人們已經無法逃避人工智能（AI）的浪潮。無論他們走到哪里，都會有一則電視廣告在推銷最新的AI軟件。似乎每個供應商都在推銷最新的工具包。每天都有一篇關于ChatGPT、Bard等新用例的文章。世界似乎在尖叫：人們現在需要AI！

AI確實正在成為自動化和工業領域的關鍵技術。但對于那些剛接觸AI技術的人來說，并不總是很清楚從哪里開始。AI如何應用于自動化應用？它在哪里最有價值？如何衡量其成功與否？

以下是制造商在評估 AI 用于其自身業務運營時應考慮的10件事，以及他們在將AI引入其流程時應采取的步驟：

1. 定義需要解決的問題

不要只是為了使用AI而使用AI。從一個真正的問題開始，例如一個現實的生產問題。

“您可能會遇到生產瓶頸，因為您沒有足夠的訓練有素的檢測專家。” 3M公司的視覺專家Jeff Adolf說。他負責將AI引入3M的許多基于視覺的自動化流程中。

借助AI識別，您可以無需人工干預即可明確通過或失敗的部分，從而擴展當前專家庫的能力。這意味著您的專家可以將更多時間集中在需要專家檢查的零件上。

在定義問題時，3M的專業數據工程師 Nick Blum 建議關注流程并尋找流程數據與流程性能之間的關系。

“例如，光是將數據整理在一起，以確定工廠車間問題的根本原因就可能需要數周時間。借助基于AI的高級流程分析，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見解。”Blum 說。

在定義問題時，建議從評估業務影響開始。在嘗試解決問題之前，了解和量化問題的業務影響至關重要。

首先查看整體設備效率 （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（AI 或其他）。這種自上而下的方法比自下而上的工作要有效得多。

2. 確定AI解決方案的真正價值

雖然AI可以提高自動化效率和準確性，但它可能不是目前應用程序的最佳解決方案。

例如，特定的AI解決方案可能會將生產線上的缺陷數量減少50%。但是，如果缺陷率已經達到1%，那么節省0.5%的缺陷可能無法證明AI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部署它的成本了。

“如果你用一個復雜的視覺系統代替人工操作，而這個系統仍然需要人來抽查其結果，那么你到底節省了什么？” Adolf說。

相反，尋找最大的機會，因為這些機會很有可能帶來最大的收益。然后用可衡量的結果（如停機時間或產量）來量化需要改進的地方。

例如，3M公司在一個基準產量為88%的流程中實施了人工智能。在接下來的幾個月里，該公司的產量提高了7%，生產線的穩定性也提高了。

AI不僅能幫助企業節省成本，還有一些很難量化的無形收益。有時，價值會以提高安全性或環境可持續性的形式出現。雖然難以量化，但這些間接利益應該得到承認。

確定價值時要考慮的關鍵因素之一是可擴展性。

AI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，由于涉及學習曲線，部署成本通常很昂貴，而且當AI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個操作員，”Raithel說，“AI可能無法提供你所尋求的好處。這就是為什么許多小型制造商認為AI對他們的應用不可行的原因之一。然而，對于可以在 50 條生產線上應用該技術的企業來說，AI是一個完全不同的價值主張。”

3. 咨詢專家

許多人錯誤地認為數據科學家將是從事AI系統工作的最重要的人。然而，許多應用已經不再需要數據科學家了。

如今的AI模型開發工具已經高度自動化。企業不需要了解數學或神經網絡，就能建立一個強大的AI系統。認識到這一點很重要。AI日新月異，工具的變化也同樣迅速。

專家是真正了解問題的人。“你需要確保每天使用或依賴AI系統的人從一開始就參與進來。”Raithel 說。

與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區別來完善要解決的問題的定義。Blum 補充說：“專家能夠定義穩定的流程應該是什么樣的。”

4. 收集數據

在正確的位置獲取正確的數據是AI應用的基礎。

要構建AI模型，企業需要數據及其背景信息。對于所需的數據量沒有硬性規定，但它需要充分表示操作條件并捕獲過程中不受控制的可變性來源，即溫度、濕度、原材料、工作人員、照明條件、維護等。否則，當發生差異時，AI模型的準確性可能會下降。

收集可用的數據，即使他們還不知道如何使用這些數據。考慮一個AI模型，該模型可以預測生產線何時停止。如果一家公司已經知道要觀察哪些參數，他們將能夠手動進行預測。但并不總是清楚哪些參數是重要的。

也就是說，在引入AI時，應從企業已經可以掌握的簡單參數或數據開始。Raithel指出，他們還必須考慮需要哪些數據來監控AI。“你需要一種方法來驗證AI是否按照你的預期工作和交付。”

獲取所需的數據并不總是那么容易。如果它們的缺陷率較低，則收集反映這些缺陷的數據可能具有挑戰性。如果需要，制造商還可以求助于虛擬環境來獲取訓練數據。

5. 適時引入AI合作伙伴

在自動化系統中部署AI的方法有很多很多，制造商需要考慮處理能力、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弄清楚。

“您要解決的問題定義了您需要的基礎設施。”Raithel說。例如，AI處理可以集中或在邊緣實施。制造商只有在了解問題后才應該決定他們需要什么硬件或軟件。他們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。

如果制造商沒有AI方面的經驗，那么讓合作伙伴參與進來，幫助了解各種選擇、直接回報和對組織的長期利益是有意義的。

不過，Adolf提出了這樣一個注意事項：不要在一開始就選擇合作伙伴。許多公司都會立即跳到這一步。但是，如果不先了解你的問題和你想要改進的地方，你怎么能找到最佳的技術解決方案呢？ 

6. 從小處著手——“保持簡單”

思考要解決的總體問題。然后選擇一個領域開始著手。這不應該是最艱巨的挑戰。從小處入手，選擇一個有成功保障的問題。

“保持簡單，”Raithel 說，“許多公司都考慮從基于視覺的系統開始。視覺系統很吸引人，而且往往具有極高的投資回報率。但視覺系統包括照明、攝像機選擇、角度、反射、時間和許多其他因素。這很復雜。產品質量缺陷檢測與區分貓狗完全不同。”

Adolf建議，看看制造商可以在哪些方面快速增加價值。如果他們有產量損失，找出良品率損失的根源，并確定他們能做些什么。例如，他們可以用一個簡單的AI系統取代過時的系統從而提高效率。

另一個陷阱是認為有一些經過驗證的算法可以從網上下載。

“你的零件和問題可能是前人從未見過的。即使是確認兩個連接器是否緊固這樣簡單的事情也不簡單。”Raithel說。直接采用的結果，很有可能是從頭開始。

7. 分階段驗證AI方案

降低風險的一種方法是分階段驗證AI解決方案。

例如，3M 公司在視覺方面的一項人工智能試點應用是改進光學薄膜工藝。現有系統性能不佳，基線超標率高達 15%，這意味著 15%本應合格的部件被檢測系統拒之門外。

“我們在現有設備上引入了AI作為軟件增強功能，使基準超標率降至不到 2%。同樣，欠標率也從5% 降到了0.5% 以下。” Adolf 說。

當 3M 在光學薄膜工藝之上實施AI時，他們首先將其與現有系統并行部署以驗證結果。“我們使用相同的部件運行系統，以評估AI增強的有效性，直到我們對AI系統充滿信心。”Adolf 說。

8. 維護和更新AI系統

更新幾乎是每個基于AI的系統的重要組成部分。當環境差異（如照明）或原材料（如某個組件出現了不同的陰影）發生變化時，這可能會對性能產生負面影響。如果設置發生變化，例如相機被敲擊并且角度發生變化，這也可能會改變所有當前數據。

隨著設備的老化，設備也會緩慢變化，這一過程稱為漂移。例如，隨著時間的推移，加熱器可能需要增加 10% 的工作強度才能保持正常運行。

系統可能需要更新以適應這些變化。不過，即使是能夠適應變化的系統也需要進行更新。特別是，隨著新數據的收集，AI模型可以得到完善，從而提高其效率、準確性和對結果的信心。

“如果您只有一臺機器，那么保持最新狀態就很容易了。但生產線往往有很多機器。您需要一種集中式方式進行大規模更新。集中式方法還具有簡化操作和實現監控的額外好處。當系統易于更新時，就很容易將性能保持在最佳水平。” Raithel說。

此外，他提醒企業不要忘記操作員和工程師。他們需要隨時了解系統的變化情況，而這需要額外的時間和精力。

9. 衡量結果并從中學習

所有歷史數據的重要價值之一在于有一個衡量成功的基線。能夠顯示投資回報率對于獲得下一個項目的支持很重要。

盡管如此，有時投資是為了學習一項新技術。Adolf說：“你的首次部署可能會虧損，但它為日后大規模節約成本做好了準備。”

換句話說，第一次部署可能只是為了積累經驗，同時將風險降到最低。

10. 重新思考AI的可能性

AI最引人注目的商業案例之一是，是它使制造商能夠做一些人類無法輕易做到的事情。

Raithel談到了一個與印刷電路板生產瓶頸相關的項目。在AI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，西門子將不得不再投資50萬歐元購買另一臺 X 光機。

“借助預測性AI，生產線能夠確定30%的電路板是好的，不需要進行X射線檢查。”Raithel 說，“結果是：我們生產線的產能增加了30%。”

這是一個很好的例子，說明AI可以做的不僅僅是減少缺陷。如果創造性地使用，AI可以提高產量或效率。它還說明了AI如何可靠地執行復雜的任務。

另一個例子是預測性維護。AI不僅可以預測何時出現故障，還可以預測什么東西會發生故障，而不是定期安排停機時間來查看機器是否有磨損。“你可以更快地解決問題，因為技術人員甚至知道要帶什么零件，”Raithel 說。

衡量在哪里使用AI的一個很好的標準是復雜成都。如果只有5個參數需要考慮，一個人可能會處理它。當有數千個參數時，一個人不可能找到一組好的組合來觀察。這就是AI真正可以增加價值的地方。

在3M公司，Adolf為生產添加的視覺系統中有90%在過去是無法實現的。技術根本無法做到這一點。例如，在一條車牌生產線上，3M 印刷車牌圖形，然后增加下游價值，如反光性和耐候性。

盡管絕大多數缺陷都發生在印制過程中，即流程的第一部分，但人不可能在這一階段對車牌進行檢查，并判斷其日后是否會出現故障。“有了AI，我們可以從源頭上識別缺陷，并在支付防反光和防風雨處理費用之前抓住它們。我們不僅提高了產量，還降低了每個缺陷的成本。” Adolf說。

人工智能值得投資嗎？Raithel 認為這是值得的。今天，西門子在安貝格的工廠員工人數與1990年時的人數差不多。然而，生產率是當時的17倍。他將這一增長歸功于技術，而AI將實現下一階段的改進。有了人工智能，人們可以專注于他們能提供最大價值的地方。