkau. Tapi apa yang terjadi jika Anda ingin menskalakannya ke banyak baris, pabrik, dan proses? Apakah itu masih cepat, sederhana, dan terjangkau? Solusi cloud dapat menipu dalam hal ini; penyimpanan murah tetapi kapasitas komputasi yang diperlukan untuk melatih dan menyetel model dapat menjadi mahal seiring pertumbuhan dataset. Salah satu pelanggan memproyeksikan peningkatan 35× biaya cloud terkait menskalakan model predictive maintenance di empat operasi pabrik. Lagi, containerization dapat digunakan untuk mengoptimalkan biaya skalabilitas. Di Rolls-Royce, kami memanfaatkan containerization untuk melatih ulang model di infrastructure lokal dengan biaya lebih rendah, kemudian menerapkan model yang dilatih ulang ke lingkungan cloud untuk akses dan ketersediaan optimal. Ini membantu menjaga biaya skala di bawah 5 persen per tahun.
Mengelola kompleksitas, kontrol, dan biaya adalah inti keberhasilan setiap upaya machine learning atau AI. Kami telah memanfaatkan template yang dikembangkan selama bertahun-tahun proyek untuk menyederhanakan, memahami, dan mengkomunikasikan pedoman ini di seluruh tim proyek kunci.
