人们已经无法逃避人工智能（AI）的浪潮。无论他们走到哪里，都会有一则电视广告在推销最新的AI软件。似乎每个供应商都在推销最新的工具包。每天都有一篇关于 ChatGPT、Bard 等新用例的文章。世界似乎在尖叫：人们现在需要AI！

人们已经无法逃避人工智能（AI）的浪潮。无论他们走到哪里，都会有一则电视广告在推销最新的AI软件。似乎每个供应商都在推销最新的工具包。每天都有一篇关于 ChatGPT、Bard 等新用例的文章。世界似乎在尖叫：人们现在需要AI！
Image description
AI确实正在成为自动化和工业领域的关键技术。但对于那些刚接触AI技术的人来说，并不总是很清楚从哪里开始。AI如何应用于自动化应用？它在哪里最有价值？如何衡量其成功与否？

以下是制造商在评估 AI 用于其自身业务运营时应考虑的10件事，以及他们在将AI引入其流程时应采取的步骤：

1. 定义需要解决的问题

不要只是为了使用AI而使用AI。从一个真正的问题开始，例如一个现实的生产问题。

“您可能会遇到生产瓶颈，因为您没有足够的训练有素的检测专家。” 3M公司的视觉专家Jeff Adolf说。他负责将AI引入3M的许多基于视觉的自动化流程中。

借助AI识别，您可以无需人工干预即可明确通过或失败的部分，从而扩展当前专家库的能力。这意味着您的专家可以将更多时间集中在需要专家检查的零件上。

在定义问题时，3M的专业数据工程师 Nick Blum 建议关注流程并寻找流程数据与流程性能之间的关系。

“例如，光是将数据整理在一起，以确定工厂车间问题的根本原因就可能需要数周时间。借助基于AI的高级流程分析，我们可以帮助我们的工程师在几分钟或几小时内找到问题的见解。”Blum 说。

在定义问题时，建议从评估业务影响开始。在尝试解决问题之前，了解和量化问题的业务影响至关重要。

首先查看整体设备效率（OEE），以确定最大的机会在哪里。量化与 OEE 改进相关的影响，建立基线，然后探索问题的潜在解决方案（AI 或其他）。这种自上而下的方法比自下而上的工作要有效得多。

2. 确定AI解决方案的真正价值

虽然AI可以提高自动化效率和准确性，但它可能不是目前应用程序的最佳解决方案。

例如，特定的AI解决方案可能会将生产线上的缺陷数量减少50%。但是，如果缺陷率已经达到1%，那么节省0.5%的缺陷可能无法证明AI基础设施的成本是合理的，更不用说开发解决方案和中断生产线部署它的成本了。

“如果你用一个复杂的视觉系统代替人工操作，而这个系统仍然需要人来抽查其结果，那么你到底节省了什么？” Adolf说。

相反，寻找最大的机会，因为这些机会很有可能带来最大的收益。然后用可衡量的结果（如停机时间或产量）来量化需要改进的地方。

例如，3M公司在一个基准产量为88%的流程中实施了人工智能。在接下来的几个月里，该公司的产量提高了7%，生产线的稳定性也提高了。

AI不仅能帮助企业节省成本，还有一些很难量化的无形收益。有时，价值会以提高安全性或环境可持续性的形式出现。虽然难以量化，但这些间接利益应该得到承认。

确定价值时要考虑的关键因素之一是可扩展性。

AI需要研究、开发、测试、部署、维护和定期再培训。西门子产品管理总监Bernd Raithel表示，由于涉及学习曲线，部署成本通常很昂贵，而且当AI仅部署在单个位置时，可能很难收回这些成本。

“如果你只有一台机器和一个操作员，”Raithel说，“AI可能无法提供你所寻求的好处。这就是为什么许多小型制造商认为AI对他们的应用不可行的原因之一。然而，对于可以在 50 条生产线上应用该技术的企业来说，AI是一个完全不同的价值主张。”

3. 咨询专家

许多人错误地认为数据科学家将是从事AI系统工作的最重要的人。然而，许多应用已经不再需要数据科学家了。

如今的AI模型开发工具已经高度自动化。企业不需要了解数学或神经网络，就能建立一个强大的AI系统。认识到这一点很重要。AI日新月异，工具的变化也同样迅速。

专家是真正了解问题的人。“你需要确保每天使用或依赖AI系统的人从一开始就参与进来。”Raithel 说。

与领域专家的整合至关重要。他们通过确定 A 类产品、B 类产品和缺陷之间的区别来完善要解决的问题的定义。Blum 补充说：“专家能够定义稳定的流程应该是什么样的。”

4. 收集数据

在正确的位置获取正确的数据是AI应用的基础。

要构建AI模型，企业需要数据及其背景信息。对于所需的数据量没有硬性规定，但它需要充分表示操作条件并捕获过程中不受控制的可变性来源，即温度、湿度、原材料、工作人员、照明条件、维护等。否则，当发生差异时，AI模型的准确性可能会下降。

收集可用的数据，即使他们还不知道如何使用这些数据。考虑一个AI模型，该模型可以预测生产线何时停止。如果一家公司已经知道要观察哪些参数，他们将能够手动进行预测。但并不总是清楚哪些参数是重要的。

也就是说，在引入AI时，应从企业已经可以掌握的简单参数或数据开始。Raithel指出，他们还必须考虑需要哪些数据来监控AI。“你需要一种方法来验证AI是否按照你的预期工作和交付。”

获取所需的数据并不总是那么容易。如果它们的缺陷率较低，则收集反映这些缺陷的数据可能具有挑战性。如果需要，制造商还可以求助于虚拟环境来获取训练数据。

5. 适时引入AI合作伙伴

在自动化系统中部署AI的方法有很多很多，制造商需要考虑处理能力、连接性、架构和整体基础设施。硬件和软件都有很多东西需要弄清楚。

“您要解决的问题定义了您需要的基础设施。”Raithel说。例如，AI处理可以集中或在边缘实施。制造商只有在了解问题后才应该决定他们需要什么硬件或软件。他们必须了解可用的解决方案，以便能够确定解决特定问题的最佳方法。

如果制造商没有AI方面的经验，那么让合作伙伴参与进来，帮助了解各种选择、直接回报和对组织的长期利益是有意义的。

不过，Adolf提出了这样一个注意事项：不要在一开始就选择合作伙伴。许多公司都会立即跳到这一步。但是，如果不先了解你的问题和你想要改进的地方，你怎么能找到最佳的技术解决方案呢？

6. 从小处着手——“保持简单”

思考要解决的总体问题。然后选择一个领域开始着手。这不应该是最艰巨的挑战。从小处入手，选择一个有成功保障的问题。

“保持简单，”Raithel 说，“许多公司都考虑从基于视觉的系统开始。视觉系统很吸引人，而且往往具有极高的投资回报率。但视觉系统包括照明、摄像机选择、角度、反射、时间和许多其他因素。这很复杂。产品质量缺陷检测与区分猫狗完全不同。”

Adolf建议，看看制造商可以在哪些方面快速增加价值。如果他们有产量损失，找出良品率损失的根源，并确定他们能做些什么。例如，他们可以用一个简单的AI系统取代过时的系统从而提高效率。

另一个陷阱是认为有一些经过验证的算法可以从网上下载。

“你的零件和问题可能是前人从未见过的。即使是确认两个连接器是否紧固这样简单的事情也不简单。”Raithel说。直接采用的结果，很有可能是从头开始。

7. 分阶段验证AI方案

降低风险的一种方法是分阶段验证AI解决方案。

例如，3M 公司在视觉方面的一项人工智能试点应用是改进光学薄膜工艺。现有系统性能不佳，基线超标率高达 15%，这意味着 15%本应合格的部件被检测系统拒之门外。

“我们在现有设备上引入了AI作为软件增强功能，使基准超标率降至不到 2%。同样，欠标率也从5% 降到了0.5% 以下。” Adolf 说。

当 3M 在光学薄膜工艺之上实施AI时，他们首先将其与现有系统并行部署以验证结果。“我们使用相同的部件运行系统，以评估AI增强的有效性，直到我们对AI系统充满信心。”Adolf 说。

8. 维护和更新AI系统

更新几乎是每个基于AI的系统的重要组成部分。当环境差异（如照明）或原材料（如某个组件出现了不同的阴影）发生变化时，这可能会对性能产生负面影响。如果设置发生变化，例如相机被敲击并且角度发生变化，这也可能会改变所有当前数据。

随着设备的老化，设备也会缓慢变化，这一过程称为漂移。例如，随着时间的推移，加热器可能需要增加 10% 的工作强度才能保持正常运行。

系统可能需要更新以适应这些变化。不过，即使是能够适应变化的系统也需要进行更新。特别是，随着新数据的收集，AI模型可以得到完善，从而提高其效率、准确性和对结果的信心。

“如果您只有一台机器，那么保持最新状态就很容易了。但生产线往往有很多机器。您需要一种集中式方式进行大规模更新。集中式方法还具有简化操作和实现监控的额外好处。当系统易于更新时，就很容易将性能保持在最佳水平。” Raithel说。

此外，他提醒企业不要忘记操作员和工程师。他们需要随时了解系统的变化情况，而这需要额外的时间和精力。

9. 衡量结果并从中学习

所有历史数据的重要价值之一在于有一个衡量成功的基线。能够显示投资回报率对于获得下一个项目的支持很重要。

尽管如此，有时投资是为了学习一项新技术。Adolf说：“你的首次部署可能会亏损，但它为日后大规模节约成本做好了准备。”

换句话说，第一次部署可能只是为了积累经验，同时将风险降到最低。

10. 重新思考AI的可能性

AI最引人注目的商业案例之一是，是它使制造商能够做一些人类无法轻易做到的事情。

Raithel谈到了一个与印刷电路板生产瓶颈相关的项目。在AI技术出现之前，每块电路板都必须经过X射线检查。为了增加产量，西门子将不得不再投资50万欧元购买另一台 X 光机。

“借助预测性AI，生产线能够确定30%的电路板是好的，不需要进行X射线检查。”Raithel 说，“结果是：我们生产线的产能增加了30%。”

这是一个很好的例子，说明AI可以做的不仅仅是减少缺陷。如果创造性地使用，AI可以提高产量或效率。它还说明了AI如何可靠地执行复杂的任务。

另一个例子是预测性维护。AI不仅可以预测何时出现故障，还可以预测什么东西会发生故障，而不是定期安排停机时间来查看机器是否有磨损。“你可以更快地解决问题，因为技术人员甚至知道要带什么零件，”Raithel 说。

衡量在哪里使用AI的一个很好的标准是复杂成都。如果只有5个参数需要考虑，一个人可能会处理它。当有数千个参数时，一个人不可能找到一组好的组合来观察。这就是AI真正可以增加价值的地方。

在3M公司，Adolf为生产添加的视觉系统中有90%在过去是无法实现的。技术根本无法做到这一点。例如，在一条车牌生产线上，3M 印刷车牌图形，然后增加下游价值，如反光性和耐候性。

尽管绝大多数缺陷都发生在印制过程中，即流程的第一部分，但人不可能在这一阶段对车牌进行检查，并判断其日后是否会出现故障。“有了AI，我们可以从源头上识别缺陷，并在支付防反光和防风雨处理费用之前抓住它们。我们不仅提高了产量，还降低了每个缺陷的成本。” Adolf说。

人工智能值得投资吗？Raithel 认为这是值得的。今天，西门子在安贝格的工厂员工人数与1990年时的人数差不多。然而，生产率是当时的17倍。他将这一增长归功于技术，而AI将实现下一阶段的改进。有了人工智能，人们可以专注于他们能提供最大价值的地方。
来源：控制工程网