Это означает, что под волной ИИ производственная промышленность сталкивается с глубоко укоренившимися структурными проблемами и давлением трансформации, стоя на пороге «Переосмысления» .
С одной стороны, глобальная промышленная цепочка ускоряет свою реконструкцию, существует структурная нехватка труда, а двойное давление качества и эффективности все больше становится все более
На этом фоне производство больше не является последователем приложений ИИ, а основное поле битвы и двигатель для их реализации .
Тем не менее, расширение возможностей производства с помощью искусственного интеллекта не просто нацелено на повышение эффективности и снижение затрат ., оно оказывает более глубокое влияние на логическую структуру, организационные методы и возможности управления производственными системами, способствуя эволюции производственной отрасли от процесса, управляемой до данных, от разведки и от человеческой точки. Сотрудничество .
Следовательно, внедрение технологии ИИ инициирует «переопределение» производственной отрасли .
Эта статья будет сосредоточена на тенденции интеграции «искусственного интеллекта + производства» и разбивает ее из нескольких измерений, таких как пути внедрения, типичные приложения, ключевые проблемы и организационные возможности . Она будет изучать, как ИИ может быть внедрен в систему производства, слоя, способность к управлению, выполнение, в сфере решений, способность подумать о выработке. более качественное и более устойчивое будущее .
Путь реализации «Искусственный интеллект + производство»: пять итераций от восприятия до принятия решений
С развитием глубокой интеграции «Искусственный интеллект + производство», основная архитектура производственных систем проходит тихую, но глубокую реконструкцию .
Традиционная производственная система давно приняла особую иерархическую архитектуру «восприятие - контроль - выполнение - операция - принятие решений»: датчики собирают данные и загружают их в систему управления, инструкции стимулируют единицу выполнения, система автоматизации проводит управление процессами и планы уровня принятия решений и корректировки на основе периодического анализа данных . и уровня принятия решений и на основе периодического анализа данных .}}} и на основе периодического анализа данных .}}} и на основе периодического анализа передачи данных
Эта нисходящая, центрально контролируемая линейная архитектура, когда-то поддерживаемая крупномасштабное и стандартизированное промышленное производство ., однако, в все более сложной, динамичной и изменчивой производственной среде в настоящее время его ограничения становятся все более заметными .
Сегодня производственная отрасль переходит от иерархической архитектуры к реконструкции системы, которая является платформой, интегрированной и децентрализованной . восприятие, управление, выполнение, операция и принятие решений больше не отдельные системы, но действуют в координации, взаимодействуют в режиме реального времени и формируют интеллектуальную закрытую цикл на единой технической платформе .}}} и формируйте интеллектуальную закрытую цикл. и формируйте интеллектуальную закрытую цикл {3} и формируйте интеллектуальную замкнутую цикл {3} и формируйте интеллектуальную закрытую цикл {3} и формируйте интеллектуальную закрытую цикл {3} и формируйте интеллектуальную закрытую цикл на единой технической платформе.
В этой архитектуре возможности искусственного интеллекта больше не просто вставлены в определенную ссылку, а глубоко встроены в нервный центр всей производственной сети, служа поддержкой в качестве поддержки системного интеллекта .
Этот сдвиг парадигмы также выделяет пять итерационных путей для применения ИИ в производстве:
Итерация восприятия: от «способности видеть» до «способности понимать»
Первый шаг производства начинается с восприятия . с разработкой видео -анализа ИИ, интеллектуальных датчиков и промышленного Интернета вещей, «глаза» производственных сайтов стали более острыми и проницательными .
Система анализа видео с AI-с поддержкой может автоматически идентифицировать производственные аномалии, предупреждения об ошибках и изменять статус элементов, что составляет ограничения традиционных алгоритмов, основанных на правилах, . в конце сбора данных, датчики не только собирают данные, но и проводят предварительный анализ и инициативы событий, обеспечивая режиссер для режима для преподавательского контроля и выполнения {4 {4 atemerment {4 atemerment {4 atemerment {4 atemerment {4 atemerment {4 atemerment {{4 atemerment {{4 atemerment {{4 atemerment {{4 atemerment {{4 atemerment. Оценка отправной точки для комплексной интеграции ИИ в производственные системы .
2. управление итерации: от «управления правилами» до «интеллектуальной генерации»
The intelligence of control systems is rewriting the logic of industrial control. The new generation of industrial control systems represented by Software-defined Automation (SDA) has broken the closed structure where hardware and programming are bound in traditional control systems, and constructed an open, modular and reconfigurable control platform.
Исходя из этого, внедрение инструментов помощников искусственного интеллекта сделало программирование PLC больше не задачи, которую инженеры могут выполнить в одиночку ., описывая цели управления через естественный язык, AI может автоматически генерировать логику управления, блок-схемы, семантические аннотации и даже провести отладку и проверку, достигая перемещения от человеческого кода, и даже в проведении, способствующих развитию, способствуя развитию, способствуя развитию, и в стимулируемости, способствуя развитию, и в стимулируемости, способствуя развитию, способствуя развитию, и даже в проведении. Возможности систем управления .
3. итерация выполнения: от «автоматизации» до «интеллектуальной синергии»
Изменения также происходят на уровне выполнения производства . глубокая интеграция ИИ и промышленных роботов способствует формированию «промышленных интеллектуальных сущностей» с возможностями восприятия, суждения и исполнения .
Роботы, управляемые ИИ, могут не только выполнять повторяющиеся операции, но и достигать адаптивного планирования пути, визуального распознавания в реальном времени и многомахолонного совместного планирования . с помощью цифровой двойной и симуляционной платформы, роботы могут завершить тренировку и проверку в виртуальной среде перед развертыванием, значительно снижая онлайн-цикл. Инструкции, но интеллектуальные исполнители с возможностями суждения .
4. Операционная итерация: от «Управление записями» до «прогнозной оптимизации»
Система управления производственными процессами также была всесторонне реструктурирована благодаря введению AI . искусственного интеллекта ускоряет свою интеграцию в платформы основных производственных процессов, такие как MES и системы управления оборудованием, становясь интеллектуальным двигателем для оптимизации производства .
ИИ может моделировать данные операции оборудования, заранее определить потенциальные ошибки и достичь прогнозного обслуживания . оптимизировать производительность OEE с помощью анализа потока данных в реальном времени; В управлении качеством ИИ используется для идентификации шаблонов дефектов и основных причин, тем самым повышая согласованность и соблюдение продуктов . Управление процессами производства переходит от реактивного управления к прогнозной работе, достижение уровня процесса, управляемой данными интеллектуальной оптимизация.}}}}}}}}}}}
5. Итерация принятия решений: от «анализа периодических лагов» до «Интеллектуального принятия решений в реальном времени»
Принятие решений производственными предприятиями также претерпевает интеллектуальную трансформацию . AI постепенно приобретает способность помогать в задачах принятия решений с высоким уровнем компенсации, таких как планирование производства, моделирование инвентаризации и прогноз качества .}}}}}}}}}}
С помощью моделей искусственного интеллекта предприятия могут провести сценарий моделирования для быстрого оценки ресурсных возможностей и предоставленных возможностей для доставки различных стратегий планирования производственного планирования ., объединяющих исторические данные и данные в реальном времени, ИИ может предсказать тренд качественных колебаний и корректировать параметры обработки. Эффективность . Решения о производстве перешли от отстающих ответов к прогнозном понимании, став ключевой поддержкой ловкости и устойчивости предприятия .
Во время этих пяти скачков мы стали свидетелями того, что искусственный интеллект больше не является внешним инструментом, а интеллектуальным фактором в системе производства ., он выходит за рамки традиционных границ, интегрируется во все уровни и каждый узел и способствует производственной системе от иерархического контроля до интеллектуального сотрудничества и от локальной оптимизации до разведки системы.}}}}}}
Эта систематическая реконструкция является именно сущностью «Искусственный интеллект + производство» .
Какие системы необходимы для производственных организаций в эпоху «Искусственный интеллект +»?
В нынешнюю эпоху быстрого развития искусственного интеллекта вопрос, который неоднократно обсуждался: заменит ли ИИ людей? В производственной отрасли этот вопрос особенно чувствителен .
В прошлом каждый прыжок в автоматизации, казалось, сопровождался тенденцией «машин, заменяющих людей» ., однако, сегодняшний искусственный интеллект, особенно его путь применения в сценариях производства, дает нам определенный ответ: ИИ не предназначен для уменьшения количества людей, но для их улучшения..
Интеллектуальное производство требует больше людей, а не меньше .
Это означает, что широкое применение ИИ не привело к волне увольнений; Вместо этого это вызвало высокий спрос на новые навыки и универсальные таланты .
В прошлом ИИ больше рассматривался как инструмент: используемый для помощи в обнаружении, анализе данных и генерации отчетов . в настоящее время, с проникновением моделей искусственного интеллекта в поддержании прогнозирования, контроль качества, планировании производства и других ссылках, они постепенно развиваются от вспомогательных судей до участвующих решений.}}}}
Эта эволюция не только изменила роль технологии, но и изменила организационную структуру . производственные предприятия, переходит от односторонней взаимосвязи «принятия решений человеком и AI» к двусторонней совместной модели «Совместное управление человеческим совместным решением» {7}. эволюция и процесс запуска реинжиниринг .
Это также означает, что требования предприятий для талантов претерпевают качественные изменения: им нужны не только инженеры, которые понимают ИИ, но и таланты ИИ, которые понимают производство. AI-универсалов с трансграничными возможностями, системным мышлением и пониманием бизнеса станут ключевой поддержкой для интеллектуального преобразования организации ., системного мышления и понимания бизнеса станут ключевой поддержкой для интеллектуальной трансформации организации .}}}}}.
Если ИИ является «мозгом» интеллектуального производства, то организационные возможности являются решающим фактором для того, является ли этот «тело» гибким, сильным и устойчивым ., входящим в эпоху ИИ, производственные предприятия не только необходимы для введения алгоритмов и инструментов, но и для создания системы систематической способности, которая поддерживает ее, рост и разумные.
Стратегическая способность: ИИ - это не просто «ИТ -проект», а «нормальная операция» .
Когда многие предприятия продвигают «искусственный интеллект + производство», они рассматривают его как одноразовое обновление информации и оставляют его в ИТ-отдел, чтобы взять лидерство . Этот подход часто приводит к тому, что проекты искусственного интеллекта начинаются высоко, но заканчиваются низкими, с успешными пилотными проектами и неудачной репликацией.}}}
Истинное преобразование интеллектуального производства требует, чтобы в отношении ИИ в качестве основного стратегического ресурса, управляющего изменением моделей бизнес-операции ., не должно существовать независимо от бизнес-операций, но должно быть глубоко интегрировано в основные процессы, такие как производство, контроль качества, управление цепочками поставок и управление энергией {1}. Drive ".
2. Возможности талантов: Создайте составной эшелон «Инженеры AI + бизнес -эксперты»
Оптимизация структуры талантов является предпосылкой для реализации AI ., с одной стороны, предприятиям нужны инженеры с возможностями алгоритма ИИ и возможностями моделирования данных, которые могут понимать структуру, характеристики и шум производственных данных {1}. Опыт явного и структурированных знаний, так что модели ИИ находятся ближе к реальным проблемам .
Двуязычные таланты как с инженерным языком, так и с деловым языком будут незаменимыми магистральными силами для производственных предприятий в будущем .
3. Организационная структура: Продвигайте совместную конструкцию средней платформы ИИ и бизнеса
Проекты искусственного интеллекта часто фрагментируются и трудно воспроизвести в крупномасштабных ., что фундаментальная причина заключается в отсутствии унифицированных данных и модельной основы .. сценарий ".
Организационно также необходимо создать межсочевые комитеты по приложениям ИИ или команды по цифровым операциям, чтобы разрушить барьеры между IT и OT, R & D и производством, штаб-квартирой и сайтом, и достичь модели совместного создания, где проблемы поднимаются с линии фронта, а решения предоставляются платформой.}}
4. путь реализации: от пилотных проектов до развертывания полной цепи
Согласно интеллектуальному пути производственного преобразования, предложенного в исследовательском отчете, предприятия должны следовать восьмиступенчатному методу гибкого запуска, быстрой итерации и непрерывного расширения при развертывании проектов ИИ, как показано на приведенном выше рисунке.
Этот путь подчеркивает, что применение ИИ не должно быть чрезмерно амбициозным и всеобъемлющим . вместо этого, он должен предпринять небольшие, но быстрые шаги, учиться на выполнении и постепенно развиваться, чтобы достичь спирального скачка от «локального интеллекта» к «системному интеллекту» .}}}
Истинное значение ИИ не лежат в замене людей, но в формировании более умной, более гибкой и более развитой производственной организации . это позволяет организациям переходить от опыта к управлению данными и от жесткости процесса к интеллектуальной гибкости, в конечном итоге формируя интеллектуальную систему совместного создания в центре человека на человеке.
Конкуренция в будущей производственной отрасли больше не будет конкурсом оборудования и производственных мощностей, а скорее конкуренцией когнитивных способностей, организационных способностей и интеллектуальных возможностей . AI - это не конец, а отправная точка новой промышленной цивилизации.
Данные и модели: чрезвычайно сложный «искусственный интеллект + производство» двойной двигатель для мастера
Двигатель AI может по -настоящему стимулировать непрерывную эволюцию интеллектуальной производственной системы, когда «данные» и «модели» работают эффективно одновременно .
Тем не менее, в практической реализации «искусственного интеллекта + производства» предприятия часто попадают в когнитивное недопонимание: полагая, что до тех пор, пока развернуты алгоритмы ИИ и промышленные данные связаны, интеллектуальные решения и результаты оптимизации могут быть автоматически достигнуты {2}, но в реальности, что многие из них являются успешными, но не удаляются, но в результате повторных причин. В том, что два основных двигателя данных и моделей действительно не запустили .
Задача данных: производственные предприятия имеют «наибольшее количество данных», но также и «самые сложные данные для использования» .
Почему данные трудно использовать? Есть в основном три основные причины:
Данные по своей природе недостаточны и неравномерного качества: у большого количества промышленных данных есть такие проблемы, как шум, отсутствующие данные и гетерогенность .. Отсутствие механизмов управления, и непосредственно «кормление» для модели контрпродуктивное.
Данные не обрабатываются позже в жизни и не имеют контекстной структуры: многие предприятия собирают «изолированные точки данных», отсутствуют контекстную информацию, такую как события, процессы и партии, что приводит к неспособности модели понять его бизнес -семантику и причинно -следственную логику .
Более глубокая проблема заключается в том, что, хотя производственные предприятия имеют данные, им не хватает системы способностей превращать данные в полезные знания . Это не проблема с функциональностью программного обеспечения, а скорее систематический недостаток в организационном механизме, системе мышления данных и управления.}
Следовательно, данные в производственной промышленности не слишком мало, но слишком разбросаны ., это не то, что это не имеет значения, а то, что контекстная информация недостаточно .
2. Модель задача: промышленная интеллект не может быть достигнута в течение ночи, полагаясь на «Общие крупные модели»
Промышленные модели ИИ сталкиваются с тремя основными проблемами:
Отсутствие понимания процесса: производственный процесс включает в себя большое количество молчаливых знаний, таких как эмпирические правила, физические механизмы и мульти-подгоревшая связь ., если модель не понимает процесс, она может только делать соответствующие прогнозы и не может провести анализ корневой причины или оптимизации процесса..
Нехватка данных и трудности с маркировкой: по сравнению с интернет-областями, такими как электронная коммерция и социальные сети, промышленные сценарии не имеют крупномасштабных наборов данных с открытым исходным кодом, и многие ненормальные данные трудно пометить, что делает контролируемое обучение неустойчивым .}}
Недостаточная способность обобщения и сложная миграция сцены: производительность одной и той же модели сильно варьируется в различных производственных линиях и устройствах . Есть отсутствие основных возможностей, которые можно мигрировать и настраивать, что приводит к высоким затратам на развертывание ИИ, длинные циклы и низкую roi .}}}}}}}
Поэтому, на самом деле необходимы производственная отрасль, представляют собой сценарий-вульдевые модели искусственного интеллекта: те, которые могут не только понимать физическое поведение и механизмы процесса, но и адаптироваться к динамическим условиям и различиям в оборудовании, обладая промышленным интеллектом с небольшим размером выборки и сильным обобщением.
Очевидно, что модели искусственного интеллекта в производстве являются не «говорящими моделями», а «модели, которые могут понимать физику» ., это не «модель для генерации контента», а «модель для реконструкции процесса» .
3. Проблемы управления: AI не о заимствовании; Конструкция системы возможностей является истинной отправной точкой для производства ИИ
Перед лицом двойных задач данных и моделей предприятия больше не могут оставаться на стадии развертывания инструментов, но должны перейти к созданию полной и устойчивой системы возможностей ИИ ., что ядро лежит в том, что хорошо в трех вещах: во -первых, управление данными: от «сбора данных» до «генерирующих знаний»; II . Моделирование сцены: экспресс -проблемы на деловом языке и решить их на алгоритмическом языке; III . Модель механизма тонкой настройки: убедитесь, что каждый агент вписывается в свою сцену .
ИИ не является чем -то, что следует принять . «Искусственный интеллект + производство» следует рассматривать как систематический проект ., ввод искусственного интеллекта в производство не означает, что он становится полезным только потому, что он устанавливается, а также не означает, что он становится интеллектуальным только потому, что он приобретается.}}}}}}}}}}. Организации .
Если предприятия надеются по-настоящему добиться производства с поддержкой AI, им необходимо отказаться от «ориентированных на инструмент» и построить двойную систему «Возможности данных + модели» для будущего . Таким образом, может искусственный интеллект, а не просто спектатор в производстве, но становятся интеллектуальным сотрудником, который может понимать, и конфисковать.