AI如何驱动现代制造业效率与创新

Dept首席技术顾问Jonathan Whiteside详述AI改善制造运营的三大路径。

工业4.0在制造界不再是流行语，而是新现实。新冠疫情加速了这一现实。疫情前三个月，数字化推进了相当于十年的进程，企业与消费者共同适应在线世界。

面向未来的业务三大基石——敏捷性、韧性、创新性——均可通过数字解决方案投资得到强化。面对精简运营、降本增收压力，数字化转型已成当务之急。

“数字化转型赢家利用颠覆性技术应对业务挑战，通过实际应用驱动改进。数字化运营流程对制造商应对危机需求挑战至关重要，被视为制造业演进的自然步骤。”Jonathan Whiteside表示，“所幸创新已达新阶段，AI、物联网（IoT）等新兴技术广泛可用，加速传统制造业转型。制造商可在三大关键领域实施AI，增强韧性、改善利润：预测、状态维护、沟通。”

#1 需求规划与预测

机器学习能以人类无法企及的速度自动化分析、检测数据模式。它将数据分割推向简单关键词聚类之外，开启从新数据源获取信息的机会。应用于预测模型，成效显著。据统计，AI驱动预测可将供应链网络误差降低30%-50%。准确性提升使因库存缺货导致的销售损失减少达65%，仓储成本降低10%-40%。AI在供应链影响达1.2万亿至2万亿美元。

鉴于此，难怪机器学习被全行业需求规划师拥抱。机器学习预测的速度与准确性带来多重收益，因供货改善带来的客户体验提升仅是冰山一角。预测有信心时，缓冲库存可降低，从而减少营运资金占用、释放宝贵空间。更好预测可在从改进运输规划到优化劳动力排程的整个价值链创造节约。

提升需求预测准确性在各行业均显成效，消费品制造商领跑。法国达能集团利用机器学习改善市场、销售、客户管理与供应链的规划协同。通过AI驱动需求建模，达成渠道或门店级库存目标服务水平。系统使预测误差降低20%、缺货损失销售减少30%、产品陈旧降低30%、需求规划师工作量减半。

机器学习与AI不仅影响公司如何制造，也影响制造什么. 凭借识别消费口味变化的能力——通过分析数据发现趋势，包装食品公司可调整配料推出限时特供迎合消费者。也有重大机会识别产品扩展潜力领域，加速上市进程。

#2 开发与维护

人工维护制造设备成本高、耗时长，且设备故障风险高，重创生产进度、降低生产力。因此，预测机器何时可能故障是AI在制造业目前最流行用例。

“非计划停机可通过预测性维护预防。制造商能建立资产存活保护计划，指示何时升级设备最合算，通过响应警报、解决发生的小问题实现。监督与非监督机器学习算法实时解读数据偏移。几秒内可利用多种数据类型检测先前未知的流程、产品与工作流。”Whiteside表示。

设备传感器数据采集热量、振动、运动；可编程逻辑控制器（PLC）数据追踪机器输入输出；工厂摄像头捕获计算机视觉数据；时间序列数据基于历史确定机器状态。相关外部数据源也纳入考量，如天气变化或关联设备连锁效应。这些发现为训练机器学习模型、产品开发、装配线优化提供极佳语境数据源。

#3 沟通策略

AI与机器学习不仅用于运营流程。其从音频、图像、视频等多源检测模式的能力，可改善客户与员工沟通。应用于沟通渠道，企业可大幅节省时间。

AI聊天机器人可缓解呼叫中心压力，释放现场销售团队专注新客获取，同时及时提供相关答案回应客户疑问。若使用数字孪生，也应知晓维护周期与产品潜在升级或问题。自动化沟通流程在客户联系前主动告知，将在客户服务中赢得口碑。

得益于在线网络连接进步，最近5G设备推出与蓝牙持续强化，连接支撑关键业务功能的各类设备从未如此容易。这通过数据分析与自动化两种方式实现。互联数据常通过云软件汇聚在单一易访问处。企业可用云应用收集网站高频FAQ、履约退货记录、物料采购数据。可追踪客户何时开始经历特定产品问题、问题是否可通过支持解决或需召回、是否对应特定供应商订单。两者结合，可推断问题与解决方案。

以可扩展解决方案向前迈进

全球制造企业为应对新冠疫情挑战加速数字化。英国超五分之二制造商（43%）表示过去一年其业务运营已数字化。尽管近95%全球制造商或供应链运营商称受疫情负面影响，但82%现在感到准备好应对未来类似事件。核心收获：转型拥抱数字化赋能者的能力。

汲取全球领军者灵感与经验。如通过多种方式优化生产现场能耗、机器操作质检、自主调整风机叶片位置提升风电场产出。将新级别质量管控引入制造中心。制造组件经工业射线照相检查验证各部件完整性与内部结构。

制造业比以往任何时候都更具备利用AI策略的条件，其价值已愈发清晰。聚焦数字化、贴近最终用户、创新数字生态系统满足客户需求，制造商可避免商品化、更有利地击败竞争对手、培育新老客户长期忠诚度。

更多制造业话题请参阅《Manufacturing Global》最新版。

关注我们的 LinkedIn 和 Twitter。