机器学习将彻底改变制造业的十个领域

人工智能有潜力为全球企业的营销和销售创造1.4至2.6万亿美元的价值，为供应链管理和制造业创造1.2至2万亿美元的价值。

根据IDC的数据，到2021年，20%的领先制造商将依赖嵌入式人工智能，使用人工智能、物联网和区块链应用程序来实现流程自动化，并将执行时间最多提高25%。

德勤(Deloitte)的数据显示，在离散制造行业，机器学习可以将产品质量提高35%。

麦肯锡(McKinsey)的数据显示，在未来5至7年内，50%的公司将采用人工智能技术，由于其对数据的严重依赖，这些公司的现金流有可能翻一番，制造业在所有行业中处于领先地位。

到2020年，60%的领先制造商将依靠数字平台支撑高达30%的总收入。

根据麦肯锡具有里程碑意义的研究，48%的日本制造商看到了将机器学习和数字制造技术整合到他们的运营中去的更大的机会，这比他们最初认为的要多。

一句话:2019年制造商的主要增长战略是通过投资机器学习平台来提高车间生产率，这些平台能够提供提高产品质量和产量所需的洞察力。

使用机器学习来简化生产的每一个阶段，从入站供应商的质量到生产计划的执行现在是制造业的一个优先事项。根据德勤(Deloitte)最近的一项调查，机器学习正在将计划外的机器停机时间减少15%至30%，将生产吞吐量提高20%，将维护成本降低30%，并将质量提高35%。

以下是机器学习将彻底改变制造的十个领域：

●人工智能有潜力为全球企业的营销和销售创造1.4至2.6万亿美元的价值，为供应链管理和制造业创造1.2至2万亿美元的价值。麦肯锡(McKinsey)预计，基于人工智能的预测性维护有可能为制造商带来0.5美元至0.7亿美元的价值。麦肯锡指出，人工智能能够处理包括音频和视频在内的大量数据，这意味着它能够快速识别异常，防止系统崩溃。机器学习可以确定一个特定的声音是飞机发动机在质量测试下正常工作的声音，还是装配线上即将发生故障的机器发出的声音。

●制造商们正在获得新的洞见，了解如何利用机器学习和可在云平台上扩展的预测分析，使企业变得更加可持续。流程制造商正在使用Azure的Symphony Industrial AI从一个模板库中部署设备模型，其中包括热交换器、泵、压缩机和流程制造商所依赖的其他资产。Symphony AI的Process 360 AI帮助用户创建流程的预测模型。流程是指通过设备生产的项目(如化学品、燃料、金属、其他中间体和成品)。工艺模板示例包括氨工艺、乙烯工艺、液化天然气工艺和聚丙烯工艺。流程模型有助于预测流程混乱和故障——仅凭设备模型可能无法预测这些故障。

●波士顿咨询集团(BCG)发现，制造商使用人工智能可以将制造商的转换成本降低至多20%，而高达70%的成本降低是由更高的劳动力生产率造成的。波士顿咨询集团发现，生产商将能够通过使用人工智能来开发和生产针对特定客户的创新产品，并在更短的交付周期内交付，从而产生额外的销售。下图展示了基于BCG分析的人工智能将如何为生产过程带来更大的灵活性和规模。

●依赖于重资产的离散和流程制造商正在使用人工智能和机器学习来提高产量、能源消耗和每小时利润。拥有重型设备(包括大型机械)的制造商正在探索使用算法来提高产量、可持续性和收益率。麦肯锡发现，人工智能能够自动化复杂的任务，并提供一致性和精确的最佳设定值，使机器能够在自动驾驶模式下运行，这对于实现一次或多次生产班次的无人值守生产至关重要。

●基于人工智能和机器学习的产品缺陷检测和质量保证显示出将生产效率提高50%或更多的潜力。机器学习在发现产品及其包装中的异常方面的固有优势，对于提高产品质量和阻止缺陷产品离开生产设施具有重要的潜力。与人工检查相比，使用基于深度学习的系统可以改进高达90%的缺陷检测。考虑到开源人工智能环境的可用性，以及相机和功能强大的计算机等廉价硬件，即使是小型企业，预计也将越来越依赖基于人工智能的视觉检查。在人工智能视觉质量检测中，通过从不同角度对好产品和坏产品进行视觉成像，生成参考示例，从而促进监督学习算法的训练。

●机器学习有潜力减少制造业长期的劳动力短缺，同时找到留住员工的新方法。如今，制造业正面临严重的劳动力短缺，每一项针对制造商的调查都反映出这一问题是制约该行业增长的三大因素之一。承担这一挑战的最有趣的公司之一是Eightfold。他们基于AI的人才智能平台依赖于一系列有监督和无监督的机器学习算法，以匹配候选人独特的能力，经验和优势。包括ConAgra在内的制造商依靠Eightfold来改善招聘并重新发现他们为团队配备和追求增长机会所需的人才。下图解释了Eightfold人才智能平台的工作原理：

●机器学习正在帮助制造商解决以前无法解决的问题，并揭示他们从未知道存在的问题，包括隐藏的瓶颈或无利可图的生产线。提高车间内每台机器的预测维修精度，揭示如何提高每台机器的产量/吞吐量和相关工作流程，优化系统和供应链。下面的图表说明了机器学习如何从机器级开始提高车间的生产力，然后扩展到工作流和它们所依赖的系统。

●机器学习可以显著改善产品配置，而制造商依赖于按订单构建产品的配置-价格-报价(CPQ)工作流。西门子销售、设计和安装铁路联锁控制系统的方法使用人工智能和机器学习，从1090种可能的组合中找出最优配置。机器学习擅长于定义最适合客户需求的最优配置，同时也是最可靠的产品。

●人工智能和机器学习在制造业的应用预计将在未来五年超越机器人技术，成为制造业的主要用例。供应链操作的复杂性和约束条件是机器学习算法提供推荐解决方案的理想用例。如今，制造商们正在寻求进行预测性维护的试点，其中最有可能进入生产领域的是那些能够带来明显收益的产品。

●机器学习正在彻底改变制造商保护每一个威胁表面的方式，依赖于零信任安全(ZTS)框架来保护和扩展它们的操作。制造商正在转向零信任安全(ZTS)框架，以保护整个供应链和生产网络上的每个网络、云和内部平台、操作系统和应用程序。Forrester首席分析师蔡斯•坎宁安(Chase Cunningham)是零信任安全方面的主要权威，他最近的视频《行动中的零信任》(Zero Trust In Action)值得一看，以进一步了解制造商如何保护其IT基础设施。在这一领域有几家公司值得关注，其中包括MobileIron，它创建了一个以移动为中心的、零信任的企业安全框架，如今正是制造商所依赖的。centrfy对身份访问管理的方法阻止了特权帐户滥用，而特权帐户滥用是当前入侵的主要原因。

 小编推荐HOT