机器学习将如何为制造业创造高达 2 万亿美元的价值

如今，制造商必须以尽可能高效和一致的方式制造高质量的产品，以保持竞争力。随着原材料价格上涨、熟练劳动力短缺和竞争加剧，这可能很困难。幸运的是，机器学习和物联网技术正在使效率和生产率提高成为现实。根据 麦肯锡公司 的说法，人工智能有可能为制造业创造 1.2 万亿至 2 万亿美元的价值。

制造商以前所未有的方式获得了大量数据，例如来自传感器技术的图像、声频、温度等（智能制造）。得益于价格更实惠的计算能力，制造业可以利用这些数据，并通过机器学习和 深度学习 模型降低成本。这就是为什么制造商将从投资于具有数据科学和机器学习技能的人才以及他们开发创新解决方案所需工具中获益最多，这些解决方案可以降低成本。以下是数据科学家为制造商创造价值的四种方式

需求预测与供应链优化

在整个供应链中，预测分析模型用于识别不同营销策略、销售价格、位置和许多其他数据点的需求水平。它们有助于预测消费者需求，并相应地提出优化供应链的建议。数据科学家使用预测分析模型，通过利用历史销售数据、天气数据、经济数据等来预测特定产品的需求。然后，来自物流管理、运输和仓库管理的数据可用于优化供应链。

在分析当前库存水平与预测库存水平之间的差距后，数据科学家会创建优化模型，以帮助指导库存从制造商到配送中心，最终到面向客户的门店的准确流动。这在集中式存储和本地化存储之间保持了最佳平衡，最大限度地减少了不必要的持有成本。机器学习赋予制造商——及其物流合作伙伴——更高效和盈利的能力。数据科学家不断测试不同的场景，以确保理想的库存水平并提高品牌声誉。

质量控制

图像识别和异常检测是机器学习算法，可以快速检测并消除有缺陷的零件，防止它们进入制造流程。零件制造商可以在零件从装配线下来时捕获每个组件的图像，并自动将这些图像通过机器学习模型进行处理，以识别任何缺陷。

高精度异常检测算法可以检测到小至几分之一毫米的缺陷。预测分析可用于评估有缺陷的零件是否可以返工或需要报废。在此阶段消除或返工有缺陷的零件，远比在制造过程的后期发现和修复这些零件成本低，并且降低了发生昂贵召回的风险。它还有助于确保客户安全、满意度和保留率。

为了实施图像识别和分析模型，制造商需要一个包含数百甚至数千个零件图像的准确数据集，每个图像都标记了通过、失败、问题 A/B/C 等信息。构建模型的数据科学家还必须具备有关允许公差以及各种缺陷对性能和安全可能产生的影响的专业知识。

根本原因分析

当产品生命周期的任何阶段出现问题时——无论是制造过程早期发现的问题，还是影响到消费者手中的产品的问题——组织都会争先恐后地确定确切的原因以及如何解决问题。品牌的声誉（以及消费者的安全）都岌岌可危。

在制造阶段，识别问题的根本原因是一个漫长而艰苦的过程。根本原因分析使用大量测试数据、传感器测量、制造参数等。如果使用传统方法进行，它也极其困难。

机器学习技术可以极大地加速根本原因分析并加快解决方案。异常检测算法可以有效地分析大量传感器和系统数据。它们还可以使用其他数据类型，并以传统方法无法处理的更大数量进行分析。

例如，在制造阶段，使用图像数据作为根本原因分析的输入，有助于组织将失效模式与潜在的制造程序缺陷相关联。如果在产品进入消费者手中后出现问题，社交媒体上的文本识别和自然语言处理可以将这些注释纳入分析过程。每种方法都可以在几个月内比传统分析更快地揭示非常具体的根本原因——而且通常会诊断出其他方法可能无法发现的问题。

预测性维护

机器学习可以提供更精确——重要的是不断改进的——维护建议。算法处理历史机器数据和传感器数据，预测机器何时可能发生故障并触发警报，使制造商能够及时提供预防性维护，避免停机成本。

与每年更新几次的静态维护计划不同，预测分析模型可以从制造工厂、供应商、服务提供商甚至使用中的产品收集的数千个性能数据点中不断学习。该模型适应不断变化的条件和新的性能信息，相应地更新维护计划。

使用机器学习的预测性维护有助于制造商规划和预算新的设备或新零件，因为机器已达到使用寿命。它还可以帮助减少浪费。例如，当机器发生故障或性能下降时，通常会导致原材料浪费。预测分析还有助于提高推荐维护的合规性，并可以使制造系统始终处于最佳性能水平——保护产量，帮助确保质量和安全，最终节省时间和金钱。根据 麦肯锡公司 的说法，预测性维护通常可以将机器停机时间减少 30-50%，并将机器寿命延长 20-40%。

开源技术提供创新解决方案

拥有正确的技能，制造业中的数据科学家可以通过使用 Python 和尖端的开源库（如 TensorFlow、scikit-learn 和 scikit-image）来实施本文讨论的用例，从而提供战略优势。因此，许多制造组织会从一个 企业机器学习平台 中获得更大的价值，该平台包含开源库和工具，而不是针对单个用例设计的单点解决方案。