10082022 黃淑儀博士[每日財經分析](版權擁有)

10082022 黃淑儀博士[每日財經分析](版權擁有)
昨天:我們討論了人工智能製造業的採用及第一部分影響:
1. 預測性維護的洞察力 (Predictive Maintenance Insights)
2. 提高質量和產量的洞察力 (Improving Quality and Throughput Insights)
3. 庫存預測的洞察力 (Inventory Prediction)

今天重點:
2. 提高質量和產量的洞察力 (Improving Quality and Throughput Insights)
• 所有製造操作,都在某種程度上,通過{產品質量}來衡量。
• 不可避免地,一定數量的產品製造中的{不完美率}是多少?問題發生在何時何地?何時何地立即脫離裝配線,反過來,製造商總同時在問“有多少產品可以通過裝配線,而不損害整體質量?”
• 例如汽車製造商,在其裝配線末端看到彎曲的方向盤,則他們某一台機器可能過熱。 無論診斷如何,他們都會{根據}審查: 流媒體(streaming),視覺(censor)數據做出決定,以幫助他們回答這個診斷問題。
• 另一個人工智能的洞察力: 是可以幫助製造商回答關於(a) 質量和(b) 吞吐量的問題是,我們如何在不損壞機器情況下,最大限度地延長正常運行時間!”

3. 庫存預測的洞察力 (Inventory Prediction)
• 人工智能最重要的貢獻是{戰略}和{優先事項}: 例如收集任何外部的數據點——關於供應商、供應鏈、採購和一段時間內的庫存水平——這將使他們能夠估計一個月後的庫存水平。
• 勞斯萊斯 R2 數據實驗室,集團總監 Caroline Gorsky 描述人工智能用例: 這豪華汽車公司供應商之間大部分的溝通、都是通過二維圖紙(dimensional drawings) 進行,這些圖紙需要為工程目的,而要轉化為 3D 幾何數據(geometric data)。在與庫存預測相關的一個示例中,該 3D 幾何數據(geometric data)用於: 判斷生產組件會產生多少廢料,供應商可以報銷多少廢料,在二級市場轉售。人工智能在這方面幫助了解這些數據點: 可以基於管道中的訂單、尚未完成的銷售、需求趨勢的季節性變化等等。通過數據分析,從整體和歷史角度看待這些變量,開始比以往更高的準確度預測。
• 人工智能在這個過程中所產生的差異,是幫助製造商在這兩個極端之間找到一個媒介,並根據可用數據保持這種平衡。

簡而言之:人工智能需要數據。 德勤 (Deloitte)估計,製造業有望每年產生大約 1,812 petabytes (PB) 的數據——超過金融、零售、通信和其他行業。

結論
製造業為什麼成功採用了人工智能? 我們的分析得出了兩個核心教訓:
1. 儘早需要車間的支持。 人工智能尤其會給普通工廠工人帶來消息傳遞問題,他們可能會將人工智能與使他們失業的自動化相混淆。
2. 人工智能項目選擇是基於兩個主要問題:最統一的數據來自哪裡?在哪裡可以產生最大的業務影響?
那麼,製造領域的人工智能之路正在走向成功!如果您有任何人工智能問題,可以讓我們一起解決。 祝你好運!!([email protected] <mailto:[email protected]> )