瑞克Oppedisano每个人都会经历恐惧，而且他们以自己独特的方式经历恐惧。在 AI 世界中，恐惧源于对流程的不熟悉、失败对专业的影响以及将所有人和观点聚集在一起只是开始的艰巨任务。在航空航天领域，资源短缺、供应链挑战和市场波动加剧了这一挑战。添加大量不同的、断开连接的数据，您就会遇到僵局、失败的项目和浪费的资金。
启动失败是真实存在的。以下是我们与劳斯莱斯和湾流合作的三个重要经验教训，它们将为您的 AI 项目腾飞扫清障碍。
第 1 课：您如何吃掉大象？
咬一口一次。航空航天公司希望提高营业利润率。从减少停机时间到预测预测关键部件运动的质量，有很多机会。不要陷入所有的可能性。找到一个可以快速完成的，并建立您的团队和供应商的信誉。这很重要，因为 AI 是一个迭代过程。如果数据的可用性和主题专业知识不一致，您的项目就会停滞不前。在 Rolls-Royce，我们讨论了预测性维护和减少报废的用例，然后才在试验台上确定了预测性质量。为什么？因为我们需要的数据和客户资源很容易获得，而且整合能力的途径也很明确。想想这里的奥卡姆剃刀：最直接的路径就是最好的。
第 2 课：不要失去控制
业务和 IT 之间的一个关键争论点是谁将保留控制权这种新功能的概念以及如何支持和维护它。云供应商通过轻松地吹捧快速启动可用的、负担得起的基础设施。对于企业而言，这代表了一条清晰的入门路径，无需 IT 流程的官僚作风。但是，这可能会导致技术锁定；您的所有逻辑、模型和数据流程都卡在一个提供商的系统中的情况。成本会上升，灵活性会受到限制，你会感到被困住了。请记住，价值在于逻辑、模型和数据构造——不一定是基础设施。在湾流，我们通过利用容器化避免了这个陷阱，这种方法可以让您的逻辑和功能根据需求和成本在任何基础设施组合中完全移植、部署和扩展。 Gulfstream 能够保持对其知识产权的控制，并可以将其扩展到他们选择的供应商。
第 3 课：了解真实成本
坠入爱河很容易具有快速、简单且负担得起的用例。但是如果你想怎么办不想将其扩展到多条生产线、工厂和流程？它仍然快速、简单且负担得起吗？云解决方案在这方面可能具有欺骗性；存储成本低廉，但随着数据集的增长，训练和调整模型所需的计算能力可能会变得昂贵。一位客户预计，与在四个工厂运营中扩展预测性维护模型相关的云成本将增加 35 倍。同样，容器化可用于优化可扩展性的成本。在 Rolls-Royce，我们利用容器化在成本较低的本地基础设施上重新训练模型，然后将重新训练的模型部署到云环境中以实现最佳访问和可用性。这有助于将每年的规模成本控制在 5% 以下。
管理复杂性、控制和成本是任何机器学习或 AI 工作取得成功的核心。我们利用多年项目开发的模板来简化、理解这些指南，并在关键项目团队中传达这些指南。
