人工智慧（AI）和機器學習（ML）將要（正在）對製造業產生巨大影響。利用這些技術，製造商將獲得非常可觀實用的計算能力，這些能力幫助製造商解決以往人工無法有效解決的問題。它們將為製造商一直在尋求的生產問題提供更加理想的答案。這意味著能幫助我們儘可能高效地生產產品，減少資源浪費。

AI 以及 ML 都是這個時代具有突破性意義的技術。人們對它的能力毋庸置疑。但是，由於許多製造商缺乏獲得真正的 AI 和 ML 能力所必需的資料基礎設施，完美生產的過程也可能非常抽象，以至於讓想要實現它的人感到困惑。企業領導經常會問一個問題：“我們在哪裡以及如何採用人工智慧技術？”

從資料開始

雖然科幻世界的很多場景凸顯了 AI 技術令人難以置信的計算能力，但實際有效的應用程式應該始於資料。實際上，資料既是製造商最未充分利用的資產，也是使 AI 發光發熱的基本要素。想想

同樣，Monica Rogati 的資料科學需求層次也是一個金字塔，顯示了為生產系統新增智慧所需的內容。最底層是需要以正確的格式和系統來獲得正確且適量的資料。資料的正確收集很重要，運用在資料之上的智慧演算法同樣重要。

當開始採用人工智慧時，許多製造商發現他們的資料有多種不同的格式儲存在幾個 MES、ERP 或 SCADA 系統中。如果生產過程是手動的，那麼收集和分析的資料非常少，而且它有很多差異。這就是所謂的“髒資料”，這意味著任何試圖理解它的人 -甚至是資料科學家- 都將不得不花費大量的時間和精力。他們需要將資料轉換為通用格式並將其匯入通用系統，在那裡它才能用於構建有用的模型。

一旦收集到良好，乾淨的原始資料，製造商必須確保他們擁有足夠多的關於他們正在努力改進的流程或試圖解決的問題的正確資料（從中清洗出有用資料）。他們需要確保他們有足夠的用例，並且他們正在捕獲影響該用例的所有資料變數。

例如，只收集一個關於機器每分鐘轉數的變數，這不足以告訴您故障的原因。但是，如果能夠新增更多導致機器故障的可能因素（例如溫度），您便可以開始構建模型和演算法來預測故障。此外，隨著更多資料的收集，您可以提高對精度、效能的要求，例如此演算法將能夠在一天的時間內預測此故障，準確率為90％。

如果這聽起來很複雜，你可以使用一些解決方案自動從各種裝置和系統收集資料（資料自動化收集），然後自動清理資料或格式（自動化清洗）。這使工程師可以專注於構建模型和演算法，而不是花時間清理資料。

首先解決一個更簡單的問題

開始人工智慧之旅之前先進行資料收集，有助於製造商能夠從一開始就逐漸理解和控制他們的流程。這不僅有助於製造商實現受控流程並開始獲得一些相對快速的好處，例如消除流程變化，還可以通過更先進的人工智慧和機器學習模型改進他們未來可以進行的分析型別。

請記住：如果您的過程失控，向其中新增 AI 也無事於補。

嘗試收集資料和解決即時問題的另一個好處是能夠幫助您在行業中獲得先發優勢。谷歌，亞馬遜和 Facebook 等公司主導了他們的行業，因為他們是第一個開始構建資料集的公司。他們的資料集變得如此之大，他們的資料收集和分析非常複雜，以至於他們能夠增強競爭優勢。

對於製造商而言，情況是類似的。製造商越早開始人工智慧之旅，他們就越早建立大型資料集，使他們能夠執行高階 AI 和 ML 模型。每次的迭代，他們將在自己和競爭對手之間拉開更大的距離。

採用 AI 和 ML 是一個旅程，而不是一個可以瞬間解決問題的銀彈。它首先將資料收集到簡單的視覺化和統計過程中，以便您更好地瞭解資料並控制流程。從那裡開始，您將獲得越來越先進的分析能力，直到您實現完美生產的烏托邦目標，即人工智慧幫助您儘可能高效，安全地生產產品。