[db:标签]��译|互联[db:标签]��

多年来，汽车制造商承诺第一辆全自动汽车将于2018年上市。显然，这并没有发生。尽管全球汽车技术产业仅在2018年就投资了80亿美元，一些汽车现在已经具备了一些自动驾驶功能，但如果没有人驾驶，它们就无法体验真实世界的驾驶。

同样，制造专家多年来一直预测，在人工智能和机器学习的支持下，机器和机器人将成为完全自动化的工厂，无需任何人工干预。但是即使是今天最先进的自学习人工智能系统也无法与人类工程师完成的大量任务相媲美，因此需要专业人员来教授如何学习人工智能系统。

为什么人工智能没有达到宣传效果？简而言之，这是因为人们，包括所谓的专家和公众，对人工智能的潜在能力有很高的期望。在人工智能和机器人取代人类的热潮中，人们认为人工智能和机器学习可以学习推理和抽象思维，并像人类一样对不可预测的事件做出反应。这与事实相去甚远。事实上，人工智能的技术状态具有4岁孩子的推理能力，因此显然不可能独立管理工厂内部的复杂操作。这并不是说人工智能没有任何价值。人工智能的现状可以解决制造业中许多紧迫的任务，例如检测质量故障模式和识别潜在效率。然而，人工智能无法应对未知的环境，如未知的处理技术或全新的产品，也无法发现如何处理随机和异常的情况，如新的和以前未知的故障或停电。

制造业如何从人工智能中受益?

要释放人工智能的全部价值，有两个关键的先决条件:一个可以通过客观事实解决的明确问题，以及大量的训练数据——或者是真实世界的数据或者是可以模拟的问题。简而言之，让人工智能处理谨慎而狭窄的任务，让人类处理带有未知变量的复杂问题。例如，人工智能擅长在明确定义的过程流程中优化过程效率，而人类更擅长重新设计和优化车间布局。同样，人工智能在实时识别质量问题方面非常强大，但人类仍然更善于解决这些问题的根源。

三个例子

然而，人工智能正成功地应用于制造业的许多领域。事实上，在未来五年内，超过50%的大型跨国公司将在其供应链运营中广泛使用支持人工智能的解决方案！因此，全球认知和人工智能系统的支出正以每年超过50%的惊人速度增长，2019年将超过200亿美元。虽然在供应链中已经实现了广泛的用例，但是有三个特别有希望的例子:需求预测、生产计划和调度以及视觉模式识别。

1。需求预测

管理供应链最具挑战性的方面之一是预测未来的生产需求。事实证明，机器学习在关联数百个因素和获得比传统统计方法更准确的结果方面非常有效。因此，企业可以降低库存和运营成本，更快地响应客户需求。例如，通过在供应链中使用机器学习引擎，一家领先的气候控制产品供应商将销售额提高了50%，库存周转率提高了25%。然而，企业应该认识到基于人工智能的预测有其局限性，只能预测与以前事件直接相关的未来结果。

2。生产计划和调度

与传统的企业资源规划和生产计划解决方案相比，机器学习可以考虑各种约束并更有效地优化它们。例如，人工智能引擎可以消化机器数据(速度、振动)、环境数据(温度、湿度)、规划参数(等待时间)、预测数据(需求)等。然后，他们将这些大量的输入数据与关键指标的输出值联系起来。通过揭示积极结果的模式，他们可以获得改善业务绩效的洞察力。此外，车间操作可以与人工智能实时调度交叉链接，以改进反馈回路中每个生产运行的决策。因此，

人工智能也被证明在工厂和物流中心的自动视觉质量检查中非常有效。现代人工智能系统可以通过深入的神经网络训练识别复杂的视觉模式，甚至可以识别微小的材料缺陷。例如，世界上最大的物流公司之一使用一个强大的人工智能引擎来确定集装箱是否损坏，并提出实时修复资产的最佳行动方案。同样，精密机械供应商可以通过应用全自动视觉检测系统来确保产品100%无缺陷。这些例子表明，尽管全自动化的“零人”工厂更像是科幻小说中的梦想，而不是现实，但已经有许多实际使用案例——，特别是在供应链中，正在改善当今企业的绩效。

免责声明:本文仅代表原作者的观点，不代表智宝的立场。