AVEVA高级产品组合营销经理Matt Newton 谈如何克服制造业AI和机器学习的采用障碍
在过去的五年左右的时间里，围绕人工智能(AI)和机器学习(ML)技术进行了大量宣传。
如此之多以至于AI变成了一个流行语，充满了想法和希望，但是在实践中很难执行。
目前，这意味着我们在AI和ML方面遇到的挑战是健康的怀疑态度。
例如，我们已经看到几家大公司采用了这些功能，经常宣布它们打算用这种技术来革新运营和输出，但是却未能交付。
反过来，这些技术的不断发展和采用也因此被取消。在AI和ML的潜在应用如此之多的情况下，寻找可以证明真实和可量化的投资回报的技术采用机会可能会令人望而生畏。
许多行业在采用AI和ML技术方面实际上已经达到了症结所在。
通常，这是由未经验证的初创公司提供的，这些公司提供某种类型的开源技术，并在其周围放置华丽的外观，然后依靠客户充当其开发合作伙伴。
但是，这是主要问题–客户不是在寻找原型和未经验证的软件来运行其工业运营。
许多公司没有提供革命性的数字体验，而是通过提供计划不周的试点项目继续加深他们对AI和ML的最初怀疑，这些试点项目经常使公司陷入试炼的停滞状态，不断出现的功能蠕变以及定期推出新Beta版软件版本。
永无止境的试点项目的这种做法使客户不愿再与创新型公司进行合作，而这些创新型公司通过成熟的AI和ML技术真正推动其领域的数字化转型。
有方向的创新
克服这些挑战的一种方法是向客户展示证明点。这意味着要展示AI和ML技术是如何真实存在的，并且完全像我们想象的那样。
自然，有些公司比其他公司更好地采用了AI和ML，但是由于这项技术中的许多都是如此新的技术，因此许多公司仍在努力确定何时何地使用它。
例如，许多人热衷于使用AI来跟踪客户的兴趣和需求。
实际上，以预测资产分析的形式将AI应用于工业过程控制和制造设备时，可以发现更大的价值。
AI和ML可以提供有关机械操作的详细实时见解，从而揭示人类不一定能发现的新见解。可以对业务底线产生巨大影响的见解。
AI和ML在制造业中正变得越来越受欢迎，高级操作分析通常是由AI驱动的。许多人正在采用这些技术并将其应用到他们的运营经验中，以了解在何处可以节省成本。
所有组织都希望通过AI尽可能地省钱。
这些相同的组织通常热衷于投资进一步的数字技术。成功实施AI或ML技术可以大大降低运营成本，并进一步推动整个企业的数字化转型。
工业影响
可以理解，我们看到AI和ML的价值在过程和批次自动化中在制造业中得到了最好的证明。
例如，使用AI找出如何优化流程以实现更高的产量和改善生产质量。在食品和饮料领域，人工智能被用于监视生产线烤箱温度，并通过不断优化的过程来标记异常(包括湿度，烟囱高度和颜色)，以达到令人垂涎的黄金批次。
另一个方面是使用预测性维护来监视设备的行为并提高操作安全性和资产可靠性。
AI和ML的组合融合在一起，以创建预测性和规范性维护。在使用AI来发现资产行为异常的地方，并规定了建议的解决方案来补救潜在的设备故障。
预测性和规范性维护有助于减轻运维成本的压力，提高安全性并减少计划外的停机。
技术关系
人工智能，机器学习和预测性维护技术都可以在生产线内建立新的连接，为未来的运营提供新的见解和建议。
现在是组织认识到采用和创新为生产周期中不同要素之间的关系提供新清晰度的时候了，这为以更快的速度和更低的成本生产更好的产品的新方法铺平了道路。
