诸如 机器学习 (ML) 和深度学习 (DL) 等 AI 技术为优化流程、自动化工作流程、检测异常和降低制造成本提供了新方法,其潜在价值估计为 2 万亿美元。然而,这些技术可能难以实施和应用,对于不谨慎的人来说存在许多潜在的陷阱。 让我们探讨一下 制造业中的 AI 的一些用例,然后考虑数据科学和机器学习从业人员在将 AI 应用于该领域时需要牢记什么。
制造业中 AI 的用例
现代工厂现在装载了各种类型的传感器。AI 工具可以利用这些数据来改进从产品设计和开发到最终交付的整个制造过程中的生产、效率和沟通。工厂已经在使用 AI 方法来优化生产流程、帮助识别产品缺陷或问题、实现设备的预测性维护以及加速和跟踪运输等众多应用。
它们还可以应用于数字孪生,或整个产品和系统的详细模拟,以便在投入特定(且昂贵的!)现实世界实施之前执行虚拟实验。通过提供更好的工具来几乎全面改进制造过程,AI 可以帮助降低错误和延误的风险并节省资金。当然,任意详细的模拟可能会变得非常昂贵,因此在整个过程中制定切合实际的目标至关重要,以确保 AI 技术为所涉及的投资提供适当的价值水平。
有关制造用例的更全面列表,请查看 Anaconda 指南中的制造部分:企业 AI 用例。
面向制造业开发 AI 的 6 个关键考虑因素
在为制造业开发 AI 时,在深入研究之前需要考虑一些事项。这是一个指导您完成基本步骤的列表,其中包含每个步骤的注意事项:
1. 确定您要解决的具体问题或挑战。AI 技术依赖于收集、整理和处理成本高昂的数据,因此对您期望的潜在结果保持现实态度至关重要。仅仅在任何地方添加传感器就会迅速填满您的硬盘驱动器,而不一定能带来更好的决策或更好的产品!为了确定您的 AI 项目的范围,首先集思广益,列出您的组织领导希望看到的潜在结果清单。确定范围包括确定需要收集哪些数据、可以应用哪些类型的软件和算法,以及将使用哪些指标来评估您的项目的成功与否。明确定义范围有助于确保所有利益相关者、开发人员和用户在项目的目标上保持一致,并为衡量项目的成功与否提供基础。所有这些对于向您的组织证明 AI 系统的价值至关重要。保持目标专注、可衡量,并与您的业务需求保持一致。
2. 在投入大型项目之前,仔细查看您的数据。 确保您可以访问质量足够高的数据,这些数据已经过或可以经过清理和结构化以用于 AI,并且这些数据能够代表真实的制造过程。人类擅长忽略不合理的值,但糟糕的数据很容易误导 AI 模型。整理您的数据需要大量的人力和时间,但没有它,您的数据将只是一个黑匣子,其中未知的偏差将决定您的结果。
可视化 您的所有数据 是这里的关键。通常您可能会发现,仅仅可视化它就已经告诉您如何进行,而无需任何其他算法!一旦人类了解了现有数据及其质量,您就可以从那里决定您的 AI 项目是否可以继续进行,并且可以估计需要多少时间和精力才能获得其余所需的数据。当您继续前进时,将您的数据视为战略资源,使数据在正确的时间、正确的地点以正确的格式呈现。数据管理包括数据的收集、存储、安全、质量、传播以及从创建到归档过程中发生的变化。
3. 规划您的基础设施和部署。 敏锐地了解您现有的基础设施以及您的领导层对组织发展方向的理解。具体来说,您将如何在云端、本地部署或气隙环境中部署您的模型?在云端处理数据对于您的分析师和配置计算能力来说很容易,但可能会带来在制造环境中可能无法接受的风险类型。
还要考虑您计划如何在 AI 模型部署到生产环境后对其进行监控。AI 模型生命周期包括确保模型继续按预期运行并解决部署后可能出现的任何问题。
4. 选择一个 AI 平台和/或开源软件组合进行构建。 传感器数据可能很快变得大于单台机器可以处理的范围,因此拥有可以处理实时处理的大量数据的平台、工具和存储库非常重要。
为了构建 AI,寻找一个多编码语言AI 平台,该平台使您的构建团队可以轻松使用不同类型的数据、构建有用的可视化效果、共享他们的工作并将模型更快地部署到生产环境中。您的构建团队通常包括数据科学家、数据工程师、ML 工程师、软件工程师和开发人员。这些人了解开源环境以及最适合您组织用例的工具。
5. 保护合规性、安全性和治理。 安全性是总体上的一个关键考虑因素,虽然开源软件带来了大众的创新,但它也可能带来安全风险,例如软件包内部的漏洞。寻找一个可以阻止漏洞但不会中断构建者工作流程的 AI 平台。此处的关键功能包括用户访问控制、常见漏洞和暴露 (CVE) 报告,以及最重要的一点——将 CVE 与您的团队正在构建或您的已部署系统正在使用的软件包关联起来。
6. 一种尺寸并不适合所有情况! “制造业”涵盖了广泛的活动,从一次性定制工作、使用计算机控制机器进行大规模定制、用于精密应用的高精度但低产量生产、高产量和成本敏感型大规模生产,以及这些的每种可能的组合。使用 AI 从您生产数百万件的产品的单位成本中节省几美分与使用 AI 查找安全关键子组件中的缺陷截然不同,并且在每种情况下如何应用它也不同!因此,您应该期望非常仔细地考虑您的特定类型制造业的特定需求和目标,以便有效地使用 AI 来满足您的特定需求。
AI 正迅速成为制造运营的强大工具。在考虑将 AI 作为一种选择时,重要的是要考虑可以利用 AI 来提高效率和降低成本的各种方式。通过理解上面概述的六个关键考虑因素,您将能够更好地就 AI 实施做出明智的决策,并在您自己的制造运营中获得自动化带来的好处。
要了解有关企业 AI 用例的更多信息,请下载我们的指南:企业 AI 用例。要了解企业数据科学和机器学习从业人员如何使用 Anaconda 在其组织中更快、更协作地构建和部署安全的 AI 解决方案,请立即联系我们。
关于作者
James A. “Jim” Bednar 与商业和政府客户合作,改进用于可视化和分析大型复杂数据集的 Python 软件。他拥有德克萨斯大学计算机科学硕士和博士学位,以及电气工程和哲学学位。他发表了 50 多篇关于视觉系统和软件开发的论文和书籍。在 2015 年加入 Anaconda 之前,Jim 曾在苏格兰爱丁堡大学担任信息学学院的教员 10 年。
Andrew Sherlock 是苏格兰国家制造研究所数据驱动制造主管,也是斯特拉斯克莱德大学的实践教授。他在学术界和工业界的职业生涯都专注于将 AI、数据科学和搜索技术应用于设计和制造。2006 年,他创立了 ShapeSpace Ltd,这是一家从爱丁堡大学剥离出来的公司,旨在将 3D 按形状搜索技术商业化,最初开发为组件的 3D 搜索引擎,随后进行了增强,以允许分析组件。这项技术已部署在汽车、航空航天和工业设备行业的许多大型制造商中,在这些制造商中,对组件组合和大量物料清单进行分析的能力已在供应链中发现了显着的成本节约。在 2016 年至 2019 年期间,Andrew 曾担任英国皇家工程院 (RAEng) 爱丁堡大学产品盈利能力设计访问教授。