利用数据和人工智能应对制造挑战

制造有望通过大数据和人工智能取得长足进步，但该行业的复杂挑战减缓了人们的接受度……

“在制造业中，您面临着不断提高质量同时降低成本和提高生产力的压力，”分析软件和解决方案领导者 SAS 说。在数字时代，这一点与以往一样真实，技术进步使我们比以往任何时候都更有效地应对挑战。

即使是粗略的一瞥，也可以清楚地看出，在所有将被数字化转型所震撼的行业中，近年来很少有比制造业发生的转变更为明显和戏剧性的了。从亨利福特的劳动力密集型生产线到现代工厂日益无人化的环境，大数据的出现大大加速了这一旅程。从制造运营、设备和机械、销售模式和需求波动中收集信息，使领导者能够制定战略以提高效率、产出和安全性。智能工厂的工业 4.0 愿景以最少的人力投入运行，同时产生更高的生产力、盈利能力和可靠性，具有巨大的吸引力，但实现这一目标带来了同样巨大的挑战，必须克服。

数据波

早在 2018 年，领先的咨询和外包服务提供商 Capgemini 就将制造业视为通过大数据改善运营的最大潜力之一，并表示采用大数据对于持续的业务成功至关重要。凯捷在 2018 年 11 月的一篇博文中说：“随着大数据分析不再是一个‘不错的选择’，公司必须找到合适的机会来提高工厂效率并产生洞察力。” “然后，大数据分析将为公司提供在日益复杂的环境中取得成功所需的竞争优势。”

随着海量数据——利用物联网 (IoT) 驱动的技术和 5G 每秒千兆位的传输速度进行操作的海量呈指数增长——带来了巨大的复杂性。组织不仅必须将广泛数据集的价值归零，而且还必须在被更新和更相关的数据取代之前将这些新生价值转化为可操作的见解。通常，原始数据必须与其他系统的遥测相结合才能提取其价值，而这种人类水平的专有技术很难获得。

人工智能案例

在全球范围内，训练有素的数据科学家供不应求，即使拥有一支顶级数据分析师队伍，组织数据的真正价值也被锁定在进行复杂分析的漫长时间以及人为错误的可能性之后，以及需要深入考虑的数据实施策略。对即时性和准确性的需求，特别是在广泛存在的数据技能差距的情况下，可以通过另一种新兴技术来解决：人工智能 (AI)。

其算法计算和分析可针对特定运营的需求进行定制，从而产生更准确、更快速可用的结果，使企业能够将这些数据转化为明智的行动，从而提高效率和生产力，根据实时需求扩展运营并提高安全性，在创造价值的同时，专业知识不足所带来的问题。它甚至可以通过预测性维护在问题出现之前发现问题，而这需要大量的劳动力和时间分配，而不能保证 AI 提供的准确性。

“预测性维护是物联网、大数据和分析产生重大影响的一个领域，”Oliver Wight EAME 合伙人 Debbie Heaton-Bowen 说。 “虽然它起源于 1990 年代，但先进技术的出现意味着预测性维护的能力最近已经‘增强’，特别是在智能工厂成为现实的制造业。计划外停机和糟糕的维护可能会给公司造成数百万美元的损失，但支持物联网的传感器可以检测到机器何时需要检查，从而防止发生更严重的故障，从而导致代价高昂的中断。预测性维护不仅可以识别人眼遗漏的错误，还可以做出完全以数据为依据的决策，以延长机器的使用寿命、降低服务成本并提高运营效率，从而获得更健康的利润。”

在其他地方，机器人技术是该行业的另一个趋势，显示出相当大的前景，而人工智能在跨制造流程部署时对其价值主张至关重要。 “正确集成后，这些机器人单元可以增强人们的技能和优势，从而提高工作效率并改善员工体验，”IT 服务领导者 Cognizant 的制造和物流首席数字官 Prasad Satyavolu 说。 “它们已经被部署在制造组织中，从在传统装配线上插入减震器或切肉，到充当巡逻巨大集装箱堆场的保安人员的眼睛的无人机。在这样做的过程中，新一代的自主同事正在解放人类来承担更高价值的工作。麻省理工学院的研究人员发现，与单独工作的人类或机器人相比，为宝马工作的人机团队的生产力大约高出 85%。”因此，人工智能可以同时弥合技能差距，并最大限度地让技术工人有时间专注于可以增加更多价值的任务。

采用人工智能的挑战

尽管它带来了明显的机遇，但管理咨询公司麦肯锡指出，人工智能在制造业中的应用速度明显放缓。麦肯锡说：“虽然人工智能技术已经对供应链和管理职能做出了切实的改进，但迄今为止它们在生产中的应用很少，”并指出这种缓慢采用的部分原因是对专业知识和知识渊博的劳动力的严重依赖，这鉴于人工智能能够将这种专业知识重定向到重复性较低的过程，这有点讽刺。对熟练劳动力的依赖本身就是加速人工智能在行业中整合的原因。

“由于运营商资质的差异不仅会影响绩效，还会影响利润，因此人工智能保存、改进和标准化知识的能力就显得尤为重要，”麦肯锡说。 “此外，由于它可以自行制定复杂的运营设定点决策，因此人工智能能够在难以吸引和留住运营商人才的市场中可靠地提供可预测和一致的输出。”

除了对人力资本的依赖外，许多工厂还依赖于甚至早于互联网的遗留机器，而过去二十年引入的机器需要进行一些修改，以使其与当今的数据收集技术兼容。同时，采购最具影响力的数据集、如何最好地解释它们和实施调查结果的问题不仅因公司而异，而且因部门和团队而异。

研究公司 NelsonHall 指出，采用 MES（制造执行系统）进一步增加了这种复杂性。多年来，MES 一直使公司能够更轻松地将其运营数字化并访问数据，但每个设施自己的 MES 的深度定制意味着与其他技术的兼容性和集成，例如整理和分析来自无数来源的数据的分析软件，是相当大的挑战。 “考虑到定制水平，MES 带来的困难在于升级困难且成本高昂，”NelsonHall 说。 “此外，MES 管理工厂的生产，因此它们是关键系统，因此需要严格的开发和实施、测试和推广。换句话说，它们可以与大型机应用程序相媲美：只要它们在运行，就没有人真正想深入接触它们。”因此，通常通过添加补充系统（例如 Dassault、Siemens、PTC 等提供的系统）来规避这个问题，这增加了更多的复杂性，许多运营商正在寻求精简和精简他们的技术基础设施以提高灵活性和敏捷性.

应对挑战 hydra

显然，成功利用制造数据集的挑战是巨大的：必须解决战略、遥测、集成、专业知识和遗留基础设施的每一个问题，以促进向工业 4.0 的无缝迁移。遗憾的是，仅靠人工智能无法解决成功实施将推动制造业进入工业 4.0 的基于数据的技术的难题。工业物联网、机器人技术、数字双胞胎和预测性维护都作为强大的制造现代化工具迅速受到关注，大数据和人工智能使每一个工具成为可能，但与它们的前辈一样，它们都需要大量的战略考虑才能真正成功。人情味和操作一致性是关键。

“成功的数据驱动转型战略需要综合考虑各种因素，包括组织文化、客户、员工和技术。这不能通过孤立的举措来实现，而是需要集中关注、中长期规划、赞助和直接来自商业领袖的投资，”Cognizant 副总裁兼制造、物流、能源和公用事业主管 Rohit Gupta 说。 “制造商需要评估他们当前的数字成熟度水平，了解业务和技术挑战，并明确设想在这种数字范式中蓬勃发展的路线图。这必须是一种迭代方法，致力于开发一个能够支持可扩展和可持续增长的基础，并在组织内建立具有明确里程碑的数据能力。”

外界的帮助是一个巨大的加速器，SAS、麦肯锡和凯捷等公司在弥合希望跨入智能未来的企业和制造巨头之间的技术和战略差距方面做了很多工作。毕竟，今天的科技生态系统建立在对外包的更大关注之上，并且知道外部专业知识在日益精细的科技领域往往更为优越。制造业极其复杂，一种规模永远无法满足所有人的需求，但利用数据和人工智能领域领导者的专业知识，肯定会克服所面临的挑战并释放工业 4.0 的巨大潜力。