Tai reiškia, kad pagal AI bangą gamybos pramonė susiduria
On the one hand, the global industrial chain is accelerating its reconstruction, there is a structural shortage of labor, and the dual pressures of quality and efficiency are increasingly emerging. On the other hand, artificial intelligence is penetrating every link from research and development, production to the supply chain at an unprecedented speed, becoming a new variable driving the high-quality development of manufacturing.
Atsižvelgiant į tai, gamyba nebėra AI programų pasekėjas, tačiau pagrindinis jų įgyvendinimo mūšio laukas ir variklis .
Tačiau dirbtinio intelekto gamybos įgalinimas ne tik siekia padidinti efektyvumą ir sumažinti sąnaudas ., tai daro didesnę įtaką loginei struktūrai, organizaciniams metodams ir valdymo galimybėms, pradedant gamybos sistemų evoliucija, pradedant nuo proceso skatinamųjų iki duomenų skatinamų duomenų, nuo automatizavimo iki intelekto ir žvalgybos intelekto, žmogiškųjų ir žmonių žmogiškųjų ir žmonių žmogiškųjų ir žmonių, susijusių su žmogiškaisiais ir žmogiškaisiais ir žmogiškaisiais, evoliucija, siekiant žmogaus ir žmogiškojo žmogaus ir žmogaus, žmogaus ir žmonių, žmogiškųjų ir žmonių, susijusių su žmogiškaisiais ir žmonėmis, ir žmogiškąja žmonėmis, ir žmogiškąsias-žmogiškąsias-žmogiškąsias ir žmogiškąsias sistemas. Bendradarbiavimas .
Todėl AI technologijos įdėjimas inicijuoja gamybos pramonės „iš naujo apibrėžimą“ .
Šis straipsnis bus sutelktas į „dirbtinio intelekto + gamybos“ integracijos tendenciją ir suskaidyti jį iš kelių dimensijų, tokių kaip įgyvendinimo keliai, tipiškos programos, pagrindiniai iššūkiai ir organizacinės galimybės .. aukštesnės kokybės ir atsparesnė ateitis .
„Dirbtinio intelekto + gamybos“ įgyvendinimo kelias: penkios iteracijos nuo suvokimo iki sprendimų priėmimo
Tobulėjant giliai „dirbtinio intelekto + gamybos“ integracijai, pagrindinė gamybos sistemų architektūra yra rami, tačiau gilus rekonstrukcija .
Tradicinė gamybos sistema ilgą laiką priėmė aiškią hierarchinę „suvokimo - kontrolės - vykdymo - operacijos - sprendimų priėmimo“ architektūrą: jutikliai renka duomenis ir įkelkite juos į valdymo sistemą, instrukcijos skatina vykdymo įrenginį, automatizavimo sistema vykdo proceso valdymą, sprendimų priėmimo lygio planus ir koreguojama pagal periodinę duomenų analizę ...
Ši iš viršaus į apačią, centralizuotai kontroliuojama linijinė architektūra, kadaise palaikė didelio masto ir standartizuotą pramoninę gamybą .. Tačiau šiais laikais vis sudėtingesnėje, dinamiškoje ir keičiamoje gamybos aplinkoje jos apribojimai tampa vis ryškesni .
Šiandien gamybos pramonė žengia iš hierarchinės architektūros iki sistemos rekonstrukcijos, kuri yra platformos, integruota ir decentralizuota . suvokimo, kontrolės, vykdymo, veikimo, veikimo ir sprendimų priėmimo.
Šioje architektūroje dirbtinio intelekto galimybės nebėra tiesiog įterptos į tam tikrą jungtį, bet giliai įterptos į viso gamybos tinklo nervų centrą, tarnaujant kaip sistemos žvalgybos palaikymas .
Šis paradigmos poslinkis taip pat nubraižo penkis iteracinius kelius AI pritaikymui gamyboje:
Suvokimo iteracija: nuo „sugebėjimo pamatyti“ iki „sugebėjimo suprasti“
Pirmasis gamybos žingsnis prasideda nuo suvokimo ., kuriant AI vaizdo analizę, intelektualius jutiklius ir pramoninį daiktų internetą, gamybos vietų „akys“ tapo ūmiausi ir įžvalgūs .
Vaizdo analizės sistema AI įjungiama, gali automatiškai nustatyti gamybos anomalijas, įspėti apie gedimus ir pakeisti elementų būseną, sudarydama tradicinių taisyklių pagrįstų algoritmų . apribojimus duomenų gavimo pabaigoje, jutikliai ne tik renka duomenis, bet ir atlieka preliminarią analizę ir įvykių suaktyvinimą per kraštą AI, pateikdami realųjį laiką. žymi išsamios AI integracijos į gamybos sistemas {. pradžios tašką
2. Valdymo iteracija: nuo „taisyklių valdymo“ iki „intelektualios kartos“
Valdymo sistemų intelektas perrašo pramoninės valdymo logiką .. Naujos kartos pramoninės valdymo sistemos, atstovaujamos programinės įrangos apibrėžta automatizacija (SDA), nutraukė uždarą struktūrą, kurioje techninė įranga ir programavimas yra surištos tradicinėse valdymo sistemose, ir sukonstruota atvira, modulinė ir rekonstruojama valdymo platforma ., ir sukonstravo atvirą, modulinę ir rekonstruojamą valdymo platformą ..
Remiantis tuo, įvedus AI asistento įrankius valdymo sistemų .
3. Vykdymo iteracija: nuo „Automation“ iki „Pažangi sinergija“
Pokyčiai taip pat vyksta gamybos vykdymo lygyje . Gilus AI ir pramoninių robotų integracija skatina „pramoninio intelektualių subjektų“ formavimąsi su suvokimo, sprendimo ir vykdymo galimybėmis .
Robotai, kuriuos varo AI instrukcijos, bet intelektualūs vykdytojai, turintys sprendimų galimybes .
4. Operacinė iteracija: nuo „įrašų valdymo“ iki „numatomo optimizavimo“
Gamybos procesų valdymo sistema taip pat buvo visapusiškai restruktūrizuota dėl AI . dirbtinio intelekto įvedimo, paspartina jo integraciją į pagrindines gamybos proceso platformas, tokias kaip MES ir įrangos valdymo sistemos, ir tampa intelektualiu varikliu, skirtu optimizuoti gamybą ..
PG gali modeliuoti įrangos operacijos duomenis, iš anksto nustatyti galimus gedimus ir pasiekti numatomą techninę priežiūrą . optimizuokite OEE našumą atlikdami realaus laiko duomenų srauto analizę; Kokybės valdyme AI naudojama defektų modeliams ir pagrindinėms priežastims nustatyti, todėl padidėja produktų nuoseklumas ir laikymas
T
Gamybos įmonių sprendimų priėmimas taip pat vykdo intelektualią pertvarką . AI pamažu įgys galimybę padėti atlikti didelio paprastumo sprendimų priėmimo užduotis, tokias kaip gamybos planavimas, atsargų modeliavimas ir kokybės prognozė .
Naudodamos AI modelius, įmonės gali atlikti scenarijaus modeliavimą, kad greitai įvertintų įvairių gamybos planavimo strategijų išteklių okupacijos ir pristatymo galimybes ., derinant istorinius ir realaus laiko duomenis, AI gali numatyti kokybės svyravimų tendencijas ir iš anksto sureguliuoti proceso parametrus. Efektyvumas . Gamybos sprendimai pasikeitė nuo atsilikimo į ateitį nukreiptas įžvalgas, tapo pagrindine įmonės judrumo ir atsparumo . palaikymu
Per šiuos penkis šuolius mes matėme, kad dirbtinis intelektas yra nebe išorinis įrankis, o intelektualus veiksnys gamybos sistemoje . Tai peržengia tradicines ribas, integruojasi į kiekvieną lygį ir kiekvieną mazgą ir skatina gamybos sistemą nuo hierarchinės kontrolės iki intelektualios bendradarbiavimo ir vietinio optimizavimo iki sistemos intelekto ..
Ši sisteminė rekonstrukcija yra būtent „dirbtinio intelekto + gamybos“ esmė .
Kokios sistemos galimybės reikalingos gamybos organizacijoms „dirbtinio intelekto +“ eroje?
Dabartinėje greito dirbtinio intelekto vystymosi eroje ne kartą buvo aptartas klausimas: ar AI pakeis žmones? Gamybos pramonėje ši problema yra ypač jautri .
Anksčiau kiekvienas automatikos šuolis į priekį atrodė lydimas tendencijos, kai „mašinos pakeičia žmones“ . Tačiau šiandieninis dirbtinis intelektas, ypač jo taikymo kelias gamybos scenarijuose, pateikia neabejotiną atsakymą: AI nėra skirta sumažinti žmonių skaičių, o patobulinti juos {}}}
Intelektualiam gamybai reikia daugiau žmonių, o ne mažiau .
Tai reiškia, kad platus AI pritaikymas lėmė atleidimų bangą; Vietoj to, tai sukėlė didelę naujų įgūdžių ir universalių talentų paklausą .
Anksčiau AI buvo labiau vertinama kaip įrankis: naudojamas padėti aptikti, analizuoti duomenų analizę ir ataskaitų generavimą . šiais laikais, skverbtis į AI modelius prognozuojant prižiūrėtojus, kokybės kontrolę, gamybos planavimą ir kitas nuorodas, jie palaipsniui vystosi iš pagalbinių teisėjų, kad dalyvautų sprendimų priėmėjuose .}}}}, jie palaipsniui tobulėja iš pagalbinių teisėjų, kad galėtų dalyvauti sprendimų priėmėjuose .}}}}, jie palaipsniui vystosi iš pagalbinių teisėjų dalyvavimo sprendimų priėmėjuose .}.
Ši evoliucija ne tik pakeitė technologijos vaidmenį, bet ir pakeitė organizacinę struktūrą . gamybos įmonės pereina iš vienpusio „žmonių sprendimų priėmimo ir pagalbos“ santykio su dvipusiu bendradarbiavimo modeliu, kuris nėra „žmogaus ir mašinų bendro sprendimo sudarymo“ . AI, o ne „Žmogaus-Machino bendro sprendimo sudarymo“ proceso proceso procesas. Evoliucija ir suaktyvinimo proceso pertvarkymas .
Tai taip pat reiškia, kad įmonių reikalavimams talentams kyla kokybiniai pokyčiai: jiems ne tik reikia inžinierių, kurie supranta AI, bet ir AI talentus, kurie supranta gamybą . AI generalistus, turinčius tarpvalstybinius galimybes, sistemų mąstymą ir verslo supratimą, taps pagrindine organizacijos intelektualios transformacijos palaikymu ..
Jei AI yra intelektualios gamybos „smegenys“, tada organizacinės galimybės yra lemiamas veiksnys, ar šis „kūnas“ yra lankstus, stiprus ir tvarus ., įvedant AI erą, gamybos įmones reikia ne tik įdiegti algoritmus ir įrankius, bet ir sukurti sisteminę gebėjimų sistemą, kuri palaiko įgyvendinimą, plėtrą ir plėtrą .}}}}}.
Strateginės galimybės: AI yra ne tik „IT projektas“, bet ir „normali operacija“ .
Kai daugelis įmonių reklamuoja „dirbtinį intelektą + gamybą“, jos mano, kad tai yra vienkartinė informacijos atnaujinimas ir palieka IT skyriui, kad jis imtųsi pavyzdžio ., šis požiūris dažnai lemia AI projektus, prasidedančius aukštai, bet baigiasi žemai, sėkmingais bandomaisiais projektais ir nesėkmingu replikacija ..
Tikrai pertvarkyti intelektualią gamybą reikia dėl AI, kaip pagrindinio strateginio šaltinio, skatinančio verslo operacijų modelių pakeitimą . AI, neturėtų egzistuoti nepriklausomai nuo verslo operacijų, tačiau turėtų būti giliai integruotos į pagrindinius procesus, tokius kaip gamyba, kokybės kontrolė, tiekimo grandinės valdymas ir energijos valdymas . AI strategija turėtų būti giliai integruota į verslo strategiją, formuojant „Dual-Dual“ modelį. važiuoti ".
2. talentų galimybės: sukurkite kompozicinį ešeloną „AI inžinieriai + verslo ekspertai“
Talentų struktūros optimizavimas yra būtina sąlyga įgyvendinti AI ., viena vertus, įmonėms reikalingi inžinieriai, turintys AI algoritmų galimybes ir duomenų modeliavimo galimybes Aiškios ir žinios struktūrizuotos, kad AI modeliai būtų artimesni realaus pasaulio problemoms .
Dvikalbiai talentai, turintys inžinerinę ir verslo kalbą
3. Organizacinė struktūra: skatinti AI vidurinės platformos ir verslo operacijų statybą
PG projektai dažnai yra fragmentiški ir sunkiai atkartoti dideliu mastu . Pagrindinė priežastis yra vieningų duomenų ir modelio pagrindų trūkumas .. Į įmonės turi kurti AI ir duomenų vidurinę platformą su pakartotiniu naudojimu, integruojant pagrindinę algoritmų galimybes, duomenų valdymo galimybes ir verslo procesus, kad būtų galima sudaryti dvi-pakartotinius architektūras, „platformos + architektūras), kad būtų galima naudoti„ platformą + “platformą,„ platformos + architektūrą), kad būtų galima sudaryti „platformos +“ platformą, „platformos) architektūrą,„ platformą +-„Plathrerety“. scenarijus ".
Organizaciniu požiūriu taip pat būtina nustatyti įvairių diskusijų AI taikymo komitetus ar skaitmeninių operacijų komandas, kad būtų pašalintos kliūtys tarp jos ir OT, mokslinių tyrimų ir plėtros bei gamybos, būstinės ir svetainės, ir pasiekti bendrą kūrimo modelį, kai problemos kyla iš priekinės linijos, o sprendimai teikia platformą.}.}.}.}.}
4. įgyvendinimo kelias: nuo bandomųjų projektų iki visos grandinės diegimo
Remiantis intelektualaus gamybos transformacijos keliu, siūlomu tyrimo ataskaitoje, įmonės turėtų laikytis aštuonių žingsnių judraus pradžios, greito iteracijos ir nuolatinio plėtros metodų, kai diegdamos AI projektus, kaip parodyta aukščiau esančiame paveikslėlyje .
Šis kelias pabrėžia, kad AI pritaikymas neturėtų būti pernelyg ambicingas ir išsamus ., vietoj to jis turėtų imtis mažų, bet greitų žingsnių, mokytis ir palaipsniui vystytis, kad būtų pasiektas spiralinis šuolis iš „vietinio intelekto“ į „Sistemos intelektą“ .}.
Tikroji AI vertė nevyksta keičiant žmones, o formuojant protingesnę, judresnę ir labiau išsivysčiusią gamybos organizaciją . Tai leidžia organizacijoms pereiti nuo patirties skatinamos prie duomenų, o nuo proceso tvirtinimo {5}, galiausiai formuojant intelektualią kūrimo sistemą, nukreiptą į žmonių ir medienos ir nuo jų.
Konkurencija būsimoje gamybos pramonėje nebebus įrangos ir gamybos pajėgumų konkursas, o labiau pažinimo gebėjimų, organizacinių gebėjimų ir intelektualių galimybių konkurencija . AI nėra pabaiga, o naujos pramoninės civilizacijos . pradžios taškas ..
Duomenys ir modeliai: ypač sunkus „dirbtinis intelektas + gamybos“ dvigubas variklis, kurį reikia įvaldyti
AI variklis gali iš tikrųjų skatinti nuolatinę intelektualios gamybos sistemos raidą, kai ir „Duomenys“, ir „Modeliai“ veiksmingai veikia .
Tačiau praktiškai įgyvendinant „Dirbtinio intelekto + gamybos“ įmonės dažnai patenka į kognityvinį nesusipratimą: manydami, kad tol, kol AI algoritmai yra dislokuoti, ir pramoniniai duomenys yra susiję, intelektualios sprendimų priėmimo ir optimizavimo rezultatai gali būti automatiškai gauti ., tačiau realybė yra tai, kad daugelis gamybos įmonių „iš tikrųjų“ gali būti įgyvendinami, tačiau nepavyko atkartoti, o pagrindą ir pagrindą, o pagrindą ir pagrindą, o pagrindą reikia atlikti, tačiau jie buvo automatiškai įgyvendinti, tačiau nepavyko gauti .. Faktas, kad du pagrindiniai duomenų ir modelių varikliai iš tikrųjų neprasidėjo .
Duomenų iššūkis: Gamybos įmonės turi „daugiausiai duomenų“, taip pat „sunkiausių duomenų naudojimo“ .
Kodėl duomenis sunku naudoti? Daugiausia yra trys pagrindinės priežastys:
Duomenys iš prigimties yra nepakankamos ir nevienodos kokybės: didelis kiekis pramoninių duomenų turi tokių problemų kaip triukšmas, trūkstami duomenys ir heterogeniškumas ., trūksta valdymo mechanizmų, o tiesiogiai „maitinti“ jį modeliui yra prieštaringa .
Duomenys nėra apdorojami vėliau gyvenime ir neturi konteksto struktūros: daugelis įmonių renka „izoliuotus duomenų taškus“, kuriuose nėra konteksto informacijos, tokios kaip įvykiai, procesai ir partijos, o tai lemia, kad modelio nesugebėjimas suprasti jo verslo semantikos ir priežastinio logikos .
Gilesnė problema yra ta, kad nors gamybos įmonės turi duomenis, jiems trūksta galimybių sistemos paversti duomenis naudingomis žiniomis . Tai nėra programinės įrangos funkcionalumo problema, o sistemingas organizacinio mechanizmo, duomenų ir valdymo sistemos {1. trūkumas ..
Todėl gamybos pramonės duomenys nėra per mažai, tačiau per daug išsibarstę ., tai nėra tai, kad tai neturi jokios vertės, tačiau kontekstinė informacija yra nepakankama .
2. Modelio iššūkis: Pramonės žvalgybos negalima pasiekti per naktį, pasikliaujant „bendrieji dideli modeliai“
Pramoniniai PG modeliai susiduria su trim pagrindiniais iššūkiais:
Proceso supratimo trūkumas: Gamybos procesas apima daugybę tylių žinių, tokių kaip empirinės taisyklės, fiziniai mechanizmai ir daugialypis kintamosios jungtys . Jei modelis nesupranta proceso, jis gali padaryti tik svarbias prognozes ir negali atlikti pagrindinių priežasčių analizės ar proceso optimizavimo ....
Duomenų trūkumas ir ženklinimo sunkumai: Palyginti su tokiomis interneto sritimis kaip elektroninė komercija ir socialiniai tinklai, pramoniniai scenarijai trūksta didelio masto atvirojo kodo duomenų rinkinių, o daugeliui nenormalių duomenų sunku žymėti, todėl prižiūrimas mokymasis netvarius .
Nepakankamas apibendrinimo gebėjimas ir sudėtinga scenos migracija: to paties modelio veikimas labai skiriasi skirtingose gamybos linijose ir įrenginiuose ., trūksta pagrindinių galimybių, kurias galima perkelti ir suderinti, todėl didelės AI dislokavimo išlaidos, ilgi ciklai ir mažos IG . {2} {2} {2} {2} {2} {2}
Todėl tai, ko gamybos pramonei iš tikrųjų reikia, yra gilių AI modelių scenarijus: tie, kurie gali ne tik suprasti fizinį elgesį ir proceso mechanizmus, bet ir prisitaikyti prie dinaminių sąlygų ir įrangos skirtumų, turint pramoninį intelektą su nedideliu imties dydžiu ir stipriu apibendrinimu .
Akivaizdu, kad gamybos AI modeliai nėra „kalbantys modeliai“, o „modeliai, galintys suprasti fiziką“ . Tai nėra „turinio generavimo modelis“, o „proceso rekonstravimo modelis“ .
3. Valdymo iššūkiai: PG yra ne apie skolinimąsi; Gebėjimo sistemos statyba yra tikrasis atskaitos taškas gaminant AI
Susidūrę su dvigubais duomenų ir modelių iššūkiais, įmonės nebegali likti diegimo įrankių stadijoje, tačiau turėtų pereiti prie išsamios ir tvarios AI galimybių sistemos {. kūrimo stadijos. II . scenos modeliavimas: išreikškite verslo kalbų problemas ir išspręskite jas algoritmine kalba; Iii . modelio tikslinio derinimo mechanizmas: įsitikinkite, kad kiekvienas agentas įsitraukia į savo sceną .
AI nėra kažkas, ką reikia priimti . "dirbtinis intelektas + gamyba" turėtų būti laikoma sisteminiu projektu . Dirbtinio intelekto įrašymas į gamybą nereiškia, kad jis tampa naudingas tik todėl, kad jis yra įdiegtas iš duomenų, o tai nėra intelektuali, nes jis tampa intelektuali. Tai tampa intelektuali, nes jis tampa intelektualus tik todėl, kad jis tampa intelektualus tik todėl, kad jis tampa intelektualus tik todėl, kad jis tampa intelektualus tik todėl, kad jis tampa intelektuali. Organizacijos .
Jei įmonės tikisi iš tikrųjų pasiekti AI įjungtą gamybą, jos turi atitrūkti nuo „į įrankį orientuotos“ mąstysenos ir sukurti dvigubo variklio sistemą „Duomenų galimybių + modelio galimybės“ ateičiai ., kurie gali būti tik dirbtiniai intelektuos, bet ir tapti intelektualiais bendradarbiais, bet ir tapti intelektualiais bendradarbiais, bet ir tapti intelektualiais bendradarbiais} {5} {5} {5}. {5} {5} {5} {5} {5} {5} {5} {5} {5} {5} {5} {{5} {5} {5} {{5} gali būti veikianti, bet ir nuolatiniu intelektu.