To znamená, že pod vlnou AI, výrobný priemysel čelí hlboko zakoreneným štrukturálnym výzvam a transformačným tlakom, ktorý stojí na prahu „redefinition“ .
Na jednej strane, globálny priemyselný reťazec urýchľuje svoju rekonštrukciu, na druhej strane sa stále viac objavuje štrukturálny nedostatok práce a umelá inteligencia prenikne do každej súvislosti s výrobou a vývojom {.}, čo sa stáva umelou inteligenciou s vysokým obsahom {
Na tomto pozadí už nie je výroba sledovateľom aplikácií AI, ale hlavným bojiskom a motorom pre ich implementáciu .
Úprava výroby umelou inteligenciou však nie je len zameraná na zvýšenie efektívnosti a znižovanie nákladov ., má výraznejší vplyv na logickú štruktúru, organizačné metódy a riadiace schopnosti výrobných systémov, podporuje vývoj výrobného priemyslu od procesu vyvolaného na údaje, od automatizácie po inteligenciu a od ľudských systémov na ľudské ma-machine spolupráca .
Preto vkladanie technológie AI iniciuje „redefiníciu“ výrobného priemyslu .
Tento článok sa zameria na integračný trend „umelej inteligencie + výroba“ a rozdelí ho z viacerých dimenzií, ako sú napríklad implementačné cesty, typické aplikácie, kľúčové výzvy a organizačné schopnosti . Preskúmajú, ako sa dá AI vložiť do vrstvy výrobného systému od vnímania, kontroly, vykonávania, prevádzky na rozhodovanie. a odolnejšia budúcnosť .
Implementačná cesta „Umelá inteligencia + výroba“: Päť iterácií od vnímania po rozhodovanie
S rozvojom hlbokej integrácie „umelej inteligencie + výroba“, základná architektúra výrobných systémov prechádza pokojnou, ale hlbokou rekonštrukciou .
Tradičný výrobný systém už dlho prijal zreteľnú hierarchickú architektúru „Vnímanie - Control - Vykonanie - Operácia - rozhodovanie“: Senzory zhromažďujú údaje a odovzdávajú ich do riadiaceho systému, pokyny riadia vykonávajúcu jednotku, automatizačný systém riadi správu procesov a plány na úrovni rozhodovania a plány na úrovni rozhodovania a plány na úrovni rozhodovania .
Táto centrálne riadená lineárna architektúra, akonáhle podporila rozsiahle a štandardizované priemyselné výroby . V stále zložitejšom, dynamickejšom a vymeniteľnom výrobnom prostredí, sa však jej obmedzenia stávajú čoraz výraznejšími .
Výrobný priemysel dnes postupuje od hierarchickej architektúry po rekonštrukciu systému, ktorá je založená na platforme, integrovaná a decentralizovaná {. vnímanie, riadenie, vykonávanie, prevádzka a rozhodovanie už nie sú samostatné systémy, ale fungujú v koordinácii, interagujú v reálnom čase a tvoria inteligentnú slučku na zjednotenej technickej platforme {{}}}}}}}}}}}}
V tejto architektúre nie sú schopnosti umelej inteligencie jednoducho vložené do určitého spojenia, ale hlboko zakorenené do nervového centra celej výrobnej siete, ktoré slúžia ako podpora pre systémovú inteligenciu .
Tento posun paradigmy tiež načrtáva päť iteračných ciest pre aplikáciu AI vo výrobe:
Vnímanie iterácie: od „schopnosti vidieť“ až po „schopný porozumieť“
Prvý krok výroby začína vnímaním . vývojom analýzy videa AI, inteligentných senzorov a priemyselným internetom vecí, „oči“ výrobných stránok sa stali akútnymi a dômyselnejšími .
Systém analýzy videa s AI-AI-povolenými dokáže automaticky identifikovať výrobné anomálie, vydať výstrahy o poruchách a zmeniť stav položiek, čím sa vytvorí obmedzenia tradičných algoritmov založených na pravidlách {{{{}} na konci získavania údajov, senzory nielen zberné údaje, ale aj vylepšené nápisy, ktoré vyvolávajú v prípade, že vylepšujú akcie} {} {} {}} {} {} { Východiskový bod pre komplexnú integráciu AI do výrobných systémov .
2. Ovládanie iterácie: z „ovládacieho prvku pravidiel“ do „inteligentnej generácie“
Inteligencia riadiacich systémov je prepisovanie logiky priemyselného riadenia . Nová generácia systémov priemyselného riadenia reprezentovaná softvérovou automatizáciou (SDA) prelomila uzavretú štruktúru, v ktorej sú hardvér a programovanie viazané v tradičných kontrolných systémoch a skonštruovali otvorenú, modulárnu a rekonfigurovateľnú platformu .
Na tomto základe zavedenie asistentských nástrojov AI spôsobilo, že programovanie PLC už nie je úlohou, ktorú môžu inžinieri splniť samostatne . opisom kontrolných cieľov prostredníctvom prirodzeného jazyka, môže automaticky generovať kontrolu logiky, vývojové diagramy, sémantické anotácie a dokonca vykonávať debuggovanie a overovanie, dosiahnutie skoku z human-writtenového kódu na človeka riadiace systémy .
3. iterácia vykonávania: od „Automation“ po „Intelligent Synergy“
Uskutočňujú sa aj zmeny na úrovni vykonávania výroby . Hlboká integrácia AI a priemyselných robotov podporuje formovanie „priemyselných inteligentných entít“ so schopnosťami vnímania, úsudku a vykonávania .
Roboty poháňané AI môžu nielen vykonávať opakované operácie, ale tiež dosiahnuť adaptívne plánovanie ciest, vizuálne rozpoznávanie v reálnom čase a viacmestačnú spoluprácu v oblasti spolupráce {{{}}, roboty môžu dokončiť školenie a overenie virtuálneho prostredia pred nasadením, čo výrazne znižuje cyklus online {3}. odvtedy, odvtedy, keď „nie sú po vykonaní nôh, ktoré nie sú po vykonaní, nie sú vykonané, ak nie sú vykonávané, nie sú vykonané, ak sa po vykonávaní výrazne znížilo cyklu. ale inteligentní exekútori s schopnosťami úsudku .
4. operatívna iterácia: od „Management Record“ po „prediktívna optimalizácia“
Systém riadenia výrobných procesov bol tiež komplexne reštrukturalizovaný v dôsledku zavedenia AI . umelou inteligenciou je zrýchľuje svoju integráciu do hlavných výrobných procesných platforiem, ako sú systémy MES a systémy správy zariadení, a stáva sa inteligentným motorom na výrobu optimalizácie .
AI môže modelovať prevádzkové údaje zariadenia, vopred identifikovať potenciálne poruchy a dosiahnuť prediktívnu údržbu . optimalizovať výkon OEE prostredníctvom analýzy toku údajov v reálnom čase; V oblasti riadenia kvality sa AI využíva na identifikáciu vzorcov defektov a príčin, čím sa zvýši konzistentnosť a dodržiavanie produktov . Výrobný proces prechádza od reaktívnej kontroly k prediktívnej operácii, dosiahnutie procesu na úrovni procesu, inteligentnej optimalizácie.
5. Iterácia rozhodnutia: z „Periodic LAS Analysis“ po „inteligentné rozhodovanie v reálnom čase“
Rozhodovanie o výrobných podnikoch tiež prechádza inteligentnou transformáciou . AI, postupne získava schopnosť pomáhať pri rozhodovacích úlohách s vysokou komplexnosťou, ako je plánovanie výroby, simulácia zásob a predikcia kvality .
S pomocou modelov AI môžu podniky vykonávať simulácie scenárov na rýchle posúdenie možností povolania a dodania zdrojov rôznych stratégií plánovania výroby {{}} Kombináciou historických údajov a údajov v reálnom čase, AI môže predpovedať trend kvalitných kolísaní kolísania a upravovania parametrov procesu vopred {{} {} v riadení inventára môže dynamicky odporúčať nároky Efektívnosť . Výrobné rozhodnutia sa posunuli od oneskorenia na poznatky s výhľadom na forward a stali sa kľúčovou podporou pre agilitu a odolnosť podniku .
Počas týchto piatich skokov sme boli svedkami toho, že umelá inteligencia už nie je externým nástrojom, ale inteligentným faktorom v rámci výrobného systému {. presahuje tradičné hranice, integruje sa do každej úrovne a každého uzla a podporuje výrobný systém od hierarchickej kontroly na inteligentnú spoluprácu a od lokálnej optimalizácie .}}}}}}}
Táto systematická rekonštrukcia je presne podstatou „Artificial Intelligence + Manufacturing“ .
Aké systémové schopnosti sú potrebné pre výrobné organizácie v ére „umelej inteligencie +“?
V súčasnej dobe rýchleho rozvoja umelej inteligencie je otázka, o ktorej sa opakovane diskutovalo: nahradí AI ľudí? Vo výrobnom priemysle je tento problém obzvlášť citlivý .
V minulosti sa zdá, že každý skok vpred v automatizácii bol sprevádzaný trendom „strojov nahradujúcich ľudí“ ., dnešná umelá inteligencia, najmä jej aplikačná cesta vo výrobných scenároch, nám dáva definitívnu odpoveď: AI nie je navrhnutá na zníženie počtu ľudí, ale na vylepšenie ich.}}
Inteligentná výroba vyžaduje viac ľudí, nie menej .
To znamená, že široké uplatňovanie AI neviedlo k vlne prepúšťania; Namiesto toho vyvolala silný dopyt po nových zručnostiach a všestranných talentoch .
V minulosti bola AI v súčasnosti považovaná za nástroj: použitý na pomoc pri detekcii, analýze údajov a generovaní správ . v súčasnosti, s prienikom modelov AI v prediktívnej údržbe, kontrole kvality, plánovania výroby a ďalších odkazov sa postupne vyvíjajú od pomocných sudcov do účasti na rozhodovaní {}}}}}}}}}}}}}
This evolution has not only changed the role of technology but also reshaped the organizational structure. Manufacturing enterprises are shifting from a one-way relationship of "human decision-making and AI assistance" to a two-way collaborative model of "human-machine co-decision-making". AI is no longer a back-end tool but an intelligent element embedded in business processes, participating in process evolution, a spustenie procesu Reingineering .
To tiež znamená, že požiadavky podnikov pre talenty prechádzajú kvalitatívnou zmenou: nielenže potrebujú inžinierov, ktorí rozumejú AI, ale aj talentom, ktorí rozumejú výrobnej výrobe . AI s cezhraničnými schopnosťami, systémami myslenia a porozumením podnikania sa stanú kľúčovou podporou pre inteligentnú transformáciu organizácie.
Ak je AI „mozog“ inteligentnej výroby, potom organizačná schopnosť je rozhodujúcim faktorom pre to, či je tento „telo“ flexibilný, silný a udržateľný {{}} vstup do ERA AI, výrobné podniky, musia nielen zaviesť algoritmy a nástroje, ale tiež budovať systematický rámec spôsobilosti, ktorý podporuje implementáciu, rast a rozširovanie ai {}}} {}}} {}}} {}}} {}}
Strategická schopnosť: AI nie je iba „projekt IT“, ale „normálna operácia“ .
Keď mnoho podnikov propaguje „umelá inteligencia + výroba“, považujú ju za jednorazovú aktualizáciu informácií a nechávajú ho na oddelení IT, aby prevzali vedenie {{}} Tento prístup často vedie k projektom AI, ktoré začínajú vysoké, ale končia nízke, s úspešnými pilotnými projektmi a neúspešnou replikáciou .}}
Skutočná transformácia na inteligentnú výrobu si vyžaduje, aby sa AI ako základné strategické zdroje riadili zmenou modelov podnikových operácií . ai by nemalo existovať nezávisle od obchodných operácií, ale malo by byť hlboko integrované do základných procesov, ako je produkcia, kontrola kvality, riadenie dodávateľského reťazca a správa energetiky {1}. jednotka ".
2. Talent Acvabilities: Zostavte kompozitný echelon „AI inžinierov + obchodných expertov“
Optimalizácia štruktúry talentov je nevyhnutným predpokladom pre implementáciu AI . na jednej strane, podniky potrebujú inžinierov s algoritmami algoritmov AI o iných schopnostiach na modelovanie údajov, ktorí dokážu porozumieť štruktúre, charakteristikám a hluku, ktoré vytvárajú projekty, ktoré vytvárajú údaje, ktoré vytvárajú projekty, ktoré robia v rámci svojich skúseností, ktoré zabezpečujú svoje skúsenosti, ktoré zabezpečujú, aby sa zúčastnili projekty, ktoré robia z nich, a zarába ich, a zúčastnili sa na projektoch, ktoré zabezpečujú, aby sa vyrábali. explicitné a štruktúrované vedomosti, takže modely AI sú bližšie k problémom v reálnom svete .
Dvojjazyčný talent s inžinierskym jazykom a obchodným jazykom bude nevyhnutnou chrbtovou silou pre výrobné podniky v budúcnosti .
3. Organizačná štruktúra: Propagujte spoločnú konštrukciu strednej platformy AI a obchodné operácie
Projekty AI sú často fragmentované a ťažko sa replikujú vo veľkom rozsahu . Základný dôvod spočíva v nedostatku zjednotenej dátovej a modelovej nadácie .. scenár ".
Organizačne je tiež potrebné zriadiť cross-departmental AI aplikačné výbory alebo tímy digitálnej prevádzky, aby sa prelomili bariéry medzi IT a OT a OT, R&D a výrobou, ústredím a lokalitou a dosiahli model spoločného vytvorenia, v ktorom sú problémy vyzdvihnuté z prvej línie a riešenia sú poskytované platformou {{}}
4. Implementačná cesta: od pilotných projektov po nasadenie celého reťazca
Podľa inteligentnej cesty výrobnej transformácie navrhnutej vo výskumnej správe by sa podniky mali riadiť osemstupňou metódy agilného štartu, rýchlej iterácie a nepretržitej expanzie pri nasadení projektov AI, ako je znázornené na vyššie uvedenom obrázku .
Táto cesta zdôrazňuje, že uplatňovanie AI by nemalo byť príliš ambiciózne a komplexné ., malo by podniknúť malé, ale rýchle kroky, učiť
Skutočná hodnota AI nespočíva v nahradení ľudí, ale pri formovaní inteligentnejšej, agilnejšej a rozvíjanejšej výrobnej organizácie {. Umožňuje organizáciám presunúť sa od skúseností s poháňaním údajov k údajom a od procesnej rigidity k inteligentnej flexibilite, čo je vytvorenie inteligentného spoluzakladateľa zameraného na ľudským spoločným spoločníkom {}}} {}} {}} {}} {}} {} {}} {}} {}} {} {}} {} {}} {}} {}} {} {}} {} {}} {}} {}} {}} {}} {}} {} {}
Konkurencia v budúcom výrobnom priemysle už nebude súťažou o vybavenie a výrobnú kapacitu, ale skôr konkurenciou kognitívnych schopností, organizačných schopností a inteligentných schopností . nie je koniec, ale východiskovým bodom novej priemyselnej civilizácie .
Dáta a modely: mimoriadne náročná „umelá inteligencia + výroba“ duálny motor na zvládnutie
Motor AI dokáže skutočne riadiť nepretržitý vývoj inteligentného výrobného systému, keď „dáta“ aj „modely“ fungujú efektívne súčasne .
Avšak pri praktickej implementácii „umelej inteligencie + výroby“ sa podniky často spadajú do kognitívneho nedorozumenia: Verte, že pokiaľ sú algoritmy AI, a priemyselné údaje sú prepojené, inteligentné rozhodovanie a optimalizačné výsledky sa môžu automaticky získať „v AI v Aii, a v Aiii“ a v Aiii sa dá „v Aiii“ a v Aiii aiii sa môžu „v Aiii“ a v Aiii aiii môžu byť „v Aiii“ a v Aiii sa môžu vyskytnúť „v Aiiii“ a v Aiii sa môžu vyskytnúť „v Aiii“ a v Aiii sa môžu vyskytnúť „v Aiii“ a v Aiii sa môžu vyskytnúť „v Aiii“ a v Aiii sa dá Koreňová príčina spočíva presne v tom, že dva základné motory údajov a modelov sa skutočne nezačali .
Data Challenge: Výrobné podniky majú „najviac údajov“, ale tiež „najťažšie údaje, ktoré sa majú použiť“ .
Prečo je ťažké využiť údaje? Existujú hlavne tri hlavné dôvody:
Dáta sú neodmysliteľne nedostatočné a má nerovnomernú kvalitu: veľké množstvo priemyselných údajov má problémy, ako sú hluk, chýbajúce údaje a heterogenita {{}} Existuje nedostatok mechanizmov riadenia a priamo ich kŕmenie modelu je kontraproduktívne.
Dáta sa v živote nespracúvajú neskôr a chýbajú kontextová štruktúra: Mnoho podnikov zhromažďuje „izolované dátové body“, ktoré chýbajú v kontextových informáciách, ako sú udalosti, procesy a dávky, čo vedie k neschopnosti modelu porozumieť jeho obchodnej sémantike a príčinnej logike .
Hlbší problém spočíva v tom, že hoci výrobné podniky majú údaje, chýba im systém schopnosti transformovať údaje na použiteľné znalosti . Toto nie je problém s funkciou softvéru, ale skôr systematickým nedostatkom v organizačnom mechanizme, dátovom myslení a riadení.
Preto údaje vo výrobnom priemysle nie sú príliš malé, ale príliš rozptýlené . Nie je to tak, že to nemá žiadnu hodnotu, ale že kontextové informácie sú nedostatočné .
2. Model Challenge: Industrial Intelligence nie je možné dosiahnuť cez noc spoliehaním sa na „všeobecné veľké modely“
Priemyselné modely AI čelia trom hlavným výzvam:
Nedostatočné porozumenie procesu: Výrobný proces zahŕňa veľké množstvo tichých znalostí, ako sú empirické pravidlá, fyzikálne mechanizmy a viac variabilné spojenie . Ak model nerozumie procesu, môže robiť iba relevantné predpovede a nemôže vykonávať koreňovú analýzu alebo optimalizáciu procesu .
Problémy s nedostatkom údajov a označovania: v porovnaní s internetovými oblasťami, ako je elektronický obchod a sociálne siete, priemyselné scenáre nemajú rozsiahle súbory údajov s otvoreným zdrojom a mnoho neobvyklých údajov je ťažké označiť, vďaka čomu sa učenie pod dohľadom neudržateľne ..
Nedostatočná zovšeobecňovacia schopnosť a ťažká migrácia scény: Výkon toho istého modelu sa veľmi líši v rôznych výrobných linkách a zariadeniach . Existuje nedostatok základných schopností, ktoré je možné migrovať a doladiť, čo vedie k vysokým nákladom na nasadenie AI, dlhými cyklami a nízkymi ROI {{}}}
Preto to, čo výrobný priemysel skutočne potrebuje, sú modely AI v scenári v hĺbke: tie, ktoré dokážu nielen porozumieť fyzickému správaniu a mechanizmom spracovania, ale tiež sa prispôsobovať dynamickým podmienkam a rozdielom v zariadeniach, majú priemyselnú inteligenciu s malou veľkosťou vzorky a silnou zovšeobecnením .
Je zrejmé, že modely AI vo výrobe nie sú „hovoriacimi modelmi“, ale „modely, ktoré dokážu porozumieť fyzike“ ., nie je to „model na generovanie obsahu“, ale „model na rekonštrukciu procesu“ .
3. Výzvy na správu: AI nie je o pôžičkách; Konštrukcia systému schopností je skutočným východiskovým bodom pre výrobu AI
Vzhľadom na duálne výzvy údajov a modelov už podniky už nemôžu zostať vo fáze nasadenia nástrojov, ale mali by sa presunúť k vytvoreniu úplného a udržateľného systému spôsobilosti AI . Jadro spočíva v tom, že sa darí dobre v troch veciach: po prvé, správa údajov o údajoch: od „zhromažďovania údajov“ na „generovanie znalostí“; II . modelovanie scény: Express Problémy v obchodnom jazyku a riešenie ich v algoritmickom jazyku; III . MODELOVÝ MECHANIZOVANIE
Ai nie je niečo, čo by sa malo prijať . "Artificial Intelligence + Manufacturing" by sa malo považovať za systematický projekt {{{}} Vstup umelej inteligencie do výroby neznamená, že sa stáva užitočným len preto, že je nainštalovaný, ani to neznamená, že sa stáva inteligentným len preto, že je zakúpený {3} Organizácie .
Ak podniky dúfajú, že skutočne dosiahnú výrobu AI, musia sa odtrhnúť od „orientovaného na nástroj“ a vybudovať systém s dvojitým motorom „Dátové schopnosti + modelové schopnosti“ pre budúcnosť . iba týmto spôsobom môže byť iba umelým inteligenciou {5.