工业AI落地，为何仍充满挑战？

工业AI落地尚未成熟，企业内部面临严峻挑战。为什么？

　　这也许令人惊讶，但现实是大多数制造企业可能还尚未采用人工智能（AI）来提高运营效率。

　　可能同样令人惊讶的是：许多采用工业AI的制造商尚未看到预期的回报。

　　许多制造企业仍在努力连接传感器，并试图真正了解AI能带来什么，尤其是如何在他们的运营中部署它。工业AI的炒作可能使其同时变得过于诱人且难以接近。

　　"人工智能似乎是一根魔法棒或一个黑盒子。"消费品公司汉高负责数字转型的企业高级经理Tarun Rana说。但他认为，工业AI有很大的可能性。AI已经开始帮助工业环境转向无人值守制造：完全自动化的制造，无需人工干预。

　　为什么工业AI项目未能启动？

　　未能启动工业AI项目的其中一个原因是，许多制造企业仍未采用物联网和工业物联网平台来分析其数据。

　　另一个问题是，技术变革的速度很容易超过企业部署工业AI技术的速度。

　　"我们一直处于不断迁移的状态，"Rana说，"如果有一个新的机器学习模型......我们想要实现一些东西，我们需要一些稳定状态。那可能是两到三年，而到那时技术可能已经完全改变了。所以，我们一直处于迁移状态。"

　　实施工业AI的其他障碍包括数据质量和数据可访问性。在某些情况下，数据质量太差而无法提供强大的算法；这是一个古老的"垃圾进、垃圾出"的问题。

　　但在其他情况下，最大的变化是要保持数据的非结构化格式，以便他们可以将这些数据转换为他们未来需要的任何目的。传感器时间序列数据可能不会占用太多存储空间，但必须是以后可以用于构建 AI 模型的格式。

　　某些数据（例如视频数据）可能太大而无法存储。因此，IT可能会存储被认为有价值的视频数据的选定部分，而不是整个数据集，因为传输成本太高或带宽密集。

　　当然，与引进工业人工智能所带来的人为障碍相比，技术问题显得微不足道。工业AI峰会讨论小组的成员们一致认为，向企业的上级推销AI价值是至关重要的。

　　捷豹/路虎全球零部件供应链的全球数据和分析经理Keith Roberts说："我们需要是找到一个好的POC，并从商业角度向领导们解释，实施AI能如何提高利润和生产效率。"

　　解决学习曲线的挑战

　　要想实现工业AI带来的好处，企业需要具有成熟的学习曲线。这一过程也将随着硅芯片技术的成熟而不断加速。

　　解决学习曲线挑战的一个方法是通过在边缘运行的 AI 使该技术"更容易获得"，例如客户可以购买带有预装软件的网关。它消除了所有集成的麻烦，最终使该技术的应用变得更加普遍。

　　专家建议制造企业采取分阶段的方法从 POC 阶段转移到生产阶段，以便在必要时可以分块回滚更改，而不会造成灾难性影响。

　　最后，Runa鼓励人们更多地接受失败，敢于冒险和尝试。"每一个AI项目在一开始的时候，精确度都比较低。有可能它不起作用。我们应该培养一种允许失败的文化。"

　　考虑到各种与技术和人员相关的挑战，工业AI在许多企业中的应用仍处于初级阶段。很多制造企业仍在为物联网传感器的基本连接而苦苦挣扎。

　　企业可能不了解如何存储数据以备将来在人工智能建模中使用，或者他们可能缺乏利用工业AI的内部专业知识。

　　此外，专家建议组织以非结构化格式存储数据，以便更轻松地转换为 AI 建模，并分阶段执行工业 AI 的部署，以实现非灾难性回滚。

图说工控