人工智能不能解决所有问题，但如果应用得当，可以在短时间内产生很大的不同。您可能听说过机器学习和人工智能(AI)的前景。这两个技术概念引起了全世界的关注。自动驾驶汽车、人形机器人、设备预测性维护——这些应用不仅限于消费领域，整个行业也开始疯狂起来。只需看看主要行业出版物中最近的许多头条新闻。这种趋势还会继续下去，事实上，未来可能无处不在。所以你不妨了解一下。人工智能分析的兴起传统上是统计学家的专长。在计算机在工业中无处不在之前，分析师使用铅笔和纸来进行分析工作。现在分析是描述数据科学的通用术语。例如，沿着一条简单的线找到一个点通常是标准数据分析的领域。该线被认为是“回归”。沿线找点就是“回归分析”。执行简单的回归分析是司空见惯的。机器学习可以看作是人工智能的一个子集，尽管这两个术语经常互换使用。机器学习是人工智能的统计方面，还包括认知计算和建模。每个类别的界限都可以模糊。表征AI的另一种方法是使用真实世界数据得出结论的计算机代码。如果按照这种方式设置系统，则可以根据这些结论自动做出决策。然后，可以将更多信息输入系统并做出更多决策。对AI的描述反映了当今流行文化对AI的理解，这反映了人类的思维方式。我们收集信息、得出结论并做出决定。人的思想往往可以用“如果，那么”的形式来表达，但也可以用其他形式来表达。同样，我们也可以使用其中一种算法实例化AI。根据功能对算法进行分组很有用。让我们看一下机器学习算法的主要类别。聚类一些算法将事物放入“组”中。例如，假设正在生产一个组件。质量保证部门或在线测量系统会将两个测量功能与零件相关联：宽度和高度。使用此数据生成图表。颜色可用于阐明分类方案。如果您使用的是Excel向导，则可以自己生成图表，在图表经过时将新部分绘制到图表上（参见图1）。图1可以使用颜色对零件进行分类，但如果相关参数太多而无法使用传统可视化技术显示怎么办？本文图片来源：inductiveAutomation随着更多信息被添加到强大的架构中，集群变得更加强大。假设添加了有关缺陷产品的信息。结果显示，蓝色组占不良品的近80%，而绿色组约占20%。但为什么要停在那里呢？假设我们也开始收集长度信息。想象一下在三个维度上绘制图形。高级绘图程序可以做到这一点，因此可以继续手动输入和分组信息。改进分组后，蓝色组显示不良品比例达到85%。此时，如果使用机器学习算法进行聚类，它将执行分类，但只能自动执行可以手动完成的分类。那么为什么机器学习是更好的选择呢？更多维度这一次，如果需要添加另一个维度怎么办？也许电导率是一个有意义的参数，或者湿度读数，或者阳极氧化电流。但是3D图只能有三个维度。另一方面，使用机器学习算法意味着绘制四维、五维、六维甚至一百维的图形。聚类算法根据每个部分的属性绘制图形，将彼此靠近的部分识别为一个组。完成此操作后，就可以更轻松地查看哪些属性或属性组合最有可能产生废品。这意味着可以根据其他属性自动进一步细化分组，并且可能可以充分细化蓝色组以预测95%或99%的拒收率。对于最有可能需要返工的产品，洞察力得到显着改善。一个可能的选择是在采取不必要的步骤之前将它们从生产中移除，从而节省时间和金钱。决策树决策树是另一种在概念上很重要的简单技术。决策树训练是数据挖掘中常用的方法。目标是创建一个模型来预测样本的目标值。在日常生活中，我们经常构建决策树来回答以下问题：交通状况如何？天气如何？我今天应该打电话给我妈妈吗（见图2）？构建算法是一项简单的任务。首先，确定描述过程和结果信息的数据。生成的算法将构建一个映射预测结果的树。它经历了多种可能性（可能有数千种或更多）以尽可能准确地构思树。图2决策树从简单元素开始，但可用于预测高度复杂过程的结果。模型和训练其他重要的分析概念包括建模和训练。当过程数据被输入机器学习算法时，就会进行训练，从而生成一个可以识别好的和坏的过程示例的模型。想象一下有人拿着笔坐下来写下决策树。然后他们一个接一个地写了一个决策树。之后，可以确定最佳决策树并丢弃其他决策树。最终的决策树就是模型。对于聚类算法，该模型将简称为“聚类模型”或“模型”。换句话说，使用最佳决策树利用一组数据来获得基于流程的预测。回到前面的示例，第一个语句可能是“如果宽度小于23.5，则为xxx”，第二个语句可能是“如果高度大于43.3，则为xxx”。机器学习算法创造问题以获得它所能得到的最佳答案。决策树在预测性维护应用程序中具有很大的实用性。如前所述，回归分析可以很简单。但是当涉及到机器学习算法时，它可能会很复杂。回归分析同样，回归分析的基础可以通过在一条直线上找到一个点来说明。要画线，首先要确定要画什么类型的线。它是弯曲的吗？是直的吗？它有很多曲线吗？如果在x-y二维平面中绘制它，这很容易做到。当应用于复杂数据和更多维度时，机器学习会大放异彩。手动绘制100个维度永远不切实际，但算法可以轻松处理这个问题，并且可以轻松找到最合适的回归（如果存在）。回归分析在过程调整和生产预测中非常有用。并非所有数据都适合进行回归分析（例如，聚类数据），但它对于一个因素影响其他因素的那些项目非常有用。深度学习也许你听说过深度学习和神经网络，但你真的了解它们是什么吗？深度学习是机器学习的一个分支，是一种使用人工神经网络作为框架来学习数据表示的算法。神经网络是包含数千或数百万个节点的模型，这些节点是一小段计算机代码，每个节点都接受输入并产生输出。之所以称为神经网络，是因为它们旨在模仿神经元在大脑中的工作方式。就像我们大脑中的神经元一样，节点之间的某些连接相对较强，而另一些则可能相对较弱。图3神经网络可以设计成大致类似于大脑的工作方式。对于神经网络，算法不仅仅是配置节点。他们构建自己，允许具有数百万个节点的模型来处理数据。当神经网络“消化”数据时，它会变形和变化，直到它在预测结果或提供分类方面达到既定目标。它可以被训练来做几乎任何事情。可能需要获取最新的传感器读数并计算出现问题的可能性。或者，它可以评估一组1和0以确定是否描绘了一只猫。所有这些数以百万计的节点，以某种方式“理解”图像。这只是每个节点的简单数学运算，但可以以某种形式使用节点的排列和权重来得出结论。这就是为什么很少有人真正理解它们的原因。请数据科学家解释神经网络，他们也许能够解释数学。如果你让同一个数据科学家解释如何识别这些字节中的“怪物”，他可能会用“魔法”来解释。与神经网络一样令人印象深刻的是，它们也给工业界带来了难题。如果算法告诉你做某事，你会去做吗？如果是决策树、回归分析或聚类模型分配建议，您可以跟踪得出结论的方式。但是，神经网络可能不会告诉您获得系统的“原因”。它只是给出了信不信的答案。如果这些决定很可能造成停工或生产瓶颈，那么可能会质疑为什么要用算命先生的魔法水晶球来做决定。未来就在这里。世界在变化。人工智能和机器学习技术将继续发展并应用于更多行业。人工智能技术已经证明了它的价值，采用它的企业看到了已经取得的领先优势。人工智能不会解决所有问题，但如果应用得当，它可以在短时间内产生很大的不同。所以放手吧，大胆地建立一个模型，你会在这个过程中找到答案。实施AI项目的7个注意事项如果您正在研究或计划实施机器学习或人工智能项目，有几件事需要优先考虑。01识别问题首先要选择要改进的流程、领域或技术。在机器学习或人工智能似乎能够提供帮助的地方找到最需要解决的问题和目标。02收集数据数据越多越好。数以千计的数据点，尽可能多地帮助训练模型。确保使用高质量的数据。不良数据很容易引发算法失败。数据预处理和数据清洗是影响成功的关键因素。03整理统计数据了解抽样技术以及因果关系和相关性。了解结果的质量有助于避免错误。04拥有专业知识了解流程或技术对于了解结果是否可靠至关重要。数据科学家很伟大，但只关注某些数据不会带来好的结果。05创建模型这可以与现有的任何机器学习软件一起使用。现代监控和数据采集(SCADA)系统内置了一些流行的机器学习算法。许多云产品和平台都包含这种类型的算法作为选项。06部署模型通常，模型可以在机器旁或本地运行，甚至可以构建在云端或利用其他工具。找到运行模型的最佳方式。如果它是关键过程的一部分，则在本地运行是理想的选择。07.MonitorSuccess如果你不能衡量成功，就没有人会知道它的存在。可以将以前的过程数据与最新数据进行比较。如果模型需要改进，则返回步骤5。请记住，有时尝试多个模型或组合多个模型会产生更好的结果。
