運用AI方式將變革企業(yè)

在工廠內(nèi)部，AI會把各種好處帶給生產(chǎn)以及諸如維護、質(zhì)量與物流等支持職能：

生產(chǎn)：連續(xù)加工以及離散型生產(chǎn)等環(huán)境中，制造商都會利用AI來降低成本提高速度，從而提升生產(chǎn)力。

維護：制造商會利用AI減少設備故障提高資產(chǎn)利用，AI會持續(xù)分析和學習機器和部件產(chǎn)生的數(shù)據(jù)。

質(zhì)量：制造商可以利用AI幫助盡早檢測出質(zhì)量問題。視覺系統(tǒng)利用圖像識別技術(shù)識別缺陷以及產(chǎn)品功能的偏差；同時還可以持續(xù)分析和學習由機器和生產(chǎn)環(huán)境產(chǎn)生的數(shù)據(jù)。

物流：此物流指的是產(chǎn)內(nèi)物流和倉儲，而不是外部供應鏈的物流。AI會促進場內(nèi)材料供應的自動轉(zhuǎn)移和效率，這對于管理制造多種產(chǎn)品衍生和定制產(chǎn)品所帶來的日益增長的復雜性是必不可少的。

報告：AI系統(tǒng)會根據(jù)事件報告建議相應事件的解決方案，而且還會持續(xù)分析和學習這些報告。

美國公司的高采用水平可能反映出那里的AI技術(shù)的廣泛普及。

即便如此，中國在AI投資上仍壓倒了美國，去年中國投資占到了AI初創(chuàng)企業(yè)全球投資的將近一半。

2017年中國國務院還頒布了《下一代人工智能發(fā)展規(guī)劃》，打算用三步走的策略到2030年達到AI全球領先水平；天津市政府已經(jīng)設立了300億元的基金來支持AI產(chǎn)業(yè)。

其他的新興國家，比如印度，其態(tài)度也類似，將AI采用視為保持其制造業(yè)全球競爭力的必要元素，并且對AI進行了大規(guī)模投資。

AI工廠各個方面所面臨的挑戰(zhàn)

機器學習算法嚴重依賴大量數(shù)據(jù)，但僅大量數(shù)據(jù)并不能構(gòu)成好的AI算法。

許多公司都坐擁大量數(shù)據(jù)存儲，但是他們的數(shù)據(jù)和軟件存在于單獨的孤島中，存儲方式不一致，模型和框架也不兼容。

即使客戶將企業(yè)視為一個統(tǒng)一的實體，但在內(nèi)部，跨部門和職能的系統(tǒng)和數(shù)據(jù)通常都是分散的。

從而阻止了數(shù)據(jù)的聚合，延遲了見解的產(chǎn)生，并使得無法利用分析和人工智能的力量。

此外，在將數(shù)據(jù)饋送到AI算法之前，必須對其進行預處理。

即使在處理諸如銷售記錄之類的結(jié)構(gòu)化數(shù)據(jù)時，也可能存在缺口，信息丟失以及其他需要解決的不準確之處。

在其他方面，例如為監(jiān)督的機器學習算法建立正確的指標和功能，在人類專家見解和AI預測之間找到正確的鴻溝，以及應對運行方面的挑戰(zhàn)實驗并驗證結(jié)果。

結(jié)尾：

但與金融等行業(yè)相比，雖然人工智能在制造業(yè)的應用場景不少，卻并不突出，甚至可以說發(fā)展較慢。

目前，隨著越來越多的企業(yè)進入人工智能領域，大批成功的人工智能開源軟件和平臺不斷涌入，AI工廠將迎來前所未有的爆發(fā)期。