人工智能虽然已经被承诺可以在多个行业进行整合，但是它的支持者经常感到失望。而正在实现的面相企业的可重复的和细节导向的安全检查，则可能是一个完美的应用案例。  围绕人工智能和就业的争论由来已久。人工智能会夺走我们的工作，让我们失业吗?虽然有些工作确实会改变或消失——就像它们一直在做的那样，而且还将继续做下去——但人工智能也可能成为商业应用中的人力倍增因素，因为我们人类在这些应用中仍未发挥出应有的作用。  最近被列入濒危列表的一系列工作，包括收集、储存和分析TB级的无人机数据，这些数据的来源包括通讯塔、管道、太阳能电池板、桥梁和其他建筑物，收集这些数据对人类来说可能是非常危险的。  操控无人驾驶飞机的重复性操作，分析它收集的大量数据——是一项容易让人疲劳和出错的工作。除飞行员外，负责在当天第25次无人机任务中检查的第351绝缘体上发现裂纹的分析人士可能也会感到疲劳。如果绝缘体上的裂缝不是他们生活的激情所在，那么他们就很可能会犯一个致命的或导致巨大损失的错误。  这就是人工智能够发挥作用的地方——通过对人类神经系统的软件模拟，它可以被训练来部分抵消人类分析员必须日复一日地在巨大数据集上无情地执行的枯燥和重复的任务。实际上，无人机“借用”了人类的大脑，为企业提供其最终价值。  边缘AI与定向分析  想想人类是如何检查一个结构的:他们从粗略的观察到对关键区域更深思熟虑和更长时间的分析，他们通过经验或视觉检查认识到这些关键区域。从某种意义上说，人类是有偏向的。但这些偏向，可以帮助人们快速决定如何使用宝贵的计算周期。  另一方面，想想无人机是如何收集数据的:它们在一个结构上飞行的方式几乎总是独立于实际收集的数据。无人机可能总是会花同样的三秒钟从一个正常区域的结构中收集数据。除非操作人员对无人机“感知”的内容有即时的视觉反馈，否则无人机将以不带偏见的方式收集数据。结果可能是需要在飞行后收集更多的数据。  位于计算边缘的人工智能(理想情况下是无人机本身)可以将无人机定向到相关结构，然后是结构中的子区域，然后是特定的、可能的异常数据存在的区域，从而对数据收集产生偏见。这可能会增加从感兴趣区域收集数据的时间，从而引起对其他传感器的注意，并提醒操作人员进行其他操作。  如今的无人机拥有足够的计算能力来容纳边缘智能:无论是使用强大的Snapdragon处理器还是用更强大的Nvidia GPU。这些处理器都可以作为实时操作人工智能的基底，为这一重要的关键能力提供动力。  使用基于云的人工智能和数据分析来获得洞察力  一旦数据被收集和部署，复杂的分析任务就可以开始了。分析任务在结构清单和将对象的视觉外观映射到更详细的信息(例如模型和生产年份)或发现该对象的缺陷(包括腐蚀和损坏)之间变化。  每个任务收集了数以千计的静止图像或高清视频。当使用人来分析一个个帧时，它不仅需要经济成本，而且有一定的出错概率。  考虑到大量的帧和多层信息的情况下，分析人员丢失关键帧的可能性会大大增加，而在关键帧中出现特定的项目，或者缺陷是最明显的。  使用人工智能进行机械检查的领导者之一是著名的深度学习软件公司Neurala。类似的服务包括Intel的Insights和通用电气的Avitas。 Neurala联合创始人兼首席执行官Max Versace解释说，“与人类不同，人工智能不会感到疲劳。”人工智能系统可以被训练来执行多种任务，从清点库存到对3D图像进行分类和发现其中的微小缺陷。“当然，能否成功地完成这些任务取决于是否有良好的人工智能，以及良好的训练数据。  使用预测型人工智能来知道何时行动  检查结构的原因之一是为了维