2024Cognite Atlas AI ™ 工业智能体(工业代理商) 权威指南(汉)

Cognite Atlas AI 使我们能够利用人工智能增强决策制定并提高效率，例如通过一个针对理解无结构技术文档和阿克BP设备层次结构进行微调的工业代理。通过实施文档解析AI代理，我们正在简化设备管理流程，节省数千小时的数据录入时间，并重新聚焦专家关注对公司短期和长期成功真正重要的业务问题。 根据最近ARC Advisory Group关于数字转型、可持续性和技术的调查，人工智能（AI）是未来五年最具影响力的科技。Cognite Atlas AI 的工业代理指南为希望在复杂工业环境中应用AI的数字化领导者提供了一个实用的起点。 JANICE ABEL 主要技术分析师 ARC咨询小组 PAULA DOYLE 首席数字官员 AKER BP 数据湖和副驾系统仅仅是起点。工业人工智能不仅仅需要一种适合所有情况的方法。Cognite Atlas AI™ 通过工业代理解锁生成式人工智能的全部潜力，从而加速效率并产生数千万美元的商业影响。 Cognite Atlas AI ™工业代理商最终指南 PAUL GRENET 首席收入官员 COGNITE Section 1让生成式 AI 为行业工作......24 Section 2AI 的商业价值. ...............................88 Chapter 4AI 是产业转型的驱动力......................90 Contents 4.1Verdantix 观点 ： 2024 年的工业数据运营. 944.2AI 将为重资产企业提供未开发的价值 … …… … … … … … … … … … … 1024.3数据民主化 ： 为什么 AI 注入的工业 DataOps 对每个数据利益相关者都很重要. 104 第 6 章数字小牛的工具............132 3.1定义知识图谱 … … … … … … … … … …… … … … … … … 763.2知识图谱和数据 … … … … … … … … … …… … 783.3知识图谱和 AI … … … … … … … … … …… … … 82 第 0 节Introduction 四Five您需要了解的有关行业生成 AI 的知识 行业的生成 AI 需要安全 ， 安全和无幻觉 四Five你需要知道的事情 并且通过上述公式，您需要一个完整的、可信赖的数字表示形式来反映您的工业现实（即，工业知识图谱），以便于大语言模型（LLMs）理解您的运营，并对最复杂的问题提供确定性的回答。 关于行业的生成 AI little 有关这四个核心观点的变化不大，我们从一开始就在宣传生成式AI的相关内容，但在本指南中有一个值得注意的新增内容：工业价值通过工业代理得到了加速。 尽管是点四的扩展内容，工业代理是一个重要的发展，它使工业组织能够利用生成式AI进行更为复杂且准确的操作。我们将在这后面的章节中详细探讨工业代理，但如果只阅读本指南的一部分内容，那就应该是这一部分。 LLM + Knowledge Graph = 可信的 ， 可解释的行业生成 AI 这是将生成性人工智能（AI）应用于行业的简单公式。将大型语言模型（LLMs）与包含您运营数据的确定性工业知识图谱相结合，使您的资产性能管理变得智能化和高效。 3. 生成式 AI 在工业中的应用环境 ， 提示的能力LLM 与您的操作上下文是一切 这意味着拥有对运营过程的确定性工业知识图谱，包括实时数据。您需要一个解决方案，能够提供上下文化的数据即服务，并设计有用于快速、持续的知识图谱填充的数据上下文化管道。 尽管生成式AI本身无疑具有变革性，其商业价值在于将其应用于过程工程师、现场工作人员、维护团队及其他数据消费者的实际需求中。 创新的人工智能功能只有在能够为工程师、领域专家和数据科学家提供简单访问复杂工业数据的平台上才具有价值，以便他们在适当的时间做出正确的决策。 工业代理商加速了工业价值 这些量身定制、基于人工智能的应用程序设计时充分考虑了行业和客户特定的术语、流程和标准。它们利用了专门针对特定领域常见模式和异常优化的算法和数据模型。并且，这些应用程序可以根据不同组织的独特工作流程和要求进行定制。 因此，工业代理可以提供更加准确和相关的指导，并且可以扩展以适应组织扩张带来的日益增长的数据和操作复杂性。 工业代理将人工智能和机器学习的力量直接带入到每个行业以及每个独特组织特有的挑战和任务中。这使它们在改善决策过程方面变得至关重要，从而帮助组织实现更高的生产效率、安全性和整体运营效率。 语境化三维模型 The Data和 AI 问题 在数据产品上花费的时间 数据和 AI 问题 对于每一名能够“编写代码”的人来说，有数百名其他人无法做到，尤其是在工业环境中，存在多种数据类型和复杂的源系统。领域专家、现场工程师和数据科学家应能够轻松访问所有工业数据。这需要一种独特的方式来利用和应用上下文化数据（即，这些数据经过丰富处理，包含了相关的信息和关系，使其更具意义和实用性，从而更适用于分析和决策）。 生成式AI依赖于上下文。尽管生成式AI具有巨大的潜力，能够使数据更容易探索、理解和使用，但在没有上下文数据的情况下，答案往往不正确。然而，传统上连接系统数据的努力往往是手动且耗时的，并且无法大规模管理结构化数据，更不用说整合不断增加的非结构化数据了。 一种高效的方法必须被找到，以向生成式AI解决方案提供更多上下文信息，从而使其能够在工业环境中提供正确的答案。只有这样，才能利用其优化生产、提高资产性能，并实现基于AI的业务决策。这一需求正是工业代理的作用所在。 从这个 到这个 手动、繁琐的工业数据工作流程 由 AI 支持的数据和分析的单一工作区 无法简单访问复杂的工业数据和见解。 几十年来，工业运营商一直在尝试利用数据和AI来优化生产、降低停机风险、简化生产流程，并作出更加明智的日常决策。他们使用物理模型和机器学习模型对资产故障类型进行分类，运用自然语言处理搜索信息，并现在利用大型语言模型（LLMs）分析和总结数据并提出建议。然而，除了后办公室功能的机器人过程自动化（RPA）以外，这些技术对工厂运营的影响一直令人失望。 揭开工业 AI 代理商的神秘面纱 ： 我们可以从钢铁侠身上学到什么 为什么会出现这种情况？首先，就像任何新的范式一样，需要一些时间来从技术和流程的角度学习和理解所需的内容。例如，在生成式AI的早期阶段（约2023年），人们的想法是直接迈向基于“贾维斯”的未来，使用少量通用代理，并对大量结构化和非结构化数据进行广泛目标的训练。但这种方法由于生成式AI固有的幻觉和其他限制，使得难以信任和重复结果。 运营中的协驾员，即你在尝试重新预订航班时使用的聊天机器人，都是各种类型的AI代理。它们旨在自动化或简化特定的受限工作流程，以提高用户的生产力。然而，当前使用有限预编程逻辑的代理无法与基于通用人工智能（Gen AI）的未来代理相比。 随着各行各业对生成式AI的 hype 不断升温，似乎几乎每天都会出现一个新的buzzword。最新的buzzword 是“工业代理”（Industrial Agents）。但这是真的只是一个buzzword 吗？还是说它更准确地描绘了数据与AI在行业中的实际最终目标？ 工业领域尚不存在此术语的统一定义，但简单来说，工业代理在经过适当数据训练并使用合适的AI模型和能力时，能够以类似人类的方式执行特定任务。 快进到今天——更为现实的场景是 orchestrating多个特定的虚拟代理，这些代理基于更小、更安全且相关的数据集进行训练，并设计有直观的用户体验以从根本上改善工作流程。 如果从电影中汲取灵感，我们正逐渐接近钢铁侠“贾维斯”助手的水平——这是一种通过语音命令进行通信并帮助钢铁侠发挥最佳工作效率的强化智能虚拟代理。尽管我们还远未达到这种全知全能、跨功能的智能水平，但当前的技术构建块和术语已经存在，可以开始为特定的操作领域开发专门的工业代理。 尽管初期学习已经取得了一些成果，但越来越明显的是，要在工业领域中使工业代理发挥作用并赢得信任，它们需要三个方面： 1. 特定领域的任务或目标 实现此目标的安全 ， 上下文化数据 2 。 3. 最适合手头任务的 LLM 直到最近，工业组织并未将安全且上下文相关的数据基础视为优先事项，而这是训练众多语言模型（LLMs）的关键。如今，在董事会和高管的支持下，即使是最传统的行业也正在投资建立团队和相关技术，以对庞大的孤立数据进行整理并赋予其上下文意义。 这意味着用户在信任结果后访问和精炼信息所需的努力变得更具人性化。尽管运营商可能无法像钢铁侠对贾维斯那样提出如此广泛的问题，但他们获取答案的界面变得比以往任何时候都更加人性化和直观，从而使其更容易融入工作流程。 其次，用户与数字化增强的工业流程交互的方式不够直观，这使得实际改进工作流程变得具有挑战性。在飞行过程中，如果钢铁侠不能与贾维斯进行自然对话，而是必须使用精确的术语手动查找信息，那么他的工作流程（以及任务结果）将不会很好。在现场操作中，操作员的工作流程是精确且已经建立好的。信息必须是可靠的，并能即时获取，通过手持设备和简单的命令，而不是复杂的SQL代码。未能显著改善工作流程的技术不会被采纳。 将这些教训付诸行动——钢铁侠并没有一夜之间建造出贾维斯，但我们可以对构建这样一个高影响代理所需的过程做出一些假设。好消息是，行业的旅程有许多相似之处。 他从简单访问复杂数据开始。1. 无论您是试图改进运营仪表盘还是引入工业代理，都必须从使用AI大规模情境化信息的工业数据基础开始。这是任何现代工业数字化转型项目的关键要求。如果您仍在这一领域挣扎，这里有一个常见的起点 - >这使我们的客户快速成功。 这就是事情变得更加有趣的地方。 Gartner 预测： “大型语言模型 (LLM) 将成为企业数据的首选接口。” 他可能用知识图谱2. 将所有数据进行上下文化。在工业领域，大语言模型（LLMs）依赖于上下文数据，从而返回更高的准确性输出，因为代理可以根据其明确的目标对窄数据集进行训练。了解更多关于为什么这很重要 - > 他掌握了模型和代理编排 ：3. 工业转型有很多动静 ， 适当的编排可以决定一个程序的成败。 正如您所见，实现一个可靠、有用且有价值的基于代理的工业未来需要考虑许多因素。您应该从何处开始？通过阅读此书，它旨在帮助您启动或加速自己的通用人工智能（Gen AI）旅程，并使您的操作更加接近“贾维斯启发”的模式。 Section 1让生成式 AI 为行 业工作 工业代理商 与数据库或知识图谱查找相比 ， 现有的LLM 在计算上令人难以置信的昂贵和缓慢。 危险的道路行业值得信赖的 GenAI 不提供上下文信息，LLM 在除创意任务之外的所有任务上都会表现不佳，而它们最初的训练数据集（公共互联网）对此支持得很好。一种提供上下文的方法是使用LLM的上下文窗口进行上下文学习。当将流行的LLM的上下文窗口与平均企业数据量进行比较时，很快就会发现这些数据并不匹配。此外，上下文窗口的限制可能会持续多年，甚至可能是永久性的。 基于LLMs构建生产解决方案将导致非常大的云费用。例如，GPT-4o是一款成本合理的良好模型，对于100个令牌的提示和100个令牌的回答，其费用为0.2美分，这是一个非常保守的估计。随着更复杂提示的使用，成本可能会上升到原来的1000倍（三个数量级）。此外，与当今实时软件世界中的低延迟用户体验期望相比，LLMs的速度非常慢。即使是很大的知识图谱查询，在效率和速度上也比LLMs高出许多数量级。在注重可持续性的时代，通过LLMs增加计算量看起来是不可持续的。（关于这一点，将在第二章中详细讨论。） 撇开成本和延迟不谈 ， 增加上下文窗口大小与结果并不线性相关。研究表明3注意力机制在长上下文窗口的不同部分在LLM中工作方式不同。简