|
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)生了大量的數據，涉及重復性的人工任務(wù)，并提出了許多傳統工具無(wú)法解決的多維度問(wèn)題。無(wú)論是提高質(zhì)量、減少停機時(shí)間還是優(yōu)化效率，AI都是解決許多復雜制造問(wèn)題的完美工具。 在德勤（Deloitte）最近一份關(guān)于A(yíng)I在制造業(yè)應用的調查報告中指出，93%的企業(yè)認為AI將成為推動(dòng)該行業(yè)增長(cháng)和創(chuàng )新的關(guān)鍵技術(shù)。然而，絕大多數制造企業(yè)必須克服很多阻礙實(shí)施AI計劃的障礙。 · 缺少AI人才：有經(jīng)驗的人工智能專(zhuān)業(yè)人員很難聘請，這對于所有行業(yè)的企業(yè)來(lái)說(shuō)都是個(gè)難題。數據科學(xué)家通常集中在少數財富500強企業(yè)的研發(fā)部門(mén)，而雇傭這些數據科學(xué)家的成本可能是大多數企業(yè)無(wú)法企及的。 據羿戓制造（羿戓設計服務(wù)方式：服務(wù)期限隨時(shí)可以發(fā)想法，每個(gè)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(jìn)行產(chǎn)品調研、技術(shù)路線(xiàn)確定、關(guān)鍵技術(shù)甄別，關(guān)鍵技術(shù)驗證、系列產(chǎn)品的規劃，明確項目的要求。產(chǎn)品設計開(kāi)發(fā)過(guò)程中提供人力進(jìn)行項目管理、評審、產(chǎn)品快速更新迭代、持續降低成本的建議）所了解，實(shí)施AI項目通常需要組件一個(gè)由數據科學(xué)家、ML工程師、軟件架構師、BI分析師和中小企業(yè)組成的跨學(xué)科團隊。鑒于人工智能項目的多樣性和所需的大量數據處理，建立和保留這種類(lèi)型的團隊是相當具有挑戰性的。 對于制造業(yè)來(lái)說(shuō)，這個(gè)問(wèn)題更加棘手，因為對于年輕人來(lái)說(shuō)這個(gè)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(dòng)力短缺。例如像AutoML 2.0之類(lèi)的技術(shù)將有助于解決這一技能差距并加速制造業(yè)數字化轉型。 · 數據質(zhì)量和數據管理：鑒于人工智能項目對高質(zhì)量數據的高度依賴(lài)，數據質(zhì)量和數據管理問(wèn)題至關(guān)重要。AI和機器學(xué)習工具依賴(lài)于數據來(lái)訓練基礎算法。獲得清潔、有意義的數據對于A(yíng)I計劃的成功至關(guān)重要。但是，制造業(yè)數據可能是有偏差的、過(guò)時(shí)的、甚至充滿(mǎn)錯誤的。尤其是生產(chǎn)車(chē)間、繁重的制造環(huán)境中，其特點(diǎn)是極端、惡劣的操作條件。 溫度、噪聲和振動(dòng)的波動(dòng)會(huì )導致傳感器數據不準確并產(chǎn)生數據不準確。制造現場(chǎng)可能位于遠程位置，這給數據存儲帶來(lái)了額外的復雜性。安全策略可能不允許與云共享數據，因此需要本地解決方案。 運營(yíng)數據以多種格式分布在多個(gè)數據庫中，不適合直接分析，需要進(jìn)行預處理。例如，預測性維護應用程序將需要訪(fǎng)問(wèn)計算機化維護管理系統或過(guò)程歷史數據庫�？赡苓�需要連接器或自定義腳本來(lái)檢索和處理數據。解決方案在于利用自動(dòng)化進(jìn)行以AI為重點(diǎn)的數據準備。 · 技術(shù)基礎架構和互操作性：工廠(chǎng)車(chē)間有各種各樣的機器、工具和系統，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設施可能運行的是舊版本的軟件，與其他系統不兼容，并且缺乏互操作性。 在缺乏標準和通用框架的情況下，客戶(hù)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換器。一個(gè)由提供兼容組件的生態(tài)系統，使用標準規則和框架連接到ERP、MES和PLC/SCADA系統，將有助于解決互操作性問(wèn)題。OPA UA正在成為工業(yè)4.0通信和數據建模的關(guān)鍵協(xié)議。 · 實(shí)時(shí)決策：制造業(yè)中的許多應用程序對延遲都很敏感，需要超快速的響應。這些應用程序不能等待往返云端的時(shí)間來(lái)執行數據處理并獲得可行的見(jiàn)解。必須實(shí)時(shí)做出決策，在幾分鐘內，有時(shí)甚至是幾毫秒內立即采取行動(dòng)。 如此快速的決策需要流式分析（streaming analytics）功能和實(shí)時(shí)預測服務(wù)。實(shí)時(shí)數據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(jìn)行質(zhì)量分析，制造商可以識別有缺陷的組件，并進(jìn)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。更快地在數據源附近進(jìn)行本地數據處理變得更加高效。實(shí)時(shí)決策和智能化的本地控制系統需要基于邊緣的計算。在機器設備、本地網(wǎng)關(guān)或服務(wù)器等邊緣設備上部署預測模型的能力，對于實(shí)現智能制造應用程序至關(guān)重要。 · 信任與透明度：阻礙人工智能廣泛采用的一個(gè)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(lái)真正的好處，但也可能帶來(lái)新的風(fēng)險。為了解決這一矛盾，組織將需要仔細考慮他們如何處理AI風(fēng)險，生成的有關(guān)這些風(fēng)險的信息，以及如何共享和保護這些信息。 對于絕大多數人來(lái)說(shuō)，AI技術(shù)棧異常復雜，具有挑戰性。沒(méi)有數據科學(xué)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(zhù)提供有關(guān)AI流水線(xiàn)（pipeline）的信息，包括過(guò)程中使用的輸入數據、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。這包括提供將原始數據轉化為機器學(xué)習的輸入（也就是特征工程）的詳細過(guò)程，以及ML模型如何通過(guò)結合數百個(gè)甚至更多的特征產(chǎn)生預測。通過(guò)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(zhuān)注于日常職責，自動(dòng)化數據預處理功能使他們只需單擊一個(gè)按鈕即可構建預測模型。端到端的AI自動(dòng)化平臺可提供分析靈活性以解決多個(gè)用例，將大大改善運營(yíng)人員的工作效率。標準化的預測模型提供實(shí)時(shí)預測功能，并加速了AI在制造車(chē)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字化轉型的正確方法。 * 本文作者Ryohei Fujimaki，是dotData的創(chuàng )始人兼首席執行官。 
|
