您的 AI 战略是现实的还是通往天堂的阶梯？

施耐德电气 EcoStruxure 总监 Luke Durcan 回忆道听到一家工业公司的高管说：“我们想做一些人工智能。我们希望尽快在我们的流程中加入一些人工智能。”

“什么时候？”德肯问道。

“可能是 7 月，”杜肯回忆起这位不愿透露姓名的高管说的。 “是的，我们希望在 7 月之前获得一些人工智能。”

“你只是看着那个人，然后你就会意识到他真的不了解这个过程。他真的不了解实现目标的潜在机制和要求，”杜肯说。 “而现实是，在工业环境中，没有人工智能这样的东西。这是营销。”

虽然工业和数据科学专家对人工智能等模糊概念及其与看似神奇的通用人工智能的联系有各种不同的看法，但他们同意需要逐步和有纪律的数据上下文化和部署技术，如分析、机器学习等。

负责 Teradata 人工智能和深度学习计划的 Atif Kureishy 将人工智能构建为一套支持技术，包括用于支持业务成果的分析、机器学习和深度学习。 “例如，深度学习是机器学习的一个子集，它应用神经网络、基于 GPU 的大型计算和高维数据来做出越来越准确的预测，”Kureishy 说。

Kureishy 说，至于哪些行业最快采用此类技术，它们是“常见的嫌疑人”，包括消费科技、金融服务和保险。他说，零售业和电信业是紧随其后的一个集团的一部分。在制造业方面，鉴于汽车行业对自动驾驶汽车的兴趣，汽车行业是采用机器学习和计算机视觉等技术最快的行业之一。

Durcan 表示，石油和天然气行业是加工行业的开拓者。 “这些 [石油和天然气] 组织多年来一直在数据、基础设施和技术方面进行投资，因为它多年来一直为他们带来价值，”他解释道。

Durcan 说，在流程制造成熟度曲线的下方是消费品和材料、矿产和采矿业，而电子制造商等许多离散制造公司“非常先进”。

那么，当涉及到工业 4.0、智能工厂或人工智能战略时，落后的工业公司应该做些什么来弥补失地？中间的人接下来应该做什么？

首先进行自我审计，并在必要时确保您的组织拥有强大的数据科学基础。 Kureishy 说，Teradata 与工业公司的大部分工作包括“构建我们的银行客户在过去 30 年里一直在投资的基础方面”。许多工业公司发现自己正在努力了解他们拥有哪些类型的上下文数据，校准传感器并专注于与人才、工具及其环境相关的“数据科学 101”方面。

这不是针对工业公司。去年，Gartner 发现超过 87% 的组织（跨部门）的商业智能和分析成熟度较低。

在早期，制造商可能在其运营过程中安装了一系列传感器，以更好地了解材料在制造过程中所处的条件。一旦该组织可以在上下文中跟踪其数据，它就可以开始在导致报废的制造缺陷之前发现异常。 “这还不是真正的预测，而是说：‘嘿，我现在可以更好地描述制造过程中发生的事情，”Kureishy 说。 “因为我拥有所有这些遥测数据，我可以对其进行处理和分析，并将其拼接在一起，所以我可以以定量的方式更好地描述出了什么问题。”

在像这样的早期阶段以及整个过程中，Durcan 强调了关注人员、流程和技术的重要性。 “在一个典型的棕地设施中，有些人已经在那里工作了 20、30 或 40 年，他们可能比你以往任何时候都了解更多，”他说。 “然后是过程本身，这也是随着时间的推移而演变的。因此，您将找到将您的技术集成到人员流程环境中的方法，以提供增量价值。”

投资建立坚实数据科学基础的工业组织可以开始探索神经网络等更先进技术的潜力。随着他们成熟度的提高，他们可以从描述其运营中发生的事情转变为关联该环境中出现的变量，并最终在变量之间建立因果关系。 “这就是说：‘当 A 发生时，B 发生，所以我知道 C 会实现，”Kureishy 解释道。 “这会让你处于更好的预测状态。你可以开始说：‘我开始看到这些异常现象。如果你不进行某种程度的干预，那么我知道这种情况 C 将会发生。’”

下一层扩展了复杂性。 “您可以以规范的方式提出非常独特的建议，以修复或优化流程，”Kureishy 补充道。顶层是发现异常并在它们导致更大问题之前解决它们的整个过程完全自动化的地方。 “我们在谈论终结者，”Kureishy 开玩笑说。

工业组织应避免认为其 AI 战略旅程有明确的最终目的地。 “山上没有必杀技，”杜肯说。 “这只会变得越来越复杂。”

最后，行业领导者应该明白“数据的整合是最重要的，但数据本身只是预测模型和分析模型的开始，”Durcan 补充道。这些专业人员了解他们的资产层次结构、资产模型和资产上下文至关重要。 “然后，您可以开始构建关于您组织周围的数据流和数据基础设施的更深入的详细信息，”Durcan 补充道。从那里，他们可以利用数据进行描述性可视化和操作反应。 “这就是 90% 的人将使用它的目的，”他补充道。 “但你必须迈出旅程的第一步才能到达那里。”