制造商为什么要采用人工智能和大数据？

全球制造业与安永、Infor 和 GE 的高管对话数字化深入了解这个问题

虽然在过去十年中推动制造业数字化转型一直是人们谈论的话题，但最近发生的事件只会增加对工业 4.0 智能制造能力可以提供的敏捷性、可扩展性和弹性的需求。与 GE Digital 高级数字产品经理 Cobus Van Heerden、安永（UKI 咨询）合伙人 Mark Powell 和 Infor Manufacturing Global 解决方案咨询 EMEA 副总裁 Phil Lewis 交谈 着眼于利用 AI 和大数据的技术如何帮助制造商解锁实时运营可见性，从而提高流程可靠性和性能。

目前人工智能（AI）和大数据在制造业的应用有哪些？

简历： 工业人工智能结合了目标人工智能技术、数据、物理和深厚的领域知识来解决关键的工业业务挑战。传统 AI 模仿人类智能，而工业 AI 在此基础上解锁洞察力并确定高风险、动态和多变的工业环境中的因果知识。在制造业中，工业人工智能可用于检测和预测关键流程和资产问题，帮助企业优化运营，包括产能、质量和成本结构。

PL： 教科书对 AI 或大数据的定义忽略了行业不同以及对技术的需求截然不同的观点。它是关于将给定技术应用于企业可能遇到的特定问题。这个问题可能是“行业标准”问题或技术配置中出现的问题。但是，将大数据和人工智能等工具应用到真正独特的业务的关键 10% 中，具有最大的价值。我们将其归类为 60/30/10 拆分，这就是我们希望如何应用这些技术来实现最大价值的方式。

对于希望采用工业 4.0、智能制造能力的制造商，制造商为什么要使用 AI 和大数据来这样做？

简历： 智能制造部署工业高级分析，使用实时和历史数据预测未来资产和流程性能，并在闭环中进行优化。这涉及使用人工智能和机器学习，使流程工程师能够结合工业数据源的数据并快速识别问题，发现工厂问题的根本原因，预测资产的未来绩效，并自动化员工可以采取的行动以提高质量、生产力和运营。

议员： 数字化正迫使制造商重新构想他们的供应链。例如，大多数公司使用内部数据来跟踪供需平衡，他们很难预见影响其供应链的外部事件。使用了解非结构化外部数据集（例如社交媒体和其他事件数据）的 AI 技术，制造商可以更快地计划供应链中断。

此外，制造商可以使用人工智能和大数据来构建其制造业务的数字复制品，并挖掘缩短生产周期、增加制造能力和预测计划外维护活动等变革性可能性。

PL： 人工智能和大数据的一些典型儿童统计数据只是需要关注。最近，西门子在德国的一家工厂实现了自动化，其中 75% 的流程实现了数字化或自动化程度有所提高。生产力提高了 1,400%。这对任何企业来说都是改变游戏规则的。这意味着许多制造商现在正在研究如何将 AI 和大数据纳入他们的未来计划。

制造商努力在其运营中实现人工智能和大数据价值的最佳策略是什么？

简历： 流程工程师拥有非凡的领域专业知识，可以将流程模型（或流程数字孪生模型）组合在一起，并能够解释模型。这是通过分析提高竞争优势和成功的基础。为了推动分析和改进流程，制造商应制定一项战略，将领域专业知识与五种能力相结合：分析——自动根本原因识别加速持续改进；监控——早期预警减少停机时间和浪费；预测——主动行动提高质量、稳定性和可靠性；模拟——假设模拟以更低的成本加速准确的决策；和优化——最佳工艺设定点可将可接受质量的产量提高多达 10%。

所有流程工程师都可以并且需要开发分析和机器学习能力以保持竞争力。随着时间的推移，工程师可以通过深入应用分析从小型项目到试点再到多工厂优化。他们深厚的领域专业知识为建模过程和开发分析奠定了基础，这些分析在非常特定的应用程序中改变了游戏规则。

最重要的是，开始分析。 “尝试风暴”一些项目；将您的直觉想法付诸实践，并将数据和分析置于其背后。不要等待成为数据科学专家。这是没有必要的。利用经过验证的易于使用的工业分析工具，以您的领域专业知识为动力。这将很快推动重大改进。

PL： 包括制造商在内的企业倾向于评估数字项目，重点关注客户、供应链、内部效率或人员——这是任何涉足数字化领域的四个主要驱动力。这些通常是有机的，源于持续的“我们如何才能做得更好”的态度。对竞争的担忧加剧了这种情况，因为公司现在害怕落后于竞争和破坏性的进入者。与数字相关存在明显的恐惧，这正在促进大量投资。

然而，值得注意的是，许多制造商已经在技术上进行了大量投资（甚至在 COVID 强制转向数字化之前），因此定义的第一点是将 AI 和大数据与现有技术保持一致。当企业评估他们今天使用的技术时，他们不仅需要牢记该技术能否处理当前流程的短期观点，而且它是否为未来提供了一个平台？后一种观点是建立在数据之上的。这两个要素同样重要，但第二个“平台视角”需要大数据。选择一个仅仅支持/调整正在进行的流程的平台已经不够了——必须有内置的未来功能。

然后需要确保以尽可能最好的方式部署这项技术。这就需要一个开放的、基于云的应用程序环境，这样企业就可以抓住大数据或人工智能等新机遇，而无需经历繁琐的集成和附加流程。这使组织更加敏捷，专注于创造性地应用技术来满足业务需求，例如识别新的收入机会。

在将人工智能和大数据分析应用于制造运营方面面临哪些挑战？

简历： 制造商面临着在满足客户需求的同时减少浪费、成本和风险的挑战。人工智能和数据的结合通过基于分析的解决方案加速了数字化进程，这些解决方案使员工能够在上下文中使用数据，从而使人员、资产和流程高效地协同工作。

公司面临的另一个挑战才刚刚开始。他们想更多地了解如何在他们的运营中使用分析，但不认为这是他们当前员工的工作。幸运的是，工业 AI 解决方案可以提供帮助，并且不需要流程工程师成为数据科学家。

议员： 采用人工智能的关键挑战将归结为制造商在整个组织内就人工智能将产生影响的一些高价值领域建立一致性的能力。例如，使用机器学习和计算机视觉在设备故障发生之前进行预测和识别，从而减少生产停机时间并降低维护成本。另一个挑战是建立一种通过测试和学习文化将 AI 融入其流程的文化。

很长时间以来，组织一直在谈论成为“数据驱动”，但这通常并没有像人们希望的那样奏效。制造商需要采取不同的方法，首先要了解可以从新见解中驱动价值的地方，然后专注于驱动见解所需的数据，然后再推动业务价值。组织需要成为“洞察驱动和数据驱动”，而不仅仅是“数据驱动”——只有这样他们才能真正利用人工智能和大数据的力量。

PL： 这一切都与对数据的态度如何变化有关。它以前被视为一种必要的邪恶，但现在已成为企业中的第一大资产。通常这会导致对大数据标签的痴迷，但重要的是您对数据所做的事情 - 使用 AI / BI / IoT 等将这些数据转化为真正有价值的资产。汽车行业就是一个典型的例子——使用和销售汽车产生的数据。有趣的是，我们现在几乎认为“云”是理所当然的——如果我们在 24 个月前回答了这个问题，云本来会是首要考虑因素，但现在它是赌注。不再是企业是否会上云，而是更多的问题是使用什么类型的云/云？ – 我们已经远远超出了基础设施的对话——如何和进入什么——以及为什么企业希望拥抱数字化。

人工智能 (AI) 和大数据是否正在推动第四次工业革命（工业 4.0）？

简历： 工业人工智能和数据的结合产生了我们所说的过程数字孪生，它通过从可用传感器和生产数据中挖掘洞察力，帮助制造商快速排除连续、离散或批量制造过程性能的故障。该技术利用预测分析，使用户能够分析运营场景，确定运营变化对关键绩效指标的影响，并确定绩效变化的原因。数字孪生通过回顾历史数据和实时数据来促进持续改进，这是行业未来的一个关键目标。

PL： 我们看到 AI/ML 的使用每天都在增加——库存优化、维护、更快的财务流程都是我们看到多次出现的关键领域。为了让这种情况继续下去，投资回报继续下去，人工智能需要被引入并准备好与其他系统一起使用，而不是一个附加的系统，否则企业将面临一个庞大且成本高昂的集成项目。就下一个具体技术而言，它实际上取决于单个公司或项目的成熟度——企业只是达到了数字结构的地步，而不是一堆数字项目。由 AI 驱动并由大量传感器数据提供支持的规范性工作为 B2B/工业市场带来了巨大的希望，我们在资产维护和现场服务方面看到了一些非常令人鼓舞的早期发展。