当制造业说需要 AI 时，其实是在说需要数据

人工智能（AI）和机器学习（ML）将要（正在）对制造业产生巨大影响。利用这些技术，制造商将获得非常可观实用的计算能力，这些能力帮助制造商解决以往人工无法有效解决的问题。它们将为制造商一直在寻求的生产问题提供更加理想的答案。这意味着能帮助我们尽可能高效地生产产品，减少资源浪费。

AI 以及 ML 都是这个时代具有突破性意义的技术。人们对它的能力毋庸置疑。但是，由于许多制造商缺乏获得真正的 AI 和 ML 能力所必需的数据基础设施，完美生产的过程也可能非常抽象，以至于让想要实现它的人感到困惑。企业领导经常会问一个问题：“我们在哪里以及如何采用人工智能技术？”

从数据开始

虽然科幻世界的很多场景凸显了 AI 技术令人难以置信的计算能力，但实际有效的应用程序应该始于数据。实际上，数据既是制造商最未充分利用的资产，也是使 AI 发光发热的基本要素。想想马斯洛的需求层次，一种被描述为金字塔的动机理论，底层是最基础也是最重要的需求，顶层则是最复杂的需求。

同样，Monica Rogati 的数据科学需求层次也是一个金字塔，显示了为生产系统添加智能所需的内容。最底层是需要以正确的格式和系统来获得正确且适量的数据。数据的正确收集很重要，运用在数据之上的智能算法同样重要。

当开始采用人工智能时，许多制造商发现他们的数据有多种不同的格式存储在几个 MES、ERP 或 SCADA 系统中。如果生产过程是手动的，那么收集和分析的数据非常少，而且它有很多差异。这就是所谓的“脏数据”，这意味着任何试图理解它的人 -甚至是数据科学家- 都将不得不花费大量的时间和精力。他们需要将数据转换为通用格式并将其导入通用系统，在那里它才能用于构建有用的模型。

一旦收集到良好，干净的原始数据，制造商必须确保他们拥有足够多的关于他们正在努力改进的流程或试图解决的问题的正确数据（从中清洗出有用数据）。他们需要确保他们有足够的用例，并且他们正在捕获影响该用例的所有数据变量。

例如，只收集一个关于机器每分钟转数的变量，这不足以告诉您故障的原因。但是，如果能够添加更多导致机器故障的可能因素（例如温度），您便可以开始构建模型和算法来预测故障。此外，随着更多数据的收集，您可以提高对精度、性能的要求，例如此算法将能够在一天的时间内预测此故障，准确率为90％。

如果这听起来很复杂，你可以使用一些解决方案自动从各种设备和系统收集数据（数据自动化收集），然后自动清理数据或格式（自动化清洗）。这使工程师可以专注于构建模型和算法，而不是花时间清理数据。

首先解决一个更简单的问题

开始人工智能之旅之前先进行数据收集，有助于制造商能够从一开始就逐渐理解和控制他们的流程。这不仅有助于制造商实现受控流程并开始获得一些相对快速的好处，例如消除流程变化，还可以通过更先进的人工智能和机器学习模型改进他们未来可以进行的分析类型。

请记住：如果您的过程失控，向其中添加 AI 也无事于补。

尝试收集数据和解决即时问题的另一个好处是能够帮助您在行业中获得先发优势。谷歌，亚马逊和 Facebook 等公司主导了他们的行业，因为他们是第一个开始构建数据集的公司。他们的数据集变得如此之大，他们的数据收集和分析非常复杂，以至于他们能够增强竞争优势。

对于制造商而言，情况是类似的。制造商越早开始人工智能之旅，他们就越早建立大型数据集，使他们能够执行高级 AI 和 ML 模型。每次的迭代，他们将在自己和竞争对手之间拉开更大的距离。

采用 AI 和 ML 是一个旅程，而不是一个可以瞬间解决问题的银弹。它首先将数据收集到简单的可视化和统计过程中，以便您更好地了解数据并控制流程。从那里开始，您将获得越来越先进的分析能力，直到您实现完美生产的乌托邦目标，即人工智能帮助您尽可能高效，安全地生产产品。

原文链接：www.forbes.com/sites/wille…