運(yùn)用AI方式將變革企業(yè)

在工廠內(nèi)部，AI會(huì)把各種好處帶給生產(chǎn)以及諸如維護(hù)、質(zhì)量與物流等支持職能：

生產(chǎn)：連續(xù)加工以及離散型生產(chǎn)等環(huán)境中，制造商都會(huì)利用AI來(lái)降低成本提高速度，從而提升生產(chǎn)力。

維護(hù)：制造商會(huì)利用AI減少設(shè)備故障提高資產(chǎn)利用，AI會(huì)持續(xù)分析和學(xué)習(xí)機(jī)器和部件產(chǎn)生的數(shù)據(jù)。

質(zhì)量：制造商可以利用AI幫助盡早檢測(cè)出質(zhì)量問(wèn)題。視覺(jué)系統(tǒng)利用圖像識(shí)別技術(shù)識(shí)別缺陷以及產(chǎn)品功能的偏差；同時(shí)還可以持續(xù)分析和學(xué)習(xí)由機(jī)器和生產(chǎn)環(huán)境產(chǎn)生的數(shù)據(jù)。

物流：此物流指的是產(chǎn)內(nèi)物流和倉(cāng)儲(chǔ)，而不是外部供應(yīng)鏈的物流。AI會(huì)促進(jìn)場(chǎng)內(nèi)材料供應(yīng)的自動(dòng)轉(zhuǎn)移和效率，這對(duì)于管理制造多種產(chǎn)品衍生和定制產(chǎn)品所帶來(lái)的日益增長(zhǎng)的復(fù)雜性是必不可少的。

報(bào)告：AI系統(tǒng)會(huì)根據(jù)事件報(bào)告建議相應(yīng)事件的解決方案，而且還會(huì)持續(xù)分析和學(xué)習(xí)這些報(bào)告。

美國(guó)公司的高采用水平可能反映出那里的AI技術(shù)的廣泛普及。

即便如此，中國(guó)在AI投資上仍壓倒了美國(guó)，去年中國(guó)投資占到了AI初創(chuàng)企業(yè)全球投資的將近一半。

2017年中國(guó)國(guó)務(wù)院還頒布了《下一代人工智能發(fā)展規(guī)劃》，打算用三步走的策略到2030年達(dá)到AI全球領(lǐng)先水平；天津市政府已經(jīng)設(shè)立了300億元的基金來(lái)支持AI產(chǎn)業(yè)。

其他的新興國(guó)家，比如印度，其態(tài)度也類似，將AI采用視為保持其制造業(yè)全球競(jìng)爭(zhēng)力的必要元素，并且對(duì)AI進(jìn)行了大規(guī)模投資。

AI工廠各個(gè)方面所面臨的挑戰(zhàn)

機(jī)器學(xué)習(xí)算法嚴(yán)重依賴大量數(shù)據(jù)，但僅大量數(shù)據(jù)并不能構(gòu)成好的AI算法。

許多公司都坐擁大量數(shù)據(jù)存儲(chǔ)，但是他們的數(shù)據(jù)和軟件存在于單獨(dú)的孤島中，存儲(chǔ)方式不一致，模型和框架也不兼容。

即使客戶將企業(yè)視為一個(gè)統(tǒng)一的實(shí)體，但在內(nèi)部，跨部門和職能的系統(tǒng)和數(shù)據(jù)通常都是分散的。

從而阻止了數(shù)據(jù)的聚合，延遲了見(jiàn)解的產(chǎn)生，并使得無(wú)法利用分析和人工智能的力量。

此外，在將數(shù)據(jù)饋送到AI算法之前，必須對(duì)其進(jìn)行預(yù)處理。

即使在處理諸如銷售記錄之類的結(jié)構(gòu)化數(shù)據(jù)時(shí)，也可能存在缺口，信息丟失以及其他需要解決的不準(zhǔn)確之處。

在其他方面，例如為監(jiān)督的機(jī)器學(xué)習(xí)算法建立正確的指標(biāo)和功能，在人類專家見(jiàn)解和AI預(yù)測(cè)之間找到正確的鴻溝，以及應(yīng)對(duì)運(yùn)行方面的挑戰(zhàn)實(shí)驗(yàn)并驗(yàn)證結(jié)果。

結(jié)尾：

但與金融等行業(yè)相比，雖然人工智能在制造業(yè)的應(yīng)用場(chǎng)景不少，卻并不突出，甚至可以說(shuō)發(fā)展較慢。

目前，隨著越來(lái)越多的企業(yè)進(jìn)入人工智能領(lǐng)域，大批成功的人工智能開源軟件和平臺(tái)不斷涌入，AI工廠將迎來(lái)前所未有的爆發(fā)期。