|
很少有行業(yè)能比制造業(yè)更受益于人工智能。該行業(yè)產(chǎn)生了大量的數(shù)據(jù)，涉及重復性的人工任務(wù)，并提出了許多傳統(tǒng)工具無法解決的多維度問題。無論是提高質(zhì)量、減少停機時間還是優(yōu)化效率，AI都是解決許多復雜制造問題的完美工具。 在德勤（Deloitte）最近一份關(guān)于AI在制造業(yè)應(yīng)用的調(diào)查報告中指出，93%的企業(yè)認為AI將成為推動該行業(yè)增長和創(chuàng)新的關(guān)鍵技術(shù)。然而，絕大多數(shù)制造企業(yè)必須克服很多阻礙實施AI計劃的障礙。 · 缺少AI人才：有經(jīng)驗的人工智能專業(yè)人員很難聘請，這對于所有行業(yè)的企業(yè)來說都是個難題。數(shù)據(jù)科學家通常集中在少數(shù)財富500強企業(yè)的研發(fā)部門，而雇傭這些數(shù)據(jù)科學家的成本可能是大多數(shù)企業(yè)無法企及的。 據(jù)羿戓制造（羿戓設(shè)計服務(wù)方式：服務(wù)期限隨時可以發(fā)想法，每個想法我們都做可行性分析，篩選出適合被服務(wù)方發(fā)展的項目。確定項目后我們出相關(guān)人力進行產(chǎn)品調(diào)研、技術(shù)路線確定、關(guān)鍵技術(shù)甄別，關(guān)鍵技術(shù)驗證、系列產(chǎn)品的規(guī)劃，明確項目的要求。產(chǎn)品設(shè)計開發(fā)過程中提供人力進行項目管理、評審、產(chǎn)品快速更新迭代、持續(xù)降低成本的建議）所了解，實施AI項目通常需要組件一個由數(shù)據(jù)科學家、ML工程師、軟件架構(gòu)師、BI分析師和中小企業(yè)組成的跨學科團隊。鑒于人工智能項目的多樣性和所需的大量數(shù)據(jù)處理，建立和保留這種類型的團隊是相當具有挑戰(zhàn)性的。 對于制造業(yè)來說，這個問題更加棘手，因為對于年輕人來說這個行業(yè)通常并不被認為是很酷的。此外，由于很多有經(jīng)驗的高級工程師即將退休，制造企業(yè)很可能面臨更嚴峻的勞動力短缺。例如像AutoML 2.0之類的技術(shù)將有助于解決這一技能差距并加速制造業(yè)數(shù)字化轉(zhuǎn)型。 · 數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理：鑒于人工智能項目對高質(zhì)量數(shù)據(jù)的高度依賴，數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理問題至關(guān)重要。AI和機器學習工具依賴于數(shù)據(jù)來訓練基礎(chǔ)算法。獲得清潔、有意義的數(shù)據(jù)對于AI計劃的成功至關(guān)重要。但是，制造業(yè)數(shù)據(jù)可能是有偏差的、過時的、甚至充滿錯誤的。尤其是生產(chǎn)車間、繁重的制造環(huán)境中，其特點是極端、惡劣的操作條件。 溫度、噪聲和振動的波動會導致傳感器數(shù)據(jù)不準確并產(chǎn)生數(shù)據(jù)不準確。制造現(xiàn)場可能位于遠程位置，這給數(shù)據(jù)存儲帶來了額外的復雜性。安全策略可能不允許與云共享數(shù)據(jù)，因此需要本地解決方案。 運營數(shù)據(jù)以多種格式分布在多個數(shù)據(jù)庫中，不適合直接分析，需要進行預處理。例如，預測性維護應(yīng)用程序?qū)⑿枰L問計算機化維護管理系統(tǒng)或過程歷史數(shù)據(jù)庫�？赡苓�需要連接器或自定義腳本來檢索和處理數(shù)據(jù)。解決方案在于利用自動化進行以AI為重點的數(shù)據(jù)準備。 · 技術(shù)基礎(chǔ)架構(gòu)和互操作性：工廠車間有各種各樣的機器、工具和系統(tǒng)，它們往往使用不同的、甚至是相互競爭的技術(shù)和產(chǎn)品�；A(chǔ)設(shè)施可能運行的是舊版本的軟件，與其他系統(tǒng)不兼容，并且缺乏互操作性。 在缺乏標準和通用框架的情況下，客戶必須仔細考慮機器與機器之間的通信，以便連接舊機器以及要安裝的新傳感器或轉(zhuǎn)換器。一個由提供兼容組件的生態(tài)系統(tǒng)，使用標準規(guī)則和框架連接到ERP、MES和PLC/SCADA系統(tǒng)，將有助于解決互操作性問題。OPA UA正在成為工業(yè)4.0通信和數(shù)據(jù)建模的關(guān)鍵協(xié)議。 · 實時決策：制造業(yè)中的許多應(yīng)用程序?qū)ρ舆t都很敏感，需要超快速的響應(yīng)。這些應(yīng)用程序不能等待往返云端的時間來執(zhí)行數(shù)據(jù)處理并獲得可行的見解。必須實時做出決策，在幾分鐘內(nèi)，有時甚至是幾毫秒內(nèi)立即采取行動。 如此快速的決策需要流式分析（streaming analytics）功能和實時預測服務(wù)。實時數(shù)據(jù)處理使制造商可以立即采取措施并防止不良后果的發(fā)生。例如，使用預測分析技術(shù)進行質(zhì)量分析，制造商可以識別有缺陷的組件，并進行返工或更換有缺陷的組件，防止產(chǎn)品召回。 · 邊緣部署：邊緣計算的概念在制造中至關(guān)重要。更快地在數(shù)據(jù)源附近進行本地數(shù)據(jù)處理變得更加高效。實時決策和智能化的本地控制系統(tǒng)需要基于邊緣的計算。在機器設(shè)備、本地網(wǎng)關(guān)或服務(wù)器等邊緣設(shè)備上部署預測模型的能力，對于實現(xiàn)智能制造應(yīng)用程序至關(guān)重要。 · 信任與透明度：阻礙人工智能廣泛采用的一個關(guān)鍵障礙是技術(shù)背后的復雜性和缺乏信任，這造成了人工智能的透明度"悖論"。雖然生成有關(guān)AI的更多信息可以帶來真正的好處，但也可能帶來新的風險。為了解決這一矛盾，組織將需要仔細考慮他們?nèi)绾翁幚鞟I風險，生成的有關(guān)這些風險的信息，以及如何共享和保護這些信息。 對于絕大多數(shù)人來說，AI技術(shù)棧異常復雜，具有挑戰(zhàn)性。沒有數(shù)據(jù)科學背景的人很難理解預測性建模的工作原理，也不信任AI技術(shù)背后的抽象算法。透明度意味著提供有關(guān)AI流水線（pipeline）的信息，包括過程中使用的輸入數(shù)據(jù)、選擇的算法以及模型如何做出預測。 增加信任的一種方法是提供有關(guān)AI工作流程的細節(jié)。這包括提供將原始數(shù)據(jù)轉(zhuǎn)化為機器學習的輸入（也就是特征工程）的詳細過程，以及ML模型如何通過結(jié)合數(shù)百個甚至更多的特征產(chǎn)生預測。通過深入了解預測模型是如何工作的，以及預測背后的原因，可以幫助制造企業(yè)建立信任并提高透明度。 借助AI技術(shù)工程師們可以專注于日常職責，自動化數(shù)據(jù)預處理功能使他們只需單擊一個按鈕即可構(gòu)建預測模型。端到端的AI自動化平臺可提供分析靈活性以解決多個用例，將大大改善運營人員的工作效率。標準化的預測模型提供實時預測功能，并加速了AI在制造車間邊緣的部署。使制造和生產(chǎn)中小型企業(yè)能夠利用AI以更少的成本做更多的事是加速制造數(shù)字化轉(zhuǎn)型的正確方法。 * 本文作者Ryohei Fujimaki，是dotData的創(chuàng)始人兼首席執(zhí)行官。 
|
