我們無法逃避人工智能這個風口，宣傳人工智能軟件的廣告鋪天蓋地，似乎每個供應商都在推出最新的工具包，每天都有關于 ChatGPT、Bard 等新用例的文章。似乎全世界都在說：你現在需要人工智能！

人工智能確實正在成為自動化和工業領域的一項關鍵技術。但對于那些剛接觸人工智能技術的人來說，并不總是清楚從哪里開始。AI如何應用于自動化應用？哪里可以發揮最大的價值？該如何衡量成功？

將這篇文章視為您的人工智能入門清單。接下來介紹制造商在評估自身業務運營中的人工智能時應考慮的 10 件事，以及將人工智能引入其流程時應采取的步驟。

一、明確你需要解決的問題

不要僅僅為了使用人工智能而使用人工智能，要從一個真正的問題、一個真正的生產問題出發。

“你不想在接觸人工智能時說，‘我想使用人工智能進行視覺處理，’ 3M公司視覺專家杰夫·阿道夫 (Jeff Adolf) 說道，他負責將人工智能引入到 3M 許多基于視覺的自動化流程中。

“例如，您可能會遇到生產瓶頸，因為您沒有足夠訓練有素的專家，”阿道夫說。“借助人工智能，可以通過讓人工智能識別無需人工交互即可明確成功或失敗的部分，來擴展當前專家庫的能力。這意味著專家可以將更多時間集中在需要專家檢查的流程上。”

在定義要解決的問題時，3M公司的專家數據工程師 Nick Blum 建議關注流程并尋找流程數據和流程績效之間的關系。

“例如，僅將數據整理在一起以確定工廠車間問題的根本原因就可能需要數周時間。通過基于人工智能的先進流程分析，我們可以幫助我們的工程師在幾分鐘或幾小時內找到問題的原因。”Blum 說道。

在定義要解決的問題時，布魯姆建議首先評估業務影響。“在嘗試解決問題之前，了解并量化問題對業務的影響至關重要。首先查看資產效率 (OEE)，以確定最大的機會在哪里。量化與 OEE 改進相關的影響，建立基線，然后探索問題的潛在解決方案（人工智能或其他）。根據我的經驗，這種自上而下的方法比自下而上的工作更有效。從根本上來說，這只是基本的六西格碼問題解決方法。”

二、確定人工智能解決方案的真正價值

雖然人工智能可以提高自動化效率和準確性，但目前它可能不是適合你的最佳解決方案。例如，特定的 AI 解決方案可能會將生產線中的缺陷數量減少50%。然而，如果缺陷率已經達到1%，那么節 0.5% 的缺陷可能無法證明人工智能基礎設施的成本是合理的，更不用說開發解決方案和中斷生產線來部署它的成本了。

“如果你用一個復雜的視覺系統取代一個人，但仍然需要一個人抽查其結果，你真正節省了什么？” 阿道夫說。

相反，尋找最大的機會，因為這些機會很有可能提供最大的利益。然后根據可測量的結果（例如停機時間或產量）來量化你試圖改進的內容。

例如，3M 將人工智能應用到流程中，基準良率為 88%。在接下來的幾個月里，該公司的產量增加了7%，同時生產線的波動性也降低了。

但人工智能不僅僅是省錢，而且很難量化所有無形的好處。有時，價值以避免成本、提高安全性或環境可持續性的形式出現。雖然難以量化，但這些間接效益應該得到承認。

確定價值時要考慮的關鍵因素之一是可擴展性。人工智能需要研究、開發、測試、部署、維護和定期再培訓。西門子產品管理總監 Bernd Raithel 表示，首先，由于涉及學習曲線，部署成本通常更加昂貴，并且當人工智能僅部署在單個位置時，可能很難收回這些成本。

如果你只有一臺機器和一名操作員，人工智能可能無法提供你正在尋找的好處。這就是許多小型制造商認為人工智能不適合其應用的原因之一。然而，對于可以在 50 條生產線應用該技術的公司來說，人工智能是一個完全不同的價值主張。

三、咨詢專家（但他們可能不是你想象的那樣）

許多人錯誤地認為數據科學家將是人工智能系統中最重要的人員。然而，許多應用程序已經不再需要數據科學家。

當今的人工智能模型開發工具是高度自動化的，你不需要了解數學或神經網絡來構建強大的人工智能系統，認識到這一點很重要。人工智能正在快速變化，工具也在快速變化。

真正了解問題的人是你自己的專家。

“你不希望由一個小團體來定義其他人會做什么。你需要確保日常使用或依賴人工智能系統的人們從一開始就參與其中。”西門子的 Raithel 說道。

與您的領域專家的整合至關重要。他們通過確定 A 類產品、B 類產品和缺陷之間的差異來完善要解決的問題的定義。

“你的專家能夠定義穩定的流程是什么樣子，”布魯姆補充道。

四、收集你的數據

在正確的地方獲取正確的數據是人工智能的基礎。

要構建人工智能模型，你需要數據和背景。對于所需的數據量沒有硬性規定，但需要充分代表操作條件并捕獲過程中不受控制的變化源，即溫度、濕度、原材料、工作人員、照明條件、維護等。當出現方差時，AI模型的準確性可能會下降。

收集可用的數據，即使你還不知道如何使用它。考慮一個預測生產線何時停止的人工智能模型，如果你已經知道要觀察哪些參數，則可以手動進行預測，但并不總是清楚哪些參數是重要的。

也就是說，當您開始引入人工智能時，請從你已經可以訪問的簡單參數或數據開始。西門子的 Raithel 指出，你還必須考慮監控人工智能需要哪些數據。需要一種方法來驗證人工智能是否按照你的預期工作和交付。

獲取所需數據并不總是那么容易。如果缺陷率較低，那么收集反映這些缺陷的數據可能會很困難。如果需要，你還可以轉向虛擬環境來獲取訓練數據。Raithel 說：“通過虛擬環境，你可以‘拍攝’逼真的照片，并基本上創建一些你需要的訓練數據。”

五、考慮引入人工智能合作伙伴———但不是第一步

在自動化系統中部署人工智能的方法有很多，你需要考慮處理能力、連接性、架構和整體基礎設施，硬件和軟件都有很多東西需要解決。

“你試圖解決的問題決定了你需要的基礎設施，”西門子的 Raithel 說。例如，人工智能處理可以集中化，也可以在邊緣實施。只有在了解問題后，你才應該決定需要什么硬件或軟件。您還必須了解可用的解決方案，以便能夠確定解決特定問題的最佳方法。

如果您沒有人工智能方面的經驗，那么聘請合作伙伴來幫助您了解您的選擇、他們的直接回報以及對您公司的長期利益是有意義的。

阿道夫確實提出了這樣的警告：不要通過選擇合作伙伴來啟動項目。

“許多公司立即跳到這一步。但是，如果不首先了解您的問題以及您想要改進的內容，您如何才能找到最佳的技術解決方案呢？”

六、從小事做起———“保持簡單”

考慮一下您想要解決的總體問題。然后選擇一個領域開始。這不應該是最困難的挑戰。從小事做起，選擇一個可以保證成功的問題。給自己一個獲得專業知識的機會。只要確保這是一個可以解決的問題即可。

“保持簡單，”雷塞爾說。“許多公司考慮從基于視覺的系統開始。愿景很好，而且往往具有出色的投資回報率，但視覺包括照明、相機選擇、角度、反射、一天中的時間以及許多其他因素。這很復雜。質量缺陷檢測與區分貓或狗完全不同。”

3M 的阿道夫建議尋找可以快速增加價值的點。如果出現良率損失，請確定良率損失的來源并確定可以采取哪些措施。例如，可以通過用簡單的基于人工智能的系統替換過時的系統來提高效率。同樣，可以在昂貴的增值過程之前專注于識別潛在缺陷的零件。

另一個陷阱是認為有經過驗證的算法可以從互聯網上下載。

“你可能遇到了以前沒有人見過的零件和問題，”雷塞爾說。“即使是確認兩個連接器是否緊密固定這樣簡單的事情也并不簡單。很可能，你將不得不從頭開始。”

七、分階段證明人工智能的可行性

降低風險的一種方法是分階段證明人工智能解決方案。

例如，3M 的視覺人工智能試點應用之一是改進光學薄膜工藝。現有系統性能不佳，基線超標高達15%，這意味著本應通過的零件中有15%被檢查系統定為不合格。

“我們將人工智能作為現有設備的軟件增強引入，它將我們的基線超標率降至不到2%，”阿道夫說。“同樣，低于標準的績效從5%降至0.5%以下。”

當 3M 在光學薄膜工藝上實施人工智能時，他們首先將其與現有系統并行部署以驗證結果。

“我們運行具有相同部件的系統，以評估人工智能增強的有效性，直到我們對人工智能系統充滿信心，”阿道夫說。

八、維護和更新

更新是幾乎所有基于人工智能系統的重要組成部分。當環境差異（例如照明）或原材料（例如組件現在具有不同的黃色深淺）發生變化時，可能會對性能產生負面影響。如果設置發生變化，例如相機被撞并且角度發生變化，這也會改變所有當前數據。

設備隨著老化也會慢慢發生變化，這個過程稱為漂移。例如，加熱器可能需要加倍努力10%才能隨著時間的推移保持正常運行。

系統可能需要更新以適應這些變化。然而，即使系統能夠適應變化，也需要能夠更新。特別是，隨著新數據的收集，人工智能模型可以得到完善，從而提高其效率、準確性和結果的可信度。

如果只有一臺機器，那么保持最新狀態就很容易，但生產線往往有很多機器，你需要一種集中的方式來大規模更新。集中式方法具有簡化操作和啟用監控的額外好處。當系統易于更新時，就可以輕松地將性能保持在最佳水平。

雷塞爾警告說，不要忘記您的操作員和工程師。根據系統的變化，他們需要保持在工作循環中，這需要額外的時間和精力。

九、衡量結果，并從中學習

當系統啟動并運行后，所有歷史數據的部分價值在于有一個衡量成功的基線標準，能夠顯示投資回報率對于獲得下一個項目的支持非常重要。

也就是說，有時投資是為了學習新技術。3M 的阿道夫表示：“您的第一次部署可能會造成損失，但它為以后大規模節省成本鋪平了道路。”

換句話說，您的第一次部署可能就是為了獲得經驗，同時最大限度地降低風險。

十、最后的想法——重新思考什么是可能的

人工智能最引人注目的商業案例之一是它使您能夠完成人類無法輕松完成的事情。

Raithel 談到了一個與印刷電路板生產瓶頸相關的項目。在人工智能技術出現之前，每塊電路板都必須經過X射線檢查。為了增加產量，西門子必須另外投資50萬歐元購買另一臺X射線機。

“通過預測性人工智能，生產線能夠確定30%的電路板是好的，不需要進行X光檢查，”Raithel 說。“結果是：我們的生產線產能增加了30%。”

這是一個很好的例子，說明人工智能不僅僅可以減少缺陷。當創造性地使用時，人工智能可以提高產量或效率，它還說明了人工智能如何可靠地執行復雜的任務。

人工智能可以做人類通常做不到的事情的另一個例子是預測性維護。人工智能不是定期安排停機時間來檢查機器并查看是否有任何磨損，而是不僅可以預測某些東西何時會發生故障，還可以預測什么會發生故障。“您可以獲得更快的解決方案，因為技術人員甚至知道要攜帶哪些零件，”Raithel 說。

衡量人工智能在何處使用的一個很好的標準是復雜性。如果只需要考慮五個參數，一個人可能可以處理它。當參數有數千個時，人們不可能找到一組好的組合來觀察，這就是人工智能真正可以增加價值的地方。

阿道夫表示，在 3M，他添加到生產中的視覺系統中有90%是過去無法實現的。例如，在車牌生產線上，3M 打印車牌圖形，然后添加下游功能，例如反光性和防風雨性。

“盡管絕大多數缺陷發生在印刷過程中，印刷過程的第一部分，但人們不可能在那個階段檢查印版并判斷它以后是否會失敗，”阿道夫說。“借助人工智能，我們可以從源頭識別缺陷并在支付反光和防風雨費用之前發現它們。我們不僅提高了產量，還降低了每個缺陷的成本。”

“如今，西門子安貝格電子工廠的員工數量與1990年大致相同。但生產力是當時的17倍。”

雷塞爾將這一增長歸功于技術，而人工智能將實現下一階段的改進。“借助人工智能，人們可以專注于能夠提供最大價值的地方。防患于未然。”