重新思考AI的定义

在一个技术决策需要花费数年并持续使用数十年的领域中，我们发现大幅缩短实现第一价值的时间可以降低技术开发人员和采用者的风险 ， 更多信息尽在振工链 。

我们从根本上重新考虑了运营AI及其如何将生产价值的时间从数月缩短至数天，从而将其应用于生产运营。

缩短实现第一价值的时间，使相信运营AI潜力的工厂和制造主管可以快速证明自己的直觉，而风险则要低得多。

运营数据中的模式

一个公认的前提是，操作数据应包含   模式  -系统行为的证据，包括预警和根本原因。该前提是远程监控，工业物联网和可预测的卓越运营的基础。

目前 ，执行制造数字化   项目需要   3到5年的时间和数千万美元的资金 ，需要具有三个或更多技能类别（数据工程，数据科学，软件管理）的大型从业人员团队。这是一项高风险的工作，在轻松赚钱的经济中可能是可行的。然而，这是不可持续的，并且经常导致在 试点阶段之后 发展 的 困难  。 工作台和AirGap

Falkonry通过其产品（ Workbench   和   AirGap   版本）帮助客户克服了这些困难，并通过专注于公民数据科学来实现扩展。现有的分析目标是可以可视化的形状，波形和特征，但只有Falkonry会自动发现重要的运营数据特征并解释它们的重要性和重要性。这是我们获得 4项专利 的核心创新  。这也是在2019年和2020年 CBInsights AI 100 中被命名的基础  。

这就是   美国空军选择Falkonry作为战略计划的原因  将其运营AI技术的部署扩展到其他国防部（DoD）客户。借助Falkonry，制造商能够在一年内开发和部署生产模型。一家$ 10B +的钢铁公司已经使用Falkonry的Operational AI在数十个用例中实现了这种结果，其速度是替代方法的10倍。尽管这种成功程度是同类产品中最好的，但对于主流采用预测性卓越操作而言，即使这样还不够快。

速度和规模成功的主要障碍是地面真实数据的可用性和收集。我们发现没有一家公司的数据类似于主流机器学习中使用的公司，在这些公司中，以高保真度和大量记录可靠的标签信息（如点击和购买）。许多组织缺乏准确记录关键事件的流程和技术。大多数组织缺乏一致的术语来谈论复杂过程中的特定种类的操作条件和故障。

预测性卓越运营通过实时收集有关故障上下文的信息来避免此问题。向工厂通知不良事件的预警， 并根据数据中发现的 模式 在这些预警中进行根本原因分析  。通常，甚至在事件影响其操作之前也可以执行此操作。   由于这些见解是从当前的运营数据中产生的，而不是由于分析旧数据而产生的，因此工厂工程师更有可能验证发现并从中受益。这为数字制造组织创造了所需的第一时间价值 。

通过这种新方式，我们在Falkonry正在重新考虑可操作的AI：无需数据科学家，数据工程师，系统集成商。这意味着工厂可以在数小时内连接到AI系统。在问题开始影响生产之前就可以提供见解。几天之内，工厂工程师便开始从运营AI中获得价值。通过学习系统从工厂工程师那里获得反馈，该学习系统可以立即改善见解生成过程。这种方法可以同时应用于数十种不同的用例，并且在每种用例中都可以更快地创造价值。 这种方法中的预测分析 的 边际成本基本上为零 。

在过去的三年中，我们已经跨12个行业工作，包括制造业和国家安全领域，在60多个用例中拥有60多个客户。我们从中得到的主要教训是，学习系统能够从很少的历史数据到几乎没有历史数据中产生洞察力，并且毫不费力地获取专家的反馈，这是客户可以在企业中部署和受益于广泛使用案例的唯一方法。短时间。

缩短首次部署时间的价值将消除规模部署所需的许多其他障碍。工厂经理可以实施这种方法而无需大量的公司资源，工厂工程师可以发现见解并改善生产，制造主管可以管理记录和利用专家知识的过程。

这就是最先进的技术，以及我们在Falkonry的方式正在改变围绕数字制造的对话。在我们深入过渡的过程中，请留意这个空间，并将与您分享我们的发现 ， 更多信息尽在振工链 。