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。

　　Omdia IoT首席分析师Alex West在近日的一个工业AI峰会上就AI和工业物联网进行的小组讨论中表示，在概念验证（POC）阶段，大约有一半的项目没有交付，即使是在后期项目中，这一比例仍保持在50%左右。

　　借助工业AI，制造商可以更好地了解仓库中手头的产品库存或深入了解卡车在路上的位置。但是，许多公司尚未迈出实现这些效率的飞跃。

　　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？

　　虽然工业AI的前景诱人，但大多数组织仍处于在努力向高级管理层展示商业案例的阶段。

　　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。

　　事实上，虽然有些工业物联网平台的使用率不是很高，但正在增长。Gartner 的数据显示，2020 年只有 10% 的工业企业使用 IIoT 平台来改善工厂运营，预计到 2025 年这一数字将攀升至 50%。

　　另一个问题是www.cechina.cn，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。

　　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。"

　　"在供应链领域中，很少有数据科学家在核心供应链中从事诸如预测性维护或物流等主题的工作，" Rana说，"有时，数据的情境化并不存在。我们只有一些字段，但我们不知道数据意味着什么。"

　　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www.cechina.cn，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。

　　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www.cechina.cn，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