超越炒作 – 人工智能在制造业中真正发挥作用的地方

人工智能被誉为下一次工业革命，但许多领导者正在努力将热情转化为实际成果。超过80%的美国制造业领导者表示，他们计划在未来两年内增加对人工智能的使用，但这并不总是伴随着明确的战略来实现预期的结果。

在董事会层面对人工智能的压力和复杂的生产环境之间存在着日益增长的差距，这个差距需要被弥合，否则制造商无法看到人工智能在其业务中的益处。

人工智能的采用速度超过了准备度

如今，制造业领导者知道他们需要采用人工智能才能保持竞争力。来自国家制造商协会（NAM）的最近调查发现，51%的制造商目前正在使用人工智能，80%的制造商认为人工智能对于扩大或维持其业务至关重要。

制造商以各种方式使用这项技术。人工智能具有巨大的潜力。然而，在许多组织中，人工智能投资并没有带来预期的回报。

PWC和制造业研究所最近进行的一项调查发现，领导者采纳人工智能的推动力可能会超过准备度。同一项调查还发现：

• 人工智能的采用可能会减慢其融入日常运营的速度
• 沿着人工智能采纳曲线的进步需要培训和经验能力的构建
• 人员和准备度的差距可能会限制人工智能的采用
• 前线领导者的有限输入可能会限制人工智能的采用和执行

找到解决方案

领导者不应将人工智能视为万能的解决方案，而应区分人工智能擅长的应用领域（例如改善人机交互、捕获运营知识和简化复杂工作流程）和人工智能不太适合的领域（包括生产环境中的精确控制和可重复的决策）。

一个很好的应用例子是在销售过程中。许多制造公司希望使用人工智能改进引导式销售流程。他们应该首先关注客户的目标或结果，而不是要求客户选择特定的产品参数。

我最近购买了我的第一辆电动汽车（EV）。我访问了电动汽车制造商的网站，第一件事我看到的是技术参数，如行驶范围：360-558公里。这是一个很大的范围，但我知道它是什么意思。但马力？我不知道。还有消费量？我真的不明白；消费量是好事还是坏事？它会影响我家每年的滑雪之旅吗？这些信息实际上可以帮助我做出决定。

拥有一个可以讨论我关心的问题的人工智能可以帮助电动汽车制造商了解对我来说什么是重要的，并将这些关心点转化为适合我的技术规格。

另一个例子是使用人工智能代理将复杂问题分解为较小的部分。代理计划和执行多步骤目标。为了充分利用这些代理，任务应该是语言密集型的。

一些工程组织在管理复杂要求时采用了这种方法。有时信息分散在数百或数千个文档中，格式也不标准化。如果要建立一个传统的软件系统来导入所有这些信息，就会有太多规则和例外。由于人工智能擅长模式识别，因此不需要编写每一条关于如何解释这些文档的规则。

制造业人工智能的最佳实践

将大问题分解为较小的任务。人工智能的工作内存有限。如果给它太多数据或过于广泛的问题，它可能会失去上下文并开始产生幻觉，试图仍然提供答案。为了减少这种风险，将大任务分解为较小的组件并聚合结果——这是代理框架变得特别有效的领域。

使用人工智能进行模式识别，而不是权威推理。人工智能擅长模式识别和关系识别，但不擅长逻辑和推理。例如，它的“推理”和数学能力是预测，而不是计算。因此，输出可能看起来很有见地，但不一定是正确的，除非连接到另一个可以验证结果的系统。在这种方法中，人工智能可以编排工作流程，但已经明确决定了操作边界。

在制造业中，人工智能可以创造真正的价值，但有一些场景，风险大于收益。这些包括安全和质量关键的操作。还包括数据量少或非常新颖的场景，因为人工智能在没有看到足够相关数据时性能较差。高度监管的环境也是一个挑战，因为人工智能仍然缺乏真正的可追溯性。具有紧密容差的实时控制系统也是人工智能应避免的领域，因为人工智能的延迟或不稳定性可能在高速过程中是不可接受的。

从炒作到实用性

人工智能并不是制造业所有问题的万能解决方案。但是，通过考虑上述实际用例和常见的误解，制造商可以采取更平衡的方法来采用人工智能。在短期内，关键点是使用人工智能来解决涉及高程度模式识别的问题。不要使用人工智能来解决需要可预测性、一致性、逻辑或计算的问题。

制造商可以剔除噪音，找出人工智能在今天真正发挥作用的地方。目标不是减缓采用速度，而是确保组织在人工智能真正改善生产力和决策的地方部署人工智能，而不是简单地跟随行业炒作。