今天，许多资产密集型组织正在进行数字化转型，以实现卓越运营、改进关键绩效指标(KPI)并解决生产和支持流程领域的具体问题。基于AI的预测模型是非常有用的工具，可以部署在复杂的生产环境中。在生成大量结构化或非结构化数据的复杂生产环境中，预测模型比一些常用的分析工具更有可能放大不同参数之间的相关性。资产密集型组织的一些高管表示，人工智能的采用正在稳步增长。这符合研究公司IDC的预测，即到2026年，全球2000强组织中有70%将使用人工智能为基于风险的运营决策提供指导和见解。这个数字目前不到5%。典型的人工智能用例主要利用嵌入在规划和调度工具中的认知人工智能，它也用于质量和维护预测模型。利用可以识别图像和声音以及振动、温度和过程中值的人工智能引擎的解决方案可以提供即时价值和合理的投资回报率。人们目前在试点或独立实施中看到这样的用例。定制与标准AI驱动的解决方案从可扩展性的角度来看，有两个主要的数字项目组在生产领域使用AI。每个项目都带来了很多价值。但是，它们提供不同的时间尺度和时间精度。·定制化解决方案：基于复杂学习过程的人工智能驱动解决方案是高度定制化的。神经网络和深度学习可用于图像识别，或用于预测模型的监督学习。微调解决方案以提供90%的准确度需要相对较长的时间。这些通常是用于模拟生产过程中材料行为的预测解决方案（例如纸条或钢坯的破损预测）。“我们花了将近两年的时间才达到90%的准确率，”卫生纸制造商HayatHolding的首席信息官GülsünAkhisaroglu说。工业可扩展性可能是一个真正的挑战。然而，在这个项目中，采用了自动学习模型，显着加快了进度并达到了99%的准确率。即使在高度定制的模型中，也很难找到问题的根源。为了解决这些问题，分析师和材料工程师必须使用智能解决方案来显示问题发生的时间、方式和原因。该公司首席信息官Akhisaroglu表示：“我们决定评估深度学习算法以找到任何有意义的模式。我们从分析的92种算法中选择了8种更有希望的算法。“工程师、开发人员和数据分析师拥有多种基于现代技术的数字和硬件工具和解决方案可供他们使用。但在许多情况下，采用这些工具和解决方案是不够的。生产环境可能非常不同。这不是它是简单地捕获正确的参数和信号以提高输出质量和模型的最终精度，其操作条件也可能不同。维护、调整和操作生产设备的不同方法会严重影响模型的质量模型输出。追求更多高质量的过程可能是曲折和困难的。当然，投资回报必须非常诱人。经验表明，快速的解决方案原型制作是必不可少的，模型的功能应该被快速测试在3-4周内。由于学习过程和模型调整，从开始开发解决方案到部署的交付时间g解决方案（获得准确可靠的输出）可能需要几个月的时间。这就是为什么理想的生产部署类型是资产高度密集的环境，因为在这种情况下，一次中断可能会造成数百万美元的损失。标准化解决方案：这些是基于图像识别原理的精炼、高度可扩展的解决方案。最终输出的准确性很大程度上取决于异常样本的数量，因为样本越多，模型就越准确。对于基本的质量控制任务，可能需要4到6个不合格（“NOK”）样品，生产线上的摄像头用于指导系统的运行。理论上，据说这样的解决方案甚至可以提供99.99%的准确率。然而现实表明，如此高的理论值只能在简单的质检任务中才能达到。尺寸和表面完整性至关重要，此类解决方案的有效使用起着重要作用。越小越简单，控制输出越有效。利用人工智能跟踪和分析每个装配步骤（包括循环分析）的解决方案看起来很有前途。这样的解决方案可以识别生产异常和瓶颈，从而将生产效率提高百分之几十。它们还可以显着加快发现质量问题的速度，在某些情况下，可以将发现时间缩短至几分钟。标准化解决方案可以轻松实现1-2年的ROI目标。时间尺度和时间精度可以是天甚至小时。不要浪费时间，从现在开始，组织应该对在生产、质量控制和维护中利用AI有更现实的期望，因为AI不是解决所有问题的灵丹妙药。然而，人工智能可以提供大量的用例。组织的重点应该放在人工智能驱动的解决方案可以实现什么，以及可以在这些解决方案上投入多少精力和金钱。在许多情况下，收益不仅是明显的关键绩效指标（例如生产线可用性或整体设备效率），而且是提高可持续性和质量、解决生产过程中的问题以及提高客户满意度的目标。必须避免数字孤岛。为了充分利用数据的力量，人工智能驱动的模型必须与企业系统集成，例如制造执行系统、企业资源规划和高级分析工具。可以在多个领域逐案分析数据。不同分析解决方案的组合可以达到意想不到的结果。尽早实施但是，随着组织业务的发展，不要低估技术和管理支持。HayatHolding首席信息官Akhisaroglu指出：“回过头来看，我们在采用一些试点项目上浪费了很多时间。我们应该更早地开始，更积极地从所有可用的相关资源中收集数据。在这方面存在许多挑战的流程，但很明显，大家齐心协力快速高效地满足业务需求。”
