小型制造商通过人工智能获得精益
人工智能被广泛认为是被广泛称为工业 4.0 的一个关键方面。虽然目前还没有人知道人工智能将如何被纳入工业革命的下一阶段，但大多数人都同意它将允许人、机器和信息技术之间更好的连接，使制造商能够更好地优化流程并预测问题。
通常没有时间或资金来测试新兴技术的中小型制造商 (SMM) 如何评估人工智能对其组织的影响——并在为工业 4.0 做好准备方面发挥作用?
可以说，等待制造业做出决定当然不是一种选择。一年、两年或五年的延迟可能会导致制造商落后。现在是采取行动的时候了，但前进的道路尚不清楚。
解决这个问题的一种方法是通过许多 SMM 已经接受的持续转型来评估人工智能：精益制造。
将“持续”置于人工智能的持续改进中
精益哲学的核心是持续改进的理念。这是对持续变革的承诺。做精益，必须时刻保持改变的意愿，这样一旦发现改进的机会，就可以迅速实施。
精益改进通过干预进行。如果发现问题，比如在流程中，工作就会停止。团队成员被要求观察、得出结论、做出判断，并最终采取行动解决问题的原因。这种间歇性操作就是精益的运作方式，尽管它的停-启节奏似乎与持续改进的想法根本不符。不过，这是目前可行的——或者至少是人类可能的。
现在，如果您不必停止工作来执行精益运营怎么办？如果您可以在工作进行的同时完成大部分基本精益流程（观察、得出结论、做出判断、采取行动），从而使精益流程更加连续，会怎样？这是人工智能对任何规模的制造业务的主要承诺之一。
精益运营可以从人工智能开始
人工智能是一个广阔的领域，包含了广泛的技术——从能够从数据集中学习的算法到类似于科幻小说中的东西的机器人。
就小型制造商而言，他们应该主要关注的人工智能类型是一个称为机器学习的子学科。正如 Amit Manghani 在他的“机器学习入门”中定义的那样：
Manghani 继续概述了四种类型的机器学习，所有这些都可以应用于精益制造。但是，这假设一家小型制造商愿意投资计算能力，以便为计算分析提供必要的数据：
- 监督机器学习
- 无监督机器学习
- 半监督机器学习
- 强化机器学习
让我们在下面更详细地探讨将机器学习应用于精益制造的这四个机会中的每一个：
1.监督机器学习
在监督机器学习中，算法解析传入数据，为满足预定义标准的任何数据分配标签。精益制造商可以使用这种技术来自动化复杂零件的质量控制，例如，假设可以记录相关零件数据并提供给算法。
2.无监督机器学习
使用无监督机器学习，算法可以用来对数据进行排序没有预先确定的答案。相反，算法必须在数据积累时观察和评估数据，识别模式并创建紧急标签。精益制造商可以使用这种类型的机器学习来监控生产机器（或一系列联网机器）的异常行为，从而预测故障。
3.半监督机器学习
顾名思义，半监督机器学习混合了监督和无监督方法。在半监督场景中，数据有一些现有的标签。随着时间的推移，在人工监督的帮助下，算法还制定了其他标准。半监督方案可用于优化重复性零件生产，有可能消除零件和工艺浪费。
4.强化机器学习
在强化场景中，算法会预测出一组可能的动作中哪个动作将导致最高的奖励。从事精益转型过程的 SMM 可以使用这种类型的机器学习来权衡他们设想的面向流程的变革的不同路径。
机器学习可以补充精益制造
专注于机器学习，人们可以开始看到人工智能应用程序如何对大多数制造商有用且易于访问，无论其规模如何。在某些情况下，已经安装的机器传感器、现有的信息技术 (IT) 和运营技术 (OT) 基础设施可能已经以数据的形式提供了难题的部分。
随着 SMM 开始考虑人工智能的应用，重要的是要记住，这些场景都不会自动威胁到人类的工作机会。相反，这些想法可以通过让员工访问实时信息和更好的工具来解决和执行工作中的问题，从而与增强员工权力的精益流程相辅相成。
一个有用的类比是当前的汽车传感器技术，它补充了人类驾驶员的意识和感知。这项技术不仅提高了安全性，还有助于通过调整道路上每个人的行为来确保整个驾驶系统中的摩擦更少。通过这种方式，汽车安全技术不会将任何人排除在驾驶方程式之外——它们使驾驶成为一种更安全、更高效的体验。
如果我们从这个角度来看，人工智能可以被视为精益工具箱中的另一个工具——尽管它具有非常强大的潜力。
工业技术