一些資產密集型組織如今正在實施數字化轉型，以實現卓越運營、改善關鍵績效指標(KPI)，以及解決生產和支持流程領域中的具體問題。

基于人工智能的預測模型是非常有用的工具，可以部署在復雜的生產環境中。與常用的一些分析工具相比，在生成大量結構化或非結構化數據的復雜生產環境中，預測模型更容易放大不同參數之間的相關性。

[[396218]]

一些資產密集型組織的高管表示，人工智能的應用正在穩步增長。這與調研機構IDC公司的預測相一致，即到2026年，將有70%的全球2000強組織使用人工智能為基于風險的運營決策提供指導和見解。目前這一數字還不到5%。

典型的人工智能用例大多利用嵌入在計劃和調度工具中的認知人工智能，它也用于質量和維護預測模型。

利用人工智能引擎的解決方案可以提供即時價值和合理的投資回報率，這些引擎能夠識別圖像和聲音，以及振動、溫度和過程中的數值。人們目前在試點或獨立實施的方案中看到了這樣的用例。

定制與標準人工智能驅動的解決方案

從可擴展性的角度來看，有兩個主要的數字項目組在生產領域中利用人工智能。每個項目都帶來很多價值。然而，它們提供了不同的時間尺度和時間精度。

·定制的解決方案：基于復雜學習過程的人工智能驅動的解決方案是高度定制的。可以利用神經網絡和深度學習進行圖像識別，或者通過監督學習來建立預測模型。

對解決方案進行微調以提供90%的精度需要相對較長的時間。這些通常是預測性解決方案，用于模擬材料在生產過程中的行為(例如紙帶或鋼坯的破損預測)。

衛生紙制造商Hayat Holding公司首席信息官Gülsün Akhisaroglu說：“我們花費近兩年的時間才能達到90%的準確性。”

工業可擴展性可能是一個真正的挑戰。然而在這個項目中采用了自動學習模式，顯著加快了進展，并且準確率達到99%。

即使在高度定制的模型中，也可能很難找到問題的根源。為了解決這些問題，分析師和材料工程師必須使用智能解決方案來顯示問題發生的時間、方式和原因。

該公司首席信息官Akhisaroglu說：“我們決定評估深度學習算法，以發現任何有意義的模式。我們從所分析的92種算法中選擇了8種更有希望的算法。”

工程師、開發人員和數據分析人員可以使用幾種基于現代技術的數字和硬件工具及解決方案。但是在許多情況下，采用這些工具和解決方案是不夠的。生產環境可能大不相同。

這不是簡單地捕捉正確的參數和信號來提高輸出質量和模型的最終精度的問題，其工作條件也可能有所不同。維護、調整和操作生產設備的不同方法可能會嚴重影響模型輸出的質量。追求更高質量的過程可能曲折而艱難。

當然，投資回報率必須非常引人注目。經驗表明，快速解決方案原型是必不可少的，模型的功能應該3～4周內快速測試。由于學習過程和模型的調整，從開始開發解決方案到部署解決方案(獲取準確可靠的輸出)之間的交付時間可能要花費數月的時間。

這就是部署的理想生產類型是高度資產密集型環境的原因，因為在這種情況下，一次中斷事故就可能造成數百萬美元的損失。

·標準化解決方案：這些是基于圖像識別原理的精細化、高度可擴展的解決方案。最終輸出的精度在很大程度上取決于異常樣本的數量，因為樣本越多，模型越精確。

對于基本的質量控制任務，可能需要4～6個不合格(“NOK”)樣本，通過生產線上的攝像頭來指導系統運行。從理論上來說，這樣的解決方案甚至可以提供99.99%的準確率。然而現實表明，只有在簡單的質量檢驗任務中才能達到這么高的理論值。

尺寸和表面完整性在能否有效利用這種解決方案中起著重要作用。越小越簡單，控制輸出越有效。

利用人工智能跟蹤和分析每個裝配步驟(包括周期分析)的解決方案看起來非常具有發展前景。這樣的解決方案可以識別生產異常和瓶頸，從而將生產效率提高百分之幾十。

它們還可以顯著加快發現質量問題的速度，而在某些情況下，可以將發現時間縮短到幾分鐘。標準化解決方案很容易實現1～2年的投資回報率目標。其時間尺度和時間精度可能只有幾天甚至幾小時。

不要浪費時間，從現在開始

組織應該對在生產、質量控制和維護中利用人工智能有著更加現實的期望，因為人工智能并不是解決所有問題的靈丹妙藥。

但是，人工智能可以提供大量的用例。組織的重點應該放在人工智能驅動的解決方案可以實現的目標上，以及可以在這些解決方案上投入多少精力和費用。

在許多情況下，效益不僅是明顯的關鍵績效指標(例如生產線可用性或整體設備效率)，而且是提高可持續性和質量、解決生產過程中的問題以及提高客戶滿意度的目標。

必須避免產生數字孤島。要充分發揮數據的威力，人工智能驅動的模型必須與企業的各系統(例如制造執行系統、企業資源計劃和高級分析工具)集成。數據可以在多個領域根據具體情況進行分析。不同的分析解決方案結合起來可以得到意想不到的效果。

更早地實施

但是，當組織的業務向前推進時，不要低估技術和管理方面的支持。Hayat Holding公司首席信息官Akhisaroglu指出：“回顧過去，我們在采用一些試點項目時浪費了很多時間。我們應該早些開始，更主動地從所有可用的相關資源中收集數據。我們在服務器、數據庫和流程方面面臨許多挑戰，但很顯然，我們為快速有效地滿足業務需求而開展了協調一致的工作。”