我们无法逃避人工智能这个风口，宣传人工智能软件的广告铺天盖地，似乎每个供应商都在推出最新的工具包，每天都有关于 ChatGPT、Bard 等新用例的文章。似乎全世界都在说：你现在需要人工智能！
人工智能确实正在成为自动化和工业领域的一项关键技术。但对于那些刚接触人工智能技术的人来说，并不总是清楚从哪里开始。AI如何应用于自动化应用？哪里可以发挥最大的价值？该如何衡量成功？
将这篇文章视为您的人工智能入门清单。接下来介绍制造商在评估自身业务运营中的人工智能时应考虑的 10 件事，以及将人工智能引入其流程时应采取的步骤。
一、明确你需要解决的问题
不要仅仅为了使用人工智能而使用人工智能，要从一个真正的问题、一个真正的生产问题出发。
“你不想在接触人工智能时说，‘我想使用人工智能进行视觉处理，’ 3M公司视觉专家杰夫·阿道夫 (Jeff Adolf) 说道，他负责将人工智能引入到 3M 许多基于视觉的自动化流程中。
“例如，您可能会遇到生产瓶颈，因为您没有足够训练有素的专家，”阿道夫说。“借助人工智能，可以通过让人工智能识别无需人工交互即可明确成功或失败的部分，来扩展当前专家库的能力。这意味着专家可以将更多时间集中在需要专家检查的流程上。”
在定义要解决的问题时，3M公司的专家数据工程师 Nick Blum 建议关注流程并寻找流程数据和流程绩效之间的关系。
“例如，仅将数据整理在一起以确定工厂车间问题的根本原因就可能需要数周时间。通过基于人工智能的先进流程分析，我们可以帮助我们的工程师在几分钟或几小时内找到问题的原因。”Blum 说道。
在定义要解决的问题时，布鲁姆建议首先评估业务影响。“在尝试解决问题之前，了解并量化问题对业务的影响至关重要。首先查看资产效率 (OEE)，以确定最大的机会在哪里。量化与 OEE 改进相关的影响，建立基线，然后探索问题的潜在解决方案（人工智能或其他）。根据我的经验，这种自上而下的方法比自下而上的工作更有效。从根本上来说，这只是基本的六西格码问题解决方法。”
二、确定人工智能解决方案的真正价值
虽然人工智能可以提高自动化效率和准确性，但目前它可能不是适合你的最佳解决方案。例如，特定的 AI 解决方案可能会将生产线中的缺陷数量减少50%。然而，如果缺陷率已经达到1%，那么节 0.5% 的缺陷可能无法证明人工智能基础设施的成本是合理的，更不用说开发解决方案和中断生产线来部署它的成本了。
“如果你用一个复杂的视觉系统取代一个人，但仍然需要一个人抽查其结果，你真正节省了什么？” 阿道夫说。
相反，寻找最大的机会，因为这些机会很有可能提供最大的利益。然后根据可测量的结果（例如停机时间或产量）来量化你试图改进的内容。
例如，3M 将人工智能应用到流程中，基准良率为 88%。在接下来的几个月里，该公司的产量增加了7%，同时生产线的波动性也降低了。
但人工智能不仅仅是省钱，而且很难量化所有无形的好处。有时，价值以避免成本、提高安全性或环境可持续性的形式出现。虽然难以量化，但这些间接效益应该得到承认。
确定价值时要考虑的关键因素之一是可扩展性。人工智能需要研究、开发、测试、部署、维护和定期再培训。西门子产品管理总监 Bernd Raithel 表示，首先，由于涉及学习曲线，部署成本通常更加昂贵，并且当人工智能仅部署在单个位置时，可能很难收回这些成本。
如果你只有一台机器和一名操作员，人工智能可能无法提供你正在寻找的好处。这就是许多小型制造商认为人工智能不适合其应用的原因之一。然而，对于可以在 50 条生产线应用该技术的公司来说，人工智能是一个完全不同的价值主张。
三、咨询专家（但他们可能不是你想象的那样）
许多人错误地认为数据科学家将是人工智能系统中最重要的人员。然而，许多应用程序已经不再需要数据科学家。
当今的人工智能模型开发工具是高度自动化的，你不需要了解数学或神经网络来构建强大的人工智能系统，认识到这一点很重要。人工智能正在快速变化，工具也在快速变化。
真正了解问题的人是你自己的专家。
“你不希望由一个小团体来定义其他人会做什么。你需要确保日常使用或依赖人工智能系统的人们从一开始就参与其中。”西门子的 Raithel 说道。
与您的领域专家的整合至关重要。他们通过确定 A 类产品、B 类产品和缺陷之间的差异来完善要解决的问题的定义。
“你的专家能够定义稳定的流程是什么样子，”布鲁姆补充道。
四、收集你的数据
在正确的地方获取正确的数据是人工智能的基础。
要构建人工智能模型，你需要数据和背景。对于所需的数据量没有硬性规定，但需要充分代表操作条件并捕获过程中不受控制的变化源，即温度、湿度、原材料、工作人员、照明条件、维护等。当出现方差时，AI模型的准确性可能会下降。
收集可用的数据，即使你还不知道如何使用它。考虑一个预测生产线何时停止的人工智能模型，如果你已经知道要观察哪些参数，则可以手动进行预测，但并不总是清楚哪些参数是重要的。
也就是说，当您开始引入人工智能时，请从你已经可以访问的简单参数或数据开始。西门子的 Raithel 指出，你还必须考虑监控人工智能需要哪些数据。需要一种方法来验证人工智能是否按照你的预期工作和交付。
获取所需数据并不总是那么容易。如果缺陷率较低，那么收集反映这些缺陷的数据可能会很困难。如果需要，你还可以转向虚拟环境来获取训练数据。Raithel 说：“通过虚拟环境，你可以‘拍摄’逼真的照片，并基本上创建一些你需要的训练数据。”
五、考虑引入人工智能合作伙伴———但不是第一步
在自动化系统中部署人工智能的方法有很多，你需要考虑处理能力、连接性、架构和整体基础设施，硬件和软件都有很多东西需要解决。
“你试图解决的问题决定了你需要的基础设施，”西门子的 Raithel 说。例如，人工智能处理可以集中化，也可以在边缘实施。只有在了解问题后，你才应该决定需要什么硬件或软件。您还必须了解可用的解决方案，以便能够确定解决特定问题的最佳方法。
如果您没有人工智能方面的经验，那么聘请合作伙伴来帮助您了解您的选择、他们的直接回报以及对您公司的长期利益是有意义的。
阿道夫确实提出了这样的警告：不要通过选择合作伙伴来启动项目。
“许多公司立即跳到这一步。但是，如果不首先了解您的问题以及您想要改进的内容，您如何才能找到最佳的技术解决方案呢？”
六、从小事做起———“保持简单”
考虑一下您想要解决的总体问题。然后选择一个领域开始。这不应该是最困难的挑战。从小事做起，选择一个可以保证成功的问题。给自己一个获得专业知识的机会。只要确保这是一个可以解决的问题即可。
“保持简单，”雷塞尔说。“许多公司考虑从基于视觉的系统开始。愿景很好，而且往往具有出色的投资回报率，但视觉包括照明、相机选择、角度、反射、一天中的时间以及许多其他因素。这很复杂。质量缺陷检测与区分猫或狗完全不同。”
3M 的阿道夫建议寻找可以快速增加价值的点。如果出现良率损失，请确定良率损失的来源并确定可以采取哪些措施。例如，可以通过用简单的基于人工智能的系统替换过时的系统来提高效率。同样，可以在昂贵的增值过程之前专注于识别潜在缺陷的零件。
另一个陷阱是认为有经过验证的算法可以从互联网上下载。
“你可能遇到了以前没有人见过的零件和问题，”雷塞尔说。“即使是确认两个连接器是否紧密固定这样简单的事情也并不简单。很可能，你将不得不从头开始。”
七、分阶段证明人工智能的可行性
降低风险的一种方法是分阶段证明人工智能解决方案。
例如，3M 的视觉人工智能试点应用之一是改进光学薄膜工艺。现有系统性能不佳，基线超标高达15%，这意味着本应通过的零件中有15%被检查系统定为不合格。
“我们将人工智能作为现有设备的软件增强引入，它将我们的基线超标率降至不到2%，”阿道夫说。“同样，低于标准的绩效从5%降至0.5%以下。”
当 3M 在光学薄膜工艺上实施人工智能时，他们首先将其与现有系统并行部署以验证结果。
“我们运行具有相同部件的系统，以评估人工智能增强的有效性，直到我们对人工智能系统充满信心，”阿道夫说。
八、维护和更新
更新是几乎所有基于人工智能系统的重要组成部分。当环境差异（例如照明）或原材料（例如组件现在具有不同的黄色深浅）发生变化时，可能会对性能产生负面影响。如果设置发生变化，例如相机被撞并且角度发生变化，这也会改变所有当前数据。
设备随着老化也会慢慢发生变化，这个过程称为漂移。例如，加热器可能需要加倍努力10%才能随着时间的推移保持正常运行。
系统可能需要更新以适应这些变化。然而，即使系统能够适应变化，也需要能够更新。特别是，随着新数据的收集，人工智能模型可以得到完善，从而提高其效率、准确性和结果的可信度。
如果只有一台机器，那么保持最新状态就很容易，但生产线往往有很多机器，你需要一种集中的方式来大规模更新。集中式方法具有简化操作和启用监控的额外好处。当系统易于更新时，就可以轻松地将性能保持在最佳水平。
雷塞尔警告说，不要忘记您的操作员和工程师。根据系统的变化，他们需要保持在工作循环中，这需要额外的时间和精力。
九、衡量结果，并从中学习
当系统启动并运行后，所有历史数据的部分价值在于有一个衡量成功的基线标准，能够显示投资回报率对于获得下一个项目的支持非常重要。
也就是说，有时投资是为了学习新技术。3M 的阿道夫表示：“您的第一次部署可能会造成损失，但它为以后大规模节省成本铺平了道路。”
换句话说，您的第一次部署可能就是为了获得经验，同时最大限度地降低风险。
十、最后的想法——重新思考什么是可能的
人工智能最引人注目的商业案例之一是它使您能够完成人类无法轻松完成的事情。
Raithel 谈到了一个与印刷电路板生产瓶颈相关的项目。在人工智能技术出现之前，每块电路板都必须经过X射线检查。为了增加产量，西门子必须另外投资50万欧元购买另一台X射线机。
“通过预测性人工智能，生产线能够确定30%的电路板是好的，不需要进行X光检查，”Raithel 说。“结果是：我们的生产线产能增加了30%。”
这是一个很好的例子，说明人工智能不仅仅可以减少缺陷。当创造性地使用时，人工智能可以提高产量或效率，它还说明了人工智能如何可靠地执行复杂的任务。
人工智能可以做人类通常做不到的事情的另一个例子是预测性维护。人工智能不是定期安排停机时间来检查机器并查看是否有任何磨损，而是不仅可以预测某些东西何时会发生故障，还可以预测什么会发生故障。“您可以获得更快的解决方案，因为技术人员甚至知道要携带哪些零件，”Raithel 说。
衡量人工智能在何处使用的一个很好的标准是复杂性。如果只需要考虑五个参数，一个人可能可以处理它。当参数有数千个时，人们不可能找到一组好的组合来观察，这就是人工智能真正可以增加价值的地方。
阿道夫表示，在 3M，他添加到生产中的视觉系统中有90%是过去无法实现的。例如，在车牌生产线上，3M 打印车牌图形，然后添加下游功能，例如反光性和防风雨性。
“尽管绝大多数缺陷发生在印刷过程中，印刷过程的第一部分，但人们不可能在那个阶段检查印版并判断它以后是否会失败，”阿道夫说。“借助人工智能，我们可以从源头识别缺陷并在支付反光和防风雨费用之前发现它们。我们不仅提高了产量，还降低了每个缺陷的成本。”
“如今，西门子安贝格电子工厂的员工数量与1990年大致相同。但生产力是当时的17倍。”
雷塞尔将这一增长归功于技术，而人工智能将实现下一阶段的改进。“借助人工智能，人们可以专注于能够提供最大价值的地方。防患于未然。”