编译|智堡
多年来，汽车制造商一直承诺，首款全自动驾驶汽车将于2018年上市。显然，这并没有发生。尽管全球汽车技术产业仅在2018年就投资了80亿美元，一些汽车现在有了一些自动驾驶功能，但它们无法在没有人驾驶的情况下体验真实世界的驾驶。
同样，制造专家多年来一直预测，只要有人工智能(AI)和机器学习(ML)的支持，机器和机器人就会变成完全自动化的工厂，不需要任何人类的互动。但即便是当今最先进的自学习人工智能系统，也无法与人类工程师执行的广泛任务相匹配，因此需要专业人士来教授人工智能系统如何学习。
为什么人工智能没有达到宣传的效果？简而言之，这是因为人们，包括所谓的专家和公众，都对人工智能的潜在能力抱有过高的期望。在人工智能和机器人取代人类的热潮中，人们认为人工智能和机器学习能够学习推理和抽象思考，并像人类一样对不可预见的事件做出反应。这与事实相差甚远。事实上，人工智能的技术状态具有4岁儿童的推理能力，因此显然无法独立管理工厂内部的复杂操作。这并不是说人工智能没有什么可提供的。人工智能的当前状态能够解决许多制造业急需的任务，比如检测质量故障的模式和识别潜在的效率。但人工智能无法对未知的环境做出反应，比如一种未知的处理技术或一种全新的产品，或者找出如何应对随机的和不寻常的情况，比如一个新的和以前未知的故障或停电。
制造业如何从人工智能中受益?
要释放AI的全部价值，有两个关键的先决条件:提出一个可以用客观事实解决的清晰问题，并积累大量的训练数据——要么是真实世界的数据，要么是一个可以模拟的问题。简而言之，让人工智能来处理谨慎、狭隘的任务，让人类来处理带有未知变量的复杂问题。例如，人工智能擅长在明确定义的流程流中优化流程效率，而人类则更擅长重新设计和优化车间布局。同样地，人工智能在实时识别质量问题方面非常强大，但在解决这些问题的根本原因方面，人类仍然更胜一筹。
三个例子
然而，在制造业的许多领域，人工智能正在被成功运用。事实上，超过50%的大型跨国公司将在未来五年内在其供应链运作中广泛应用支持人工智能的解决方案！因此，全球在认知和人工智能系统上的支出正以每年50%以上的惊人速度增长，并将在2019年超过200亿美元。虽然在供应链中实现了广泛的用例，但是有三个特别有前途的例子：需求预测、生产计划和调度，以及可视化模式识别。
1. 需求预测
管理供应链最具挑战性的一个方面是预测未来的生产需求。机器学习被证明在关联成百上千的因素和得出比传统统计方法更精确的结果方面非常有效。因此，企业可以降低库存和运营成本，更快地响应客户需求。例如，通过在供应链中使用机器学习引擎，一家领先的气候控制产品供应商的销售额增加了50%，库存周转率增加了25%。然而，企业应该意识到，基于人工智能的预测有其局限性，只能预测与以前事件直接相关的未来结果。
2. 生产计划与调度
与传统的企业资源规划和生产计划解决方案相比，机器学习可以考虑多种约束并对其进行更有效的优化。例如，人工智能引擎可以消化机器数据(速度、振动)、环境数据(温度、湿度)、规划参数(等待时间)、预测数据(需求)等等。然后，他们将这些大量的输入数据与关键指标的输出值关联起来。通过揭示积极结果中的模式，他们可以获得改善业务绩效的见解。此外，车间操作可以与人工智能调度实时交叉链接，以改进反馈回路中每次生产运行的决策。因此，企业正在减少零部件的交货时间，提高设备利用率达85%。
3. 视觉模式识别
人工智能也被证明在工厂和物流枢纽中的自动化视觉质量检查方面非常有效。现代人工智能系统可以通过深度神经网络训练来识别复杂的视觉模式，这种神经网络甚至可以识别微小的物质缺陷。例如，全球最大的物流公司之一利用强大的人工智能引擎来确定一个集装箱是否受损，并建议实时修复资产的最佳行动方案。同样，精密机械供应商可以通过应用全自动视觉检测系统来保证产品100%无缺陷。这些例子表明，尽管完全自动化的“零人类”工厂更像是科幻小说里的梦想，而不是现实，但已经有许多切实的用例——尤其是在供应链方面——正在提升今天的企业业绩。
免责声明：本文仅代表原作者观点，不代表智堡立场。
