您的工业AI清单:入门所需的十个步骤
人们已经无法逃避人工智能 (AI)的浪潮。无论他们走到哪里,都会有一则电视广告在推销最新的AI软件。似乎每个供应商都在推销最新的工具包。每天都有一篇关于 ChatGPT、Bard 等新用例的文章。世界似乎在尖叫:人们现在需要AI!
AI确实正在成为自动化和工业领域的关键技术。但对于那些刚接触AI技术的人来说,并不总是很清楚从哪里开始。AI如何应用于自动化应用?它在哪里最有价值?如何衡量其成功与否?
以下是制造商在评估 AI 用于其自身业务运营时应考虑的10件事,以及他们在将AI引入其流程时应采取的步骤:
1. 定义需要解决的问题不要只是为了使用AI而使用AI。从一个真正的问题开始,例如一个现实的生产问题。
“您可能会遇到生产瓶颈,因为您没有足够的训练有素的检测专家。” 3M公司的视觉专家Jeff Adolf说。他负责将AI引入3M的许多基于视觉的自动化流程中。
借助AI识别,您可以无需人工干预即可明确通过或失败的部分,从而扩展当前专家库的能力。这意味着您的专家可以将更多时间集中在需要专家检查的零件上。
在定义问题时,3M的专业数据工程师 Nick Blum 建议关注流程并寻找流程数据与流程性能之间的关系。
“例如,光是将数据整理在一起,以确定工厂车间问题的根本原因就可能需要数周时间。借助基于AI的高级流程分析,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见解。”Blum 说。
在定义问题时,建议从评估业务影响开始。在尝试解决问题之前,了解和量化问题的业务影响至关重要。
首先查看整体设备效率 (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(AI 或其他)。这种自上而下的方法比自下而上的工作要有效得多。
2. 确定AI解决方案的真正价值虽然AI可以提高自动化效率和准确性,但它可能不是目前应用程序的最佳解决方案。
例如,特定的AI解决方案可能会将生产线上的缺陷数量减少50%。但是,如果缺陷率已经达到1%,那么节省0.5%的缺陷可能无法证明AI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部署它的成本了。
“如果你用一个复杂的视觉系统代替人工操作,而这个系统仍然需要人来抽查其结果,那么你到底节省了什么?” Adolf说。
相反,寻找最大的机会,因为这些机会很有可能带来最大的收益。然后用可衡量的结果(如停机时间或产量)来量化需要改进的地方。
例如,3M公司在一个基准产量为88%的流程中实施了人工智能。在接下来的几个月里,该公司的产量提高了7%,生产线的稳定性也提高了。
AI不仅能帮助企业节省成本,还有一些很难量化的无形收益。有时,价值会以提高安全性或环境可持续性的形式出现。虽然难以量化,但这些间接利益应该得到承认。
确定价值时要考虑的关键因素之一是可扩展性。
AI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,由于涉及学习曲线,部署成本通常很昂贵,而且当AI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个操作员,”Raithel说,“AI可能无法提供你所寻求的好处。这就是为什么许多小型制造商认为AI对他们的应用不可行的原因之一。然而,对于可以在 50 条生产线上应用该技术的企业来说,AI是一个完全不同的价值主张。”
3. 咨询专家许多人错误地认为数据科学家将是从事AI系统工作的最重要的人。然而,许多应用已经不再需要数据科学家了。
如今的AI模型开发工具已经高度自动化。企业不需要了解数学或神经网络,就能建立一个强大的AI系统。认识到这一点很重要。AI日新月异,工具的变化也同样迅速。
专家是真正了解问题的人。“你需要确保每天使用或依赖AI系统的人从一开始就参与进来。”Raithel 说。
与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区别来完善要解决的问题的定义。Blum 补充说:“专家能够定义稳定的流程应该是什么样的。”
4. 收集数据在正确的位置获取正确的数据是AI应用的基础。
要构建AI模型,企业需要数据及其背景信息。对于所需的数据量没有硬性规定,但它需要充分表示操作条件并捕获过程中不受控制的可变性来源,即温度、湿度、原材料、工作人员、照明条件、维护等。否则,当发生差异时,AI模型的准确性可能会下降。
收集可用的数据,即使他们还不知道如何使用这些数据。考虑一个AI模型,该模型可以预测生产线何时停止。如果一家公司已经知道要观察哪些参数,他们将能够手动进行预测。但并不总是清楚哪些参数是重要的。
也就是说,在引入AI时,应从企业已经可以掌握的简单参数或数据开始。Raithel指出,他们还必须考虑需要哪些数据来监控AI。“你需要一种方法来验证AI是否按照你的预期工作和交付。”
获取所需的数据并不总是那么容易。如果它们的缺陷率较低,则收集反映这些缺陷的数据可能具有挑战性。如果需要,制造商还可以求助于虚拟环境来获取训练数据。
5. 适时引入AI合作伙伴在自动化系统中部署AI的方法有很多很多,制造商需要考虑处理能力、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弄清楚。
“您要解决的问题定义了您需要的基础设施。”Raithel说。例如,AI处理可以集中或在边缘实施。制造商只有在了解问题后才应该决定他们需要什么硬件或软件。他们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。
如果制造商没有AI方面的经验,那么让合作伙伴参与进来,帮助了解各种选择、直接回报和对组织的长期利益是有意义的。
不过,Adolf提出了这样一个注意事项:不要在一开始就选择合作伙伴。许多公司都会立即跳到这一步。但是,如果不先了解你的问题和你想要改进的地方,你怎么能找到最佳的技术解决方案呢?
6. 从小处着手——“保持简单”思考要解决的总体问题。然后选择一个领域开始着手。这不应该是最艰巨的挑战。从小处入手,选择一个有成功保障的问题。
“保持简单,”Raithel 说,“许多公司都考虑从基于视觉的系统开始。视觉系统很吸引人,而且往往具有极高的投资回报率。但视觉系统包括照明、摄像机选择、角度、反射、时间和许多其他因素。这很复杂。产品质量缺陷检测与区分猫狗完全不同。”
Adolf建议,看看制造商可以在哪些方面快速增加价值。如果他们有产量损失,找出良品率损失的根源,并确定他们能做些什么。例如,他们可以用一个简单的AI系统取代过时的系统从而提高效率。
另一个陷阱是认为有一些经过验证的算法可以从网上下载。
“你的零件和问题可能是前人从未见过的。即使是确认两个连接器是否紧固这样简单的事情也不简单。”Raithel说。直接采用的结果,很有可能是从头开始。
7. 分阶段验证AI方案降低风险的一种方法是分阶段验证AI解决方案。
例如,3M 公司在视觉方面的一项人工智能试点应用是改进光学薄膜工艺。现有系统性能不佳,基线超标率高达 15%,这意味着 15%本应合格的部件被检测系统拒之门外。
“我们在现有设备上引入了AI作为软件增强功能,使基准超标率降至不到 2%。同样,欠标率也从5% 降到了0.5% 以下。” Adolf 说。
当 3M 在光学薄膜工艺之上实施AI时,他们首先将其与现有系统并行部署以验证结果。“我们使用相同的部件运行系统,以评估AI增强的有效性,直到我们对AI系统充满信心。”Adolf 说。
8. 维护和更新AI系统更新几乎是每个基于AI的系统的重要组成部分。当环境差异(如照明)或原材料(如某个组件出现了不同的阴影)发生变化时,这可能会对性能产生负面影响。如果设置发生变化,例如相机被敲击并且角度发生变化,这也可能会改变所有当前数据。
随着设备的老化,设备也会缓慢变化,这一过程称为漂移。例如,随着时间的推移,加热器可能需要增加 10% 的工作强度才能保持正常运行。
系统可能需要更新以适应这些变化。不过,即使是能够适应变化的系统也需要进行更新。特别是,随着新数据的收集,AI模型可以得到完善,从而提高其效率、准确性和对结果的信心。
“如果您只有一台机器,那么保持最新状态就很容易了。但生产线往往有很多机器。您需要一种集中式方式进行大规模更新。集中式方法还具有简化操作和实现监控的额外好处。当系统易于更新时,就很容易将性能保持在最佳水平。” Raithel说。
此外,他提醒企业不要忘记操作员和工程师。他们需要随时了解系统的变化情况,而这需要额外的时间和精力。
9. 衡量结果并从中学习所有历史数据的重要价值之一在于有一个衡量成功的基线。能够显示投资回报率对于获得下一个项目的支持很重要。
尽管如此,有时投资是为了学习一项新技术。Adolf说:“你的首次部署可能会亏损,但它为日后大规模节约成本做好了准备。”
换句话说,第一次部署可能只是为了积累经验,同时将风险降到最低。
10. 重新思考AI的可能性AI最引人注目的商业案例之一是,是它使制造商能够做一些人类无法轻易做到的事情。
Raithel谈到了一个与印刷电路板生产瓶颈相关的项目。在AI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,西门子将不得不再投资50万欧元购买另一台 X 光机。
“借助预测性AI,生产线能够确定30%的电路板是好的,不需要进行X射线检查。”Raithel 说,“结果是:我们生产线的产能增加了30%。”
这是一个很好的例子,说明AI可以做的不仅仅是减少缺陷。如果创造性地使用,AI可以提高产量或效率。它还说明了AI如何可靠地执行复杂的任务。
另一个例子是预测性维护。AI不仅可以预测何时出现故障,还可以预测什么东西会发生故障,而不是定期安排停机时间来查看机器是否有磨损。“你可以更快地解决问题,因为技术人员甚至知道要带什么零件,”Raithel 说。
衡量在哪里使用AI的一个很好的标准是复杂成都。如果只有5个参数需要考虑,一个人可能会处理它。当有数千个参数时,一个人不可能找到一组好的组合来观察。这就是AI真正可以增加价值的地方。
在3M公司,Adolf为生产添加的视觉系统中有90%在过去是无法实现的。技术根本无法做到这一点。例如,在一条车牌生产线上,3M 印刷车牌图形,然后增加下游价值,如反光性和耐候性。
尽管绝大多数缺陷都发生在印制过程中,即流程的第一部分,但人不可能在这一阶段对车牌进行检查,并判断其日后是否会出现故障。“有了AI,我们可以从源头上识别缺陷,并在支付防反光和防风雨处理费用之前抓住它们。我们不仅提高了产量,还降低了每个缺陷的成本。” Adolf说。
人工智能值得投资吗?Raithel 认为这是值得的。今天,西门子在安贝格的工厂员工人数与1990年时的人数差不多。然而,生产率是当时的17倍。他将这一增长归功于技术,而AI将实现下一阶段的改进。有了人工智能,人们可以专注于他们能提供最大价值的地方。
PS:本文来源:您的工业AI清单:入门所需的十个步骤,人工智能,ChatGPT,人工智能,作者:Robert Huschka版权声明:我们致力于保护作者版权,注重分享,本文内容及图片(只作为美观性配图使用)由CRM小助手整理收集与网络(无任何非法侵犯第三方意图),仅供学习参考交流使用,不代表CRM论坛观点。如有侵权,请联系我们,我们将及时删除处理。
CRM论坛投稿:投稿地址
CRM论坛(CRMBBS.COM)始办于2019年,是致力于CRM实施方案、免费CRM软件、SCRM系统、客户管理系统的垂直内容社区网站,CRM论坛持续专注于CRM领域,在不断深化理解CRM系统的同时,进一步利用新型互联网技术,为用户实现企业、客户、合作伙伴与产品之间的无缝连接与交互。