人工智能已经帮助个别工厂提高生产、安全、效率和其他指标，同时降低成本。支持者说，将人工智能和云技术结合可以增强这些优势，并为制造商提供更快的价值实现时间、更好的供应链可见性和动态设计。
UptimeAI 首席执行官 Jagadish Gattu云中的人工智能可以结束制造业劳动生产率低迷。但是去哪里上课呢？试试对冲基金、一级方程式赛车和黄瓜分拣操作。
长期以来，人工智能在制造领域一直很有吸引力，因为它可以解决复杂的问题，并超越警报到智能洞察，UptimeAI 首席执行官 Jagadish Gattu 说。 “制造运营和设备很复杂，”他说。
迁移到云端——在 Internet 上运行的软件和服务，而不是仅在公司自己的网络上——以多种方式增强 AI。具体而言，此举：
- 允许访问新的实时数据；
- 提供巨大的可扩展性；
- 以更实惠的价格获得更多计算能力价格，以及
- 允许访问不同制造站点的主题专家知识。
“我们生活在生产力低迷中，”产品主管 Baber Farooq SAP 采购解决方案的战略，参考美国劳工部和劳工统计局经常引用的统计数据，以及经常引用的德勤/MAPI 研究。 “造成这种情况的因素有很多。在过去的 15 年里，制造业采用技术的速度一直没有达到我们扭转 [生产力下滑] 趋势所需的速度。”
在过去的 15 年里，云流程已经成为成熟并帮助提高了 IT 的生产力。
“云的承诺计算一直是可扩展性的承诺——我如何才能扩展到多个站点、多个客户？”他说。 “人工智能是这种增长的延续。 AI 是制造业利用云计算为 AI 带来的收益的关键。”
Oliver Christie 表示，云中的 AI 可帮助制造商节省资金、适应变化并了解新兴市场趋势，伏尔泰咨询的负责人。 “因为我们可以使用 AI 工具，所以我们可以降低成本、提高质量、加快实现最终结果的时间并优化产品的构建方式，”他说。 “我们没有改变产品，只是改变它的制造方式。我们能够更快地适应新情况，例如关税变化。显然，大流行改变了一切。制造业需要了解新的市场形势和新的市场趋势。”
制造商已经在使用人工智能，但将人工智能与云服务相结合科视Christie 表示，他们可以访问各种不断更新的优秀算法。
“云计算的最大好处是算法市场，可以访问大量不同的算法，这些算法对您的数据采用不同的方法，”他说。 “您可以从世界各地挑选出最好的。”
制造商产品管理总监 Joe Gerstl 表示，将人工智能与云相结合可以让制造商打开大量数据并从中获益GE Digital 的执行系统 (MES)。
“当你在本地处理数据时，你会受到限制，”他说。 “你只有这么多 sp高手。你没有时间处理这一切。在云中，你可以拥有如此多的数据，不仅是大数据，而且非常丰富、原始、厚重。当我说丰富时，它是原始数据。这是所有的数据。我们的客户在其制造数据云中拥有 10 年的数据。除非您愿意，否则不会对其进行汇总或聚合。
“因为您拥有如此多的空间，而且存储这些数据的成本如此低廉，所以您可以将所有数据放在云端。人工智能的全部意义在于学习。它可以学习模式。你可以提供的数据越多，就丰富性和厚度而言，它在预测事物和提供你需要和可以使用的强大分析方面就会越好，”他补充道。 “当你将 AI 应用于这些数据时，你可以使结果更加准确，因为系统有更多的历史记录可供查看。它可以更快、更轻松、更聪明地学习。”
奖励早期采用者
早期采用者现在能够更准确地掌握信息继承人的预测，Gerstl 说。他们可以提高运营设备效率 (OEE)，更好地估计订单何时完成，更好地预测和预防问题，他说。
“他们有时间从数据中学习，调整人工智能，并调整他们的模型，”他说。 “他们可以比以前更快地看到趋势并采取行动。走得更远的人只会做得更好。”
早期采用者也看到了好处，因为他们公司内的非技术人员能够挖掘数据以获得洞察力，Gerstl 说。
“这些‘公民数据科学家’能够创建一些非常强大的分析，帮助他们更好更快地完成工作，生产质量更高的产品，并减少设备停机时间，”他说。克里斯蒂说，激励工厂经理、公民数据科学家和其他人成为早期采用者的一种方法是向他们展示可能性。一个引人入胜的例子 i我们正在使用一台价值 50 美元的运行 AI 的计算机对黄瓜进行分类（观看相关的 Mediacorp 视频）。
“只需极少的技术和开源软件，您就可以设置一些前所未闻或非常昂贵的东西， 20 年前让人们思考如何训练人工智能，”他说。
克里斯蒂建议他的客户考虑购买或建造这样的机器，或者至少观看视频以获得生产线管理和
转向 AI 的行业不均衡
Gattu 说，电信和零售行业在云中采用 AI 方面处于领先地位。他补充说，在制造业、汽车、能源以及食品和饮料领域表现突出。
他说，特定行业的设备生命周期是云中 AI 的采用速度有多快的一个因素。
在设备长期使用以及监管严格的行业，向人工智能（云或其他）的转变速度较慢他补充说，能源等行业。
“流程制造等特定领域行业的扩展延迟的另一个原因是人工智能解决方案以数据科学为中心，较少面向领域/应用程序”加图说。 “工厂工程师不必学习神经网络来改进操作，就像使用自动驾驶汽车的司机不必了解深度学习一样。这就是为什么我们的工厂监控解决方案使用专门构建的 AI 引擎来满足工厂工程师和制造商的需求。”
无论公司规模如何都能看到收益
虽然许多早期采用者已经Gerstl 说，作为大型制造商，中小型公司也从中受益。
GE Digital 开始创建它所谓的入门套件，其中包含开箱即用的 AI，以出售给较小的公司，他说。
英国的一家小公司能够使用 GE Digital 的工具来解决一直困扰的质量问题他说，该公司的高管和车间工人长期以来一直在使用 GE Digital 的工具。如果没有该工具提供的分析，解决问题可能需要六个月的时间。 “我们在两周内完成了——而且花了那么长时间，因为这是第一次，”他说。 “我们拥有可访问的所有数据并采用适当的格式，并且我们拥有使我们能够深入了解它的工具。”
提高效率和生产力
人工智能在Gattu 说，云可以通过了解性能较好的工厂的正确做法来帮助制造商改进性能较差的工厂。
“我们通常看到，美国的一家工厂在 15 天的停机时间内每年，同一企业在阿尔及利亚的另一家工厂都有 20 天的停机时间，”他说。 “15 天和 20 天之间的差异可能是数百万美元”
例如，当一件设备发生泄漏时，可能会采取三种可能的行动来修复泄漏，Gattu 说：如果采取一种行动，则可以在五天内修复泄漏。另一个，七日。而另一个，只有两天时间。
“我们的 AI 解决方案正在学习这些动作中的哪一个可以更快地解决这些问题，”他说。 “当问题第四次出现时，制造商知道他应该采纳第三次建议，因为这样可以在两天内解决问题。您可以获取这些知识并将其展示给在阿尔及利亚运营工厂的人员——您可以将从一个用例中学到的知识转移到其他操作中。”
实现更高的效率是一个关键优势，Gerstl说。例如，一些食品和饮料制造商在 90 年代实现了效率。
“他们必须提高效率才能保持竞争力，”他说。 “有了这些数据，我们可以预测关系nships 和趋势。在一个案例中，我们发现了性能速度和质量之间的直接关系：在某个点之后，你走得越快，你的质量就越差。”
通过将云与新的或现有的 AI 相结合，制造商Christie 和其他人表示，可以比较结果和导致这些结果的单个变量——机器与机器、工厂与工厂以及可能在同一行业的其他制造商之间——以实现更高的生产力和效率。
Google 收购了 AI他在 2014 年成立了 DeepMind 公司，并能够在云端部署人工智能，从而将其大型数据中心的冷却成本降低 40%，他说。
“如果你有很多机器做同样的工作，你可以看到什么对一台机器有效，并在机器之间和工厂之间优化它，”他说。 “云中的人工智能是全面优化的最快方式。如果您将所有这些机器连接到云端，这很容易r 提出问题并获得输入。一旦将机器连接到云，就可以连接到全球的每台机器。如果您想将信息出售给其他做类似事情的制造商，那是有价值的数据。如果没有直接竞争，共享数据对你们都有帮助。”
让扩展变得更容易
Gattu 说，云中的 AI 提供了灵活的扩展。
“ AWS、谷歌和其他公司专注于如何让这些系统保持运行，”他说。 “他们有自动扩展功能：如果你有更多的工作，他们会自动扩展到更多的机器上。如果你没有工作，他们会自动缩小规模，从而节省成本。”
然后，只有在内部部署 AI 的公司“受困于硬件，无法轻松扩展，”Gattu 说. “云为您提供了更多的灵活性和访问更强大的服务器的权限。您不必购买所有高端计算能力，然后受困于这些服务器或必须每两年升级一次。使用云，更新很容易，因为您的供应商正在购买新机器。您可以在云中极大地扩展到 PB 级。在本地，您必须努力在不损失性能的情况下获得这种规模。”
制造商可以利用托管平台（例如 Azure）上的各种工具，并从小处着手。 Gerstl 说，一旦他们的应用程序运行起来，他们就可以进行扩展，而不必担心购买硬件或管理软件。
“硬件对于内部部署来说非常昂贵，”他说。 “我们的一位客户花费 100,000 美元来设置他们在其网站上使用的硬件。采购过程，尤其是在大公司，是一个真正的痛苦。设置硬件可能需要六周时间。在那六周内，公司可能已经在 Azure 或其他平台上 [for the AI in the cloud] 成立了。”
整理专家知识
AnotheGattu 说，他们的吸引力在于编纂工厂级主题专家的领域知识，其中许多人即将退休。
有了 AI，制造商可以在这些专家退休之前储存这些专家知识，并将其添加到他们的智能工厂工具。 “下一代希望通过工具获得这种知识，”他说。
Gattu 说，最好的云端 AI 产品能够捕捉领域知识并不断学习。
“您需要了解泵中压力变化意味着什么的主题专家，”他说。 “在我们的解决方案中，我们弥合了人工智能、领域知识和自学工作流程之间的差距。如果你真的想获得学习、解释和理解真正发生的事情的能力，你需要有一个反馈循环。在我们的工厂监控系统中，AI 不断从用户正在做的事情、传入的数据、正在采取的维护操作中学习n.
“一旦你有了这种学习并且你有了一个可以自行学习的应用程序，这种知识的增长就会呈指数级增长，”他补充道。 “今天，你可能领先两步。明天你可能领先 10 步，因为它是一台正在学习的机器。如果你想在五年内建立一套知识，你可以用人工智能在一年内完成同样的工作。它确实可以提高您的效率并持续改进组织的运营。”
向对冲基金、一级方程式学习
除了分拣黄瓜，制造商还可以从其他一些方面吸取教训不太可能的来源。例如，对冲基金继续赞助竞赛，以根据一组数据构建最佳算法，克里斯蒂说。
或者，考虑一下一级方程式赛车。
他说，天气会影响赛车和制造生产。温度、风和雨的轻微变化会影响汽车的性能；还有那些山姆变化会实时影响工厂生产。此外，全球范围内的天气变化，例如 1,000 英里外的飓风在供应链的关键点发生，也会影响生产。
“一辆汽车行驶速度越快越好，”克里斯蒂说。 “他们实时使用大量数据来实时决定下一步该做什么。这是一个非常值得关注的行业：如何做出快速决策以及如何在新数据可用时做出改变。它成为工厂应该做什么的一面镜子。”
例如，玻璃纤维工作对温度和湿度的变化非常敏感，他说。
AI 系统可以从中学习当工厂的温度更热或更冷、潮湿或更不潮湿时的结果，看看什么能带来最好的结果。
“让 AI 设置温度和湿度，”Christie 说。 “您的员工知识渊博，通常有一个好主意.但是要纠正像工厂这样大的东西可能很困难。制造商可以放入一些传感器并设置简单的问题：‘什么是您的制造性能的理想选择。’”
但是算法并不是万无一失的，也不是最终的解决方案。他说：“需要意识到的一件事是，当你构建算法时，你是在构建数据和人类关于什么重要什么不重要的决定。” “我们需要牢记，算法并非万无一失。”
改进创意设计
虽然人类将在很长一段时间内保持创意设计的驱动力，但人工智能与云可以实现自动化并改进流程，Farooq 说。
借助云中的 AI，产品设计师可以立即看到选择特定组件或其他供应源的影响，包括采购时间、整体可用性、成本、关税、自然灾难和其他多种因素。
“我们生活在生产力低迷中，”SAP 的 Baber Farooq 承认，对。他正在推动在制造中更多地采用技术。设想产品设计师将不同的组件和原材料输入到设计程序中并实时查看影响——根据接收供应品所需的时间、可及性、价格和制造零件的不同工厂。
“围绕不同可用供应品存在的数据可以输入到一个系统，系统可以实时提出建议，不仅会影响设计本身，还会影响过程中可能使用的供应品类型，”Farooq 说。“基于此，系统可以告诉我什么样的零件可以在何时何地获得，以便我可以正确设计特定零件”
甚至不需要运行模拟，因为系统会根据不断变化的参数更新最终结果，他说。
“随着设计工作的进行，它们被赋予这些信息由系统主动提供，”Farooq 说。 “他们不必暂停工作、运行模拟然后回来。”
