作者 | Louis Columbus

来源 | CDA数据分析师

10 Ways Machine Learning Is Revolutionizing Manufacturing In 2019

• 人工智能有可能在全球业务的营销和销售中创造1.4T至2.6T的价值，在供应链管理和制造方面的成本为1.2T至2T。
• 根据IDC的数据，到2021年，20％的领先制造商将依赖嵌入式智能，使用AI，IoT和区块链应用程序来自动化流程并将执行时间增加高达25％。
• 德勤表示，机器学习可以使离散制造业的产品质量提高35％。
• 麦肯锡（McKinsey）表示，由于对数据的严重依赖，未来五到七年内拥有人工智能的公司有50％可能将现金流增加一倍，制造业领先所有行业。
• 到2020年，60％的领先制造商将依靠数字平台来支持其总收入的30％。
• 48％的日本制造商看到了将机器学习和数字制造技术整合到其运营中的更多机会，而不是最初认为根据麦肯锡的标志性研究 - 数字制造 - 逃避试点炼狱。

底线： 2019年制造商的领先增长战略是通过投资机器学习平台来提高车间生产率，这些平台提供了提高产品质量和产量所需的洞察力。

使用机器学习来简化生产的每个阶段，从入库供应商质量开始，从制造计划到履行，现在是制造业的优先事项。根据Deloitte最近的一项调查，机器学习将计划外机器停机时间减少了15-30％，生产量提高了20％，维护成本降低了30％，质量提高了35％。

以下是机器学习在2019年彻底改变制造的十种方式：

人工智能有可能在全球业务的营销和销售中创造1.4T至2.6T的价值，在供应链管理和制造方面创造1.2T至2美元的价值。

麦肯锡预测，基于人工智能的预测性维护有可能为制造商带来0.5美元至0.7亿美元的价值。麦肯锡引用AI处理海量数据的能力，包括音频和视频，意味着它可以快速识别异常以防止故障。机器学习可以确定特定声音是飞机发动机在质量测试下正确运行还是装配线上的机器即将失效。

(麦肯锡/哈佛商业评论——AI的大多数商业用途将由 Michael Chui，Nicolaus Henke和Mehdi Miremadi 两个领域组成)

通过在云平台上扩展的机器学习和预测分析，制造商正在获得有关如何使其更具可持续性的新见解。

流程制造商正在使用Azure的Symphony Industrial AI从模板库部署设备模型，模板库包括热交换器，泵，压缩机以及制造商所依赖的其他资产。Symphony AI的Process 360 AI可帮助用户创建其流程的预测模型。高级别的过程被定义为通过设备生产的物品（如化学品，燃料，金属，其他中间产品和成品）。工艺模板实例包括氨工艺，乙烯工艺，LNG工艺和聚丙烯工艺。过程模型有助于预测过程扰动和跳闸 - 单独的设备模型可能无法预测。

(Microsoft Azure博客， 使用Symphony Industrial AI实施制造预测分析)

波士顿咨询集团（BCG）发现，制造商使用人工智能可以将生产商的转换成本降低多达20％，同时由于劳动力生产率提高，成本降低高达70％。

BCG发现，生产商将能够通过使用人工智能开发和生产针对特定客户量身定制的创新产品，并在更短的交付周期内交付产品，从而产生额外的销售额。下图说明了AI如何根据BCG的分析为生产流程带来更高的灵活性和规模。

(波士顿咨询集团，AI未来工厂)

依赖重型资产的离散和流程制造商正在使用人工智能和机器学习来提高吞吐量，能耗和每小时利润。

拥有重型设备（包括大型机械）的制造商正在探索使用算法来提高产量，可持续性和良率。麦肯锡发现AI可以自动执行复杂的任务，并提供一致性和精确的最佳设定点，使机器能够以自动驾驶模式运行，这对于在一个或多个生产班次上实现熄灯制造至关重要。

(麦肯锡，AI正在制作中：Eleftherios Charalambous，Robert Feldmann，GérardRichter和Christoph Schmitz 为重型资产制造商改变游戏规则)

基于AI和机器学习的产品缺陷检测和质量保证显示出将制造生产率提高50％或更多的潜力。

机器学习在发现产品及其包装异常方面的固有优势具有提高产品质量和阻止有缺陷的产品离开生产设施的巨大潜力。使用基于深度学习的系统，与人工检查相比，缺陷检测高达90％的改进是可行的。鉴于开源人工智能环境的可用性以及相机和功能强大的计算机方面的廉价硬件，即使是小型企业也越来越依赖基于人工智能的视觉检测。在启用AI的视觉质量检查中，通过从不同角度对优质和有缺陷产品进行视觉成像来创建参考示例，从而为监督学习算法的培训提供动力。

(通过人工智能（AI）实现智能化 - 德国及其工业部门有哪些内容？（52页，PDF，无选择加入）麦肯锡公司)

机器学习有可能减少制造业的长期劳动力短缺，同时寻找新的方法来同时留住员工。

制造业今天面临严重的劳动力短缺，每一次制造商调查都反映出这个问题是影响行业增长的三大因素之一。承担这一挑战的最有趣的公司之一是Eightfold。他们基于AI的人才智能平台依赖于一系列有监督和无监督的机器学习算法，以匹配候选人独特的能力，经验和优势。包括ConAgra在内的制造商依赖于八倍改善招聘并重新发现他们为团队配备人才和追求增长机会所需的人才。下图解释了Eightfold人才智能平台的工作原理：

机器学习正在帮助制造商解决以前难以解决的问题并揭示他们从未知道的那些问题，包括隐藏的瓶颈或无利可图的生产线。

提高车间每台机器的预测性维护精度，揭示如何提高每台机器和相关工作流程的产量/吞吐量，优化系统和供应链优化。下图说明了机器学习如何首先从机器级别开始提高车间生产率，然后扩展到工作流程及其所依赖的系统。

(麦肯锡，制造业：分析提升生产率和盈利能力，由Valerio Dilda，Lapo Mori，Olivier Noterdaeme和Christoph Schmitz提供)

机器学习可以显着改善产品配置，以及制造商依赖于按订单生产产品的配置 - 报价（CPQ）工作流程。

西门子的方法来销售，设计，和安装铁路联锁控制系统使用AI和机器学习，找出10种的最佳配置90种可能的组合。机器学习擅长定义最能满足客户需求的最佳配置，同时也是最可靠的制造。

(西门子，下一级AI - 由知识图和数据思维提供支持，西门子中国创新日，Michael May，成都)

预计人工智能和制造业中的机器学习将在未来五年内超过机器人技术，成为制造业的主要用例。

供应链操作的复杂性和约束是机器学习算法的理想用例，以提供推荐的解决方案。制造商正在寻求有关预测性维护的试点，那些能够带来明显收入增长的企业最有可能投入生产。

(MAPI基金会，制造业发展：人工智能将如何改变制造业和未来的劳动力作者： Robert D. Atkinson，Stephen Ezell，信息技术与创新基金会（PDF，56页，选择加入）)

机器学习正在彻底改变制造商如何保护每个威胁表面，依靠零信任安全（ZTS）框架来保护和扩展其运营。

制造商正在转向零信任安全（ZTS）框架，以保护其供应链和生产网络中的每个网络，云和内部部署平台，操作系统和应用程序。首席分析师Forrester的Chase Cunningham是Zero Trust Security的主要权威，他最近的视频Zero Trust In Action值得关注，以了解制造商如何保护其IT基础架构。这个领域有几家值得关注的公司，包括 MobileIron创建了一个以移动为中心，零信任的企业安全框架制造商，它们依赖于今天。Centrify的身份访问管理方法阻碍了特权帐户滥用，这是当今违规行为的主要原因。 Centrify 最近的一项调查， 即现代Threatscape中的特权访问管理，发现 74％的违规行为涉及访问特权帐户。特权访问凭证是黑客最常用的技术，用于启动违规行为，从制造商那里获取有价值的数据并在Dark Web上销售。