人工智能知识管理产品化

一个在同一个地方工作了20年的工程师——工厂、石油钻井平台、核电站——将成为该设施的专家。他们的经验意味着他们可以迅速做出正确的决定，对各种情况做出最佳反应。这些知识对其他人来说非常有价值。当他们继续前进时，知识也会丢失。

更多来自工业化创新周

对于这两个问题，一个长期被吹捧的解决方案是使用技术来捕获发现的知识，并与未来面临同样问题的人分享。但获取和分享这些知识一直都很棘手。现在，由于人工智能的最新进展，以及人工智能模型生产经验的不断增长，我们可以开始将复杂的知识管理工具部署到工程组织中。

人工智能知识管理是如何工作的

多年来，每个工程师都将提交数千份维护日志和事故报告，在这些报告中他们记录了哪里出了问题，以及他们是如何解决问题的。在这些报告中是大多数工程问题的解决方案。事实上，当我们与一家大型能源公司合作处理经过审计的工程问题时，他们发现许多问题之前已经在业务的其他部分得到了解决。

人工智能可以浏览这些报告，得出见解，并将其呈现给任何解决相同问题的人。它就像一个虚拟的大脑，拥有公司过去经验的所有知识，在他们被分配任务的那一刻，将智慧分配给那些需要它的人。

为什么AI会改变知识管理游戏

如果知识管理像调出过去的报告那么简单，那么这个问题在几年前就已经解决了。但是，当面临需要快速响应的严重问题时，成千上万的维护报告是没有用处的。

这里有两个挑战:(1)从文档中提取相关的见解(2)及时交付。

挑战1:使用人工智能在一大堆文件中找到洞察之针

对于机器来说，找到一个有用的信息块来回应查询是很困难的，因为这些报告不一定是以一种可以轻松使用算法搜索的方式编写的，算法喜欢明确标记和分类的数据。许多包括非结构化数据，如潦草的笔记、图画和信息视频。但人工智能现在已经足够复杂，可以解决这个问题。它可以从事件报告中获取复杂的信息集，并理解它们。

第一步是将手写笔记和其他信息数字化为机器可读的格式，这可以使用现成的图像识别人工智能来完成。

然后是聪明的部分。人工智能领域最近的主要进展之一是自然语言处理(NLP)，即计算机学会捕捉文本的语言含义。这使得人工智能能够理解事件报告中捕获的口头或书面语言。

可以建立一个NLP模型，并输入过去的事件报告，然后逐渐学习理解单词或短语的上下文，以及它们与其他事件的关系。特塞拉曾为挪威能源公司Equinor做过一个项目，这里详细介绍了哪些．

要做到这一点，人工智能需要经过适当的训练。训练模型的数据科学家需要与专家(如维护工程师)合作，以了解上下文，这样他们就可以指导模型识别什么是有价值的，什么是没有价值的，直到它逐渐能够自己做到这一点。Equinor项目举办了研讨会，来自他们钻井平台的专家用户花费数小时强调不同报告中的内容，以提供培训数据。

挑战2:生产AI并使其可用

人工智能模型都很好。但要发挥作用，它们需要在复杂的工程环境中工作——这样它们才能在正确的时间为工程师提供正确的信息。

这是遗留IT环境中的一个挑战。任务管理系统——将工程师分配到不同的工作岗位——并不是为了与事件管理系统集成而设计的。他们说不同的语言。

为了生产这些模型，必须建立新的系统，将任务管理系统中的工作包描述映射到事件管理系统中存储的问题报告。当分配任务时，任务管理系统需要自动与中央it系统共享。

然后，专门构建的软件从事件管理系统中提取数据，这些系统有api设置来允许这一点。人工智能模型基于这些数据运行，识别与任务最相关的见解，并以易于理解的格式将其打包。

然后将其发送回任务管理系统，该系统已经过修改，以通过直观的界面向用户展示该洞察。这可能是通过手机或平板电脑上的应用程序实现的，但在未来可能是通过增强现实技术指导工程师完成任务。

还需要持续的模型监督，以不断提高AI在发现任务的最佳解决方案时的准确性，并监控模型的漂移。为了让这些智能系统有效工作并获得信任，所有这些技术和人的问题都需要得到适当的考虑。

节省时间和成本

人工智能知识系统有很多优势。他们可以让专业人士从同事的经验中受益，快速找到解决方案，避免重复错误，并快速解决他们以前没有见过的问题。

他们减少了对各级新人的培训，这使得劳动力更加灵活，专家可以四处流动，承包商也可以快速部署。这是防止专业知识和经验流失的保护性措施。

人工智能知识管理在推动数字双胞胎方面也很有价值。建立计算机可读的知识有助于全面改善数据管理和数字化，并确定引入标准方法的机会，以支持其他数字项目。

人工智能在从复杂的工程数据中提取有意义的见解方面正变得越来越成熟。许多组织正在人工智能方面取得进展。下一个挑战是生产人工智能模型，使它们能够在复杂的工程环境中运行并提供现实世界的价值。