很少有行業(yè)能比制造業(yè)更受益于人工智能。該行業(yè)產生了大量的數據诽闲，涉及重復性的人工任務彪性，并提出了許多傳統(tǒng)工具無法解決的多維度問題。無論是提高質量科请、減少停機時間還是優(yōu)化效率稍记，AI都是解決許多復雜制造問題的完美工具。

在德勤（Deloitte）最近一份關于AI在制造業(yè)應用的調查報告中指出峡竣，93%的企業(yè)認為AI將成為推動該行業(yè)增長和創(chuàng)新的關鍵技術靠抑。然而，絕大多數制造企業(yè)必須克服很多阻礙實施AI計劃的障礙适掰。

· 缺少AI人才：有經驗的人工智能專業(yè)人員很難聘請颂碧，這對于所有行業(yè)的企業(yè)來說都是個難題。數據科學家通常集中在少數財富500強企業(yè)的研發(fā)部門攻谁，而雇傭這些數據科學家的成本可能是大多數企業(yè)無法企及的。

實施AI項目通常需要組件一個由數據科學家、ML工程師戚宦、軟件架構師个曙、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據處理受楼，建立和保留這種類型的團隊是相當具有挑戰(zhàn)性的垦搬。

對于制造業(yè)來說，這個問題更加棘手艳汽，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猴贰。此外，由于很多有經驗的高級工程師即將退休河狐，制造企業(yè)很可能面臨更嚴峻的勞動力短缺证摩。例如像AutoML 2.0之類的技術將有助于解決這一技能差距并加速制造業(yè)數字化轉型。

· 數據質量和數據管理：鑒于人工智能項目對高質量數據的高度依賴若战，數據質量和數據管理問題至關重要诡亥。AI和機器學習工具依賴于數據來訓練基礎算法。獲得清潔瞪澈、有意義的數據對于AI計劃的成功至關重要卑裹。但是，制造業(yè)數據可能是有偏差的脓额、過時的蜒媳、甚至充滿錯誤的。尤其是生產車間搬混、繁重的制造環(huán)境中古贡，其特點是極端、惡劣的操作條件葵昂。 

溫度桶淡、噪聲和振動的波動會導致傳感器數據不準確并產生數據不準確。制造現(xiàn)場可能位于遠程位置寥掐，這給數據存儲帶來了額外的復雜性靴寂。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召耘。

運營數據以多種格式分布在多個數據庫中百炬，不適合直接分析，需要進行預處理污它。例如剖踊，預測性維護應用程序將需要訪問計算機化維護管理系統(tǒng)或過程歷史數據庫∩辣幔可能還需要連接器或自定義腳本來檢索和處理數據德澈。解決方案在于利用自動化進行以AI為重點的數據準備歇攻。

· 技術基礎架構和互操作性：工廠車間有各種各樣的機器、工具和系統(tǒng)梆造，它們往往使用不同的缴守、甚至是相互競爭的技術和產品≌蚧裕基礎設施可能運行的是舊版本的軟件屡穗，與其他系統(tǒng)不兼容，并且缺乏互操作性娶恕。

在缺乏標準和通用框架的情況下揖漫，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換器篓释。一個由提供兼容組件的生態(tài)系統(tǒng)垄坡，使用標準規(guī)則和框架連接到ERP、MES和PLC/SCADA系統(tǒng)庞蠕，將有助于解決互操作性問題筋擒。OPA UA正在成為工業(yè)4.0通信和數據建模的關鍵協(xié)議。

· 實時決策：制造業(yè)中的許多應用程序對延遲都很敏感则菌，需要超快速的響應破卜。這些應用程序不能等待往返云端的時間來執(zhí)行數據處理并獲得可行的見解。必須實時做出決策踏靴，在幾分鐘內廷前，有時甚至是幾毫秒內立即采取行動。

如此快速的決策需要流式分析（streaming analytics）功能和實時預測服務窜无。實時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)生贱甥。例如，使用預測分析技術進行質量分析柄错，制造商可以識別有缺陷的組件舷夺，并進行返工或更換有缺陷的組件，防止產品召回售貌。

· 邊緣部署：邊緣計算的概念在制造中至關重要给猾。更快地在數據源附近進行本地數據處理變得更加高效。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颂跨。在機器設備敢伸、本地網關或服務器等邊緣設備上部署預測模型的能力，對于實現(xiàn)智能制造應用程序至關重要恒削。

· 信任與透明度：阻礙人工智能廣泛采用的一個關鍵障礙是技術背后的復雜性和缺乏信任池颈，這造成了人工智能的透明度"悖論"。雖然生成有關AI的更多信息可以帶來真正的好處钓丰，但也可能帶來新的風險躯砰。為了解決這一矛盾每币，組織將需要仔細考慮他們如何處理AI風險，生成的有關這些風險的信息琢歇，以及如何共享和保護這些信息管员。

對于絕大多數人來說，AI技術棧異常復雜巷卵，具有挑戰(zhàn)性。沒有數據科學背景的人很難理解預測性建模的工作原理葵稚，也不信任AI技術背后的抽象算法帘衣。透明度意味著提供有關AI流水線（pipeline）的信息，包括過程中使用的輸入數據洁席、選擇的算法以及模型如何做出預測税则。

增加信任的一種方法是提供有關AI工作流程的細節(jié)。這包括提供將原始數據轉化為機器學習的輸入（也就是特征工程）的詳細過程值唉，以及ML模型如何通過結合數百個甚至更多的特征產生預測赡喻。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港赂，可以幫助制造企業(yè)建立信任并提高透明度旭手。

借助AI技術工程師們可以專注于日常職責，自動化數據預處理功能使他們只需單擊一個按鈕即可構建預測模型涉功。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汁掠，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集币，并加速了AI在制造車間邊緣的部署考阱。使制造和生產中小型企業(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鞠苟，是dotData的創(chuàng)始人兼首席執(zhí)行官乞榨。

（控制工程網）

聲明：本網站所收集的部分公開資料來源于互聯(lián)網，轉載的目的在于傳遞更多信息及用于網絡分享当娱，并不代表本站贊同其觀點和對其真實性負責吃既，也不構成任何其他建議。本站部分作品是由網友自主投稿和發(fā)布趾访、編輯整理上傳态秧，對此類作品本站僅提供交流平臺，不為其版權負責扼鞋。如果您發(fā)現(xiàn)網站上所用視頻申鱼、圖片、文字如涉及作品版權問題云头，請第一時間告知捐友，我們將根據您提供的證明材料確認版權并按國家標準支付稿酬或立即刪除內容晋粱，以保證您的權益！聯(lián)系電話：010-58612588 或 Email:editor@mmsonline.com.cn埋吊。