利用数据与AI转型制造业：攻克行业挑战

制造业通过大数据和AI可取得显著进展，但行业复杂挑战减缓了采纳步伐……

“制造业中，您面临持续提升质量、同时降低成本、提高生产力的压力，”分析软件和解决方案领导者SAS说。数字时代此话依然真实，技术进步合谋比以往更有效应对挑战。

粗略一瞥即明，在数字化转型震动的所有行业中，近年鲜有比制造业变革更可见、更剧烈的。这段旅程从Henry Ford劳动密集型生产线到现代工厂日益无人化环境，被大数据出现大幅加速。从制造运营、设备机械、销售模式和需求波动收集信息，使领导者能为更高效率、产出和安全制定战略。以最少人工投入运行、产出更高生产力、盈利和可靠性的工业4.0智能工厂愿景极具吸引力，但实现此目标带来同样巨大挑战，必须克服。

数据浪潮

2018年，领先咨询外包服务商Capgemini认定制造业在大数据带来运营改善潜力最大行业之列，甚至称其采纳对持续商业成功至关重要。“大数据分析不再是‘锦上添花’选项，公司必须识别正确机会提升工厂效率、生成洞见，”Capgemini在2018年11月博客说。“大数据分析将提供企业在日益复杂环境中成功所需竞争优势。”

伴随海量数据——利用物联网（IoT）技术和5G千兆每秒传输速度的运营数据量指数级增长——而来的是巨大复杂性。组织不仅必须锁定广泛数据集价值，还须在新数据超越前将潜在价值转化为可执行洞见。原始数据常须与其他系统遥测结合才能提取价值，这种人类层面诀窍难觅。

AI的理由

全球范围，训练有素数据科学家供不应求，即使拥有顶级数据分析师舰队，组织数据真实价值仍锁在冗长复杂分析时间、人为错误可能性、深思熟虑数据实施策略需求之后。对即时性和准确性的需求，特别是普遍数据技能缺口，可由另一新兴技术回应：人工智能（AI）。

其可定制算法计算和分析针对特定运营需求，产出更准确、快速可用的结果，使企业能将数据转化为改善效率生产力、按实时需求扩展运营、改善安全的明智行动，拔除专业知识短缺带来的问题并构建价值。甚至能通过预测性维护在问题出现前捕获——无AI承诺的准确性，这将需大量劳动力和时间分配。

“预测性维护是IoT、大数据和分析产生显著影响领域之一，”Oliver Wight EAME合伙人Debbie Heaton-Bowen说。“虽起源于1990年代，先进技术出现意味着预测性维护能力近期被‘超级充电’，特别是智能工厂成现实的制造业。非计划停机和不良维护可让公司损失数百万，但IoT传感器可检测机械何需检查，防止更严重故障发展导致高昂中断。预测性维护不仅识别人眼遗漏错误，还纯数据驱动决策延长机械寿命、降低服务成本、提高运营效率实现更健康利润。”

别处，机器人是行业另一显示巨大希望趋势，AI对跨制造流程部署时的价值主张至关重要。“整合得当时，这些机器人单元能放大人类技能和优势，提升职场效率、改善员工体验，”Cognizant制造与物流首席数字官Prasad Satyavolu说。“它们已跨制造组织部署，从传统装配线插入减震器或切肉、到无人机充当巡逻广阔集装箱场安保人员眼睛。新型自主同事由此释放人类从事更高价值工作。MIT研究发现，为宝马工作的人机团队比单独人或机器人生产率高约85%。”AI从而同时弥合技能差距、最大化熟练工人可用时间专注增值任务。

AI采纳挑战

尽管呈现清晰机遇，管理咨询麦肯锡指出AI在制造业采纳显著缓慢。“AI技术已在供应链和行政职能切实改善，但迄今在生产中鲜有踪迹，”麦肯锡说，指出缓慢采纳部分源于对专业知识和知识型劳动力的高度依赖，考虑到AI将此专业知识重定向到少重复流程的能力，这颇具讽刺。依赖熟练劳动力本身就是加速AI行业集成的理由。

“既然操作员资格变异影响不仅绩效也利润，AI保存、改进、标准化知识能力更重要，”麦肯锡说。“而且，既然能自主做复杂运营设定点决策，AI能在难吸引留住操作员人才市场可靠交付可预测一致产出。”

除对人力资本依赖，许多工厂依赖互联网前的遗留机械，过去二十年引入的也需一定修改兼容今日数据采集技术。同时，采购最有影响力数据集、如何最好解读和实施发现因公司、部门和团队而异。

研究机构NelsonHall指出制造执行系统（MES）采纳进一步增加复杂性。MES多年使企业数字化运营、更易获取数据，但每个设施自有MES深度定制意味着与分析软件等其他技术兼容集成——从无数源收集分析数据——是重大挑战。“MES带来困难在于鉴于定制程度高，升级困难昂贵，”NelsonHall说。“且MES管辖工厂生产，属关键系统，需严格开发实施测试推广。换言之，可比主机应用：只要运行，没人真想深碰。”规避此问题常通过增加互补系统，如达索、西门子、PTC等提供，在许多操作员寻求精简瘦身技术基础设施以增灵活敏捷处又增复杂性。

应对挑战九头蛇

显然，成功驾驭制造数据集挑战巨大：战略、遥测、集成、专业知识、遗留基础设施各须解决以促进无缝移向工业4.0。AI孤身悲叹，无法解决成功实施将推动制造业进入工业4.0的数据技术头痛。工业物联网、机器人、数字孪生、预测性维护皆作为制造业强大现代化工具快速获牵引，皆由大数据和AI赋能，但如其前辈，各需相当战略考量方能真正成功。人为因素和运营对齐是关键。

“成功数据驱动转型战略需考虑组织文化、客户、员工、技术等各因素综合视角。不能通过孤立举措实现，而需集中关注、中长期规划、赞助、直接来自业务领导的投资。”——Cognizant制造、物流、能源、公用事业副总裁兼负责人Rohit Gupta

外部帮助是巨大加速器，SAS、麦肯锡、Capgemini等已做大量工作填补企业和制造巨头技术战略鸿沟，以跃入智能未来。毕竟，今日技术生态系统建立在更大外包焦点和认知上：外部专业知识在日益颗粒化技术空间常更优。制造业深度复杂，一刀切永远不行，但跨数据和AI领域领袖专业知识定能克服挑战、释放工业4.0巨大潜力。