企业需要研究行业以外的组织如何应用人工智能。壳牌公司、Uber公司以及Fellow Robots公司认为，可以了解这些公司在人工智能领域取得成功的标准。  壳牌公司首席数据科学家Deval Pandya表示，他认为与行业专家合作是人工智能成功的最重要标准之一。对主题有深入了解的专家提供了深度学习工具难以独立分离的背景和细微差别。但他表示，在专家领域之外进行研究也有很大的好处。  Pandya是近日在旧金山举行的ReaWork应用人工智能峰会的人工智能工程师和数据科学家小组的一员。参会者还包括IT领导者Uber公司和供应链供应商Fellow Robots公司，他们分享了应用尖端人工智能解决业务问题的经验。  以下是专家提出的人工智能成功标准的概述：  壳牌公司边缘的数据汇总  首席数据科学家Pandya带领的团队在壳牌公司的工作非常重要：其任务是弄清楚如何使用来自数十万个传感器的数据来优化壳牌公司各个工厂的运营方式，这些工厂包括碳氢化合物生产工厂、发电厂，以及炼油厂。  Pandya说，预测性维护是一个具有挑战性的问题，因为传统炼油厂可能有40,000个阀门。他的团队正致力于创建一个框架用来构建、运行、维护、重新培训和评估的预测性维护模型，并在必要时退出，这些模型可以理解通过这些阀门收集的化学品流量传感器数据。壳牌公司选择了C3.ai公司的平台，以减轻数据科学家和工程师在大规模部署这些模型时的负担。  其面临的一个挑战在于将数据聚合和处理更接近其行为发生的位置，以便减轻云计算负载，减少延迟，并减少数据消耗。早在云计算出现之前，能源行业一直在努力解决这个问题。 Pandya表示，他参与的第一个项目涉及处理地震图像，一个100平方公里的数据区块可能需要10 TB到15 TB的数据。Pandya估计，壳牌公司从所有油井收集到的数据可能比YouTube视频数据加起来还要多10到15倍。  虽然壳牌公司习惯于处理这类数据，但Pandya的团队正在努力寻找在边缘进行更多处理的方法。他估计数据中心大约有30%到40%的工作量可以在边缘进行处理。其目的是将数据解析为特定项目的最相关信息。  Pandya说，在为壳牌公司推行这一新的边缘战略时，他偶然发现了其他行业的见解，这些见解有助于简化这一开发过程。例如，他发现了一篇关于欺诈检测的论文，描述了一种新的检测异常的方法。事实证明，这适用于他的团队在设备上进行的预测性维护的高级分析。  这一发现使他确信，了解其他可能试图解决类似问题的行业非常重要。  Pandya说，“在我们的案例中，它恰好是异常检测。有各种行业已经在异常检测中做了大量工作，银行业和防止欺诈行业可能会更加成熟。”  人工智能成功的标准涉及Nvidia公司的新Jetson处理器  Fellow Robots公司一直在开发各种应用在商店的机器人和数据收集设备，以改善库存检查，提供客户帮助，并绘制商店布局。尽管该公司没有像壳牌公司采用那么多的传感器，但它还需要找到最有效的方法来收集和分析远程生成的数据。这包括用于确定机器人最佳移动速度的数据、影响图像采集和安全的指标;商店照明的数据、影响图像识别的指标;以及机器人可能与之交互的人员类型的数据(这会影响用户体验设计)。  Fellow Robots公司人工智能工程师Jagadish Mahendran说，“我们花了很多时间规划如何优化数据采集系统，以便算法可以利用我们正在读取的数据类型来概括不同的问题。”  Mahendran表示，当该公司首次开始在商店中部署机器人时，他的团队向云端发送了如此多的数据，以至于处理时间变慢了。当时，Mahendran听说其他公司使用Nvidia公司的新Jetson处理器将人工智能处理转移到低端GPU上的边缘设备上。  该团队购买了一些开发板，Mahendran开始探索可以在其上运行的算法的局限性。几个月后，他能够开发