Acelere proyectos de IA en aeroespacial: Supere el miedo, las restricciones y el bloqueo de datos

Todo ser humano experimenta miedo, y lo hace a su manera individual. En el mundo de la IA, el miedo está impulsado por la falta de familiaridad con el proceso, el impacto profesional del fracaso y las tareas desalentadoras de reunir a todas las personas y perspectivas requeridas solo para empezar. En aeroespacial, este desafío se ve agravado por escasez de recursos, desafíos en la cadena de suministro y volatilidad del mercado. Añada cantidades masivas de datos dispares y desconectados y tendrá la receta para el bloqueo, proyectos fallidos y dinero desperdiciado.

El fracaso al lanzar es real. Aquí hay tres lecciones clave aprendidas de nuestro trabajo con Rolls-Royce y Gulfstream que despejarán su proyecto de IA para el despegue.

Lección 1: ¿Cómo se come un elefante?

De un bocado a la vez. Las empresas aeroespaciales quieren aumentar márgenes operativos. Desde tiempo de inactividad reducido hasta calidad predictiva hasta pronóstico de movimiento de piezas críticas, hay muchas oportunidades. No se atasque en todas las posibilidades. Encuentre una que pueda lograrse rápidamente y establezca la credibilidad de su equipo y proveedor. Esto es importante porque la IA es un proceso iterativo. Si la disponibilidad de datos y experiencia en la materia es inconsistente, su proyecto se estancará. En Rolls-Royce, discutimos casos de uso para Mantenimiento Predictivo y reducción de desperdicio antes de decidernos por Calidad Predictiva en el banco de pruebas. ¿Por qué? Porque los datos y recursos del cliente que necesitábamos estaban fácilmente disponibles y el camino para integrar la capacidad era claro. Piense en la Navaja de Ockham aquí: el camino más directo es el mejor.

Lección 2: No pierda el control

Un punto clave de contención entre el negocio y TI es quién retendrá el control de esta nueva capacidad y cómo será soportada y mantenida. Los proveedores de nube presumen de inicios rápidos a través de infraestructura disponible y asequible. Para el negocio, esto representa un camino claro para empezar sin la burocracia de los procesos de TI. Sin embargo, esto puede llevar a bloqueo técnico; una situación donde toda su lógica, modelos y procesos de datos están atrapados dentro de los sistemas de un proveedor. Los costes subirán, la flexibilidad será limitada y se sentirá atrapado. Recuerde, el valor está en la lógica, modelos y constructos de datos —no necesariamente en la infraestructura. En Gulfstream, evitamos esta trampa aprovechando la contenedorización, un enfoque que permite que su lógica y funcionalidad sean completamente portables, desplegables y escalables a través de cualquier combinación de infraestructura basada en requisitos y coste. Gulfstream pudo mantener el control de su propiedad intelectual y podría escalarla al proveedor(es) de su elección.

Lección 3: Entienda el coste real

Es fácil enamorarse de un caso de uso rápido, simple y asequible. Pero, ¿qué pasa si quiere escalarlo a múltiples líneas, plantas y procesos? ¿Sigue siendo rápido, simple y asequible? Las soluciones en nube pueden ser engañosas a este respecto; el almacenamiento es barato pero la capacidad de computación requerida para entrenar y ajustar modelos puede volverse costosa a medida que los conjuntos de datos crecen. Un cliente proyectó un aumento de 35x en costes de nube asociados con escalar un modelo de mantenimiento predictivo a través de cuatro operaciones de planta. De nuevo, la contenedorización puede usarse para optimizar costes de escalabilidad. En Rolls-Royce, aprovechamos la contenedorización para reentrenar modelos en infraestructura local de menor coste, luego desplegamos los modelos reentrenados en entornos de nube para acceso y disponibilidad óptimos. Esto ayudó a mantener el coste de escala por debajo del 5 por ciento anual.

Gestionar complejidad, control y coste es fundamental para el éxito de cualquier esfuerzo de aprendizaje automático o IA. Hemos aprovechado plantillas desarrolladas a lo largo de años de proyectos para simplificar, entender y comunicar estas pautas entre los equipos clave del proyecto.