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]> )
