Nishkam Batta, GrayCyan 的创始人和 CEO Nishkam Batta GrayCyan 的创始人和 CEO

制造业中人工智能采用的隐藏问题

制造业的每个人似乎都在谈论人工智能。预测性维护、自动化质量检查、实时供应链优化。在纸面上，这些用例承诺更少的停机时间、更高的生产率和更快、更有根据的决策。但是，尽管人工智能工具的兴奋和投资很多，许多制造商仍然难以从试验转向真正的成果。事实证明，最大的瓶颈不是算法的缺乏，甚至不是对人工智能潜力的缺乏意识。最顽固的、隐藏的问题是低效。特别是人工智能能力与大多数工厂车间中发现的分散、不一致的运营现实之间的差距。你不需要看得很远就能看到这个问题在数据中反映出来。2024年的制造业调查发现，虽然90%的制造商报告称他们的运营中使用了一些形式的人工智能，但38%仍然觉得他们在实施和影响方面落后于同行。这揭示了一种“冒名顶替综合征”，技术存在但尚未转化，因为它尚未嵌入核心流程中。同时，一项广泛的行业研究表明，65%的制造商将数据挑战列为人工智能采用的最大障碍，远远超过其他问题，如工作人员技能或遗留设备。数据质量问题更为深刻。对IT和商业领袖（包括许多制造业领袖）的全球调查发现，87%的受访者同意，优秀的数据对于人工智能的成功至关重要，但只有42%的受访者认为他们的数据的完整性和准确性是优秀的，同样比例的受访者表示，数据质量差是进一步投资人工智能的障碍。这些发现使得一件事很明显：制造商渴望利用人工智能，但大多数制造商还没有必要的运营基础来真正推动业务发展。为什么“人工智能准备度”和真正的采用不是同一件事把准备度等同于采用是很诱人的。但研究表明，这两个概念之间存在着惊人的差距。发表在《科学直接》上的研究表明，即使公司在技术上表现出很高的准备度，但实际的采用率，尤其是在生产环境中，往往仍然停留在个位数。这表明，公司犹豫是否实施人工智能，因为他们仍然缺乏信心，无法确定人工智能在实际运营环境中的表现。这种犹豫并不是令人惊讶的，当你考虑到制造业传统上是如何运作的。与金融或电子商务等数据驱动的行业不同，制造业一直围绕着物理流程和机器，而不是数据。联合国经社局的一份报告指出，制造商比信息和通信技术公司更频繁地遇到人工智能采用的障碍，部分原因是他们缺乏大数据实践的传统，并且更依赖于遗留系统。这意味着在实践中，组织急于试验人工智能，而没有建立必要的数据基础设施和工作流一致性。就像把高性能发动机安装到一辆车架破裂的汽车上，期待它能正常运行。数据、流程和“人工智能现实差距”行业内部讨论的一个更有启发性的框架是“现实差距”的概念。在调查中，制造商一致表达了对他们的人工智能战略的信心。多数人表示，人工智能是首要任务和竞争优势。然而，只有很小一部分人觉得他们真正准备好实施人工智能项目。这种差距源于几个核心问题： 碎片化的数据环境。传感器、机器、ERP系统和质量日志通常存在于没有标准化信息共享方式的孤岛中。人工智能模型需要一致可靠的输入。当这些输入不完整或不一致时，预测变得不那么可靠。 手动和断开的流程。一个工厂可能在一些机器上有强大的IoT设备，但仍然依赖纸质日志进行质量检查。人工智能系统无法弥补缺失或延迟的数据；它们只会放大它们看到的东西。 组织准备度。即使基础设施正在改进，许多团队也缺乏将模型输出转化为行动的经验。没有明确的工作流程和对人工智能的信任，洞察力将无法使用。 不作为的隐藏成本忽视这些障碍并非无害。研究一致表明，未能解决基础低效率的组织难以从他们的人工智能投资中提取价值。例如，一份关于工业人工智能能力的报告强调，几乎80%的工业公司缺乏成功使用人工智能的内部能力，尽管大多数公司预计人工智能将改善质量和服务。在制造业以外的商业环境中，研究表明，多达80%的公司未能从人工智能中受益，因为它们忽略了组织、人员和变革管理因素——而不是技术本身有缺陷。这些见解值得重复：人工智能在制造业中的挑战不仅仅是技术集成问题。它是关于工作流程设计、决策过程、数据治理和与这些工具交互的系统。弥合差距：真正的进展发生在哪里那么，制造商如何弥合潜力和现实之间的差距？这始于认识到人工智能不应该是附加的，它必须嵌入到现有的运营结构中。首先关注数据准备度。将所有数据带入系统、改善可访问性并定义治理规则不仅使人工智能工具更好地发挥作用，还会在输出中产生信心。行业调查将数据问题置于障碍列表的首位，同时也显示了制造商谁先解决这些问题，谁就更有可能超越试验项目，进入扩大规模阶段。将人工智能与实际工作流程对齐。人工智能不应该是一个单独的层次；它应该与人类决策和日常流程集成。团队必须了解技术正在做什么以及为什么其输出很重要。这意味着需要在人工智能采用的内部教育和治理上进行投资。建立连接系统的基础设施。成功的人工智能采纳涉及将来自不同源、传感器、机器、ERP、质量系统的数据流统一为一个连贯、可访问的层次。真正的进展发生在公司从他们可以看到和触摸的问题开始的时候。不能相互通信的机器、仍然手写的质量日志以及依赖于记忆或习惯的流程都会制造出看不见的障碍。当团队花时间连接系统并使工作流程一致时，技术开始提供指导，而不是混乱。人工智能不会自动修复破碎的流程。它很少是关于购买最新的软件或追逐最新的模型。做得好的公司专注于连接现有的系统、减少错误并确保团队拥有采取行动所需的信息。当这些条件具备时，人工智能不再感觉像一个实验，并开始与操作员一起工作，帮助他们更早地发现问题并更自信地做出日常决策。