AI熱浪席卷了整個(gè)產(chǎn)業(yè)。但是，很多時(shí)候人們討論AI有一種FOM的情況(注：Fear of Missing-就是怕自己不用AI被市場甩開)，當(dāng)然也無需焦慮，沒有那么快。而且，技術(shù)的采用通常有個(gè)過程，有一些“發(fā)燒友”級(jí)別的會(huì)走在最前沿，能夠容忍它的不成熟—并且成為技術(shù)的測試和改進(jìn)者，當(dāng)然也因此獲得早期的技術(shù)紅利。而第2個(gè)階段屬于一些創(chuàng)新型企業(yè)，通常是看到了潛能就會(huì)積極跟進(jìn)。對(duì)于大部分企業(yè)，一般只會(huì)在成熟后才會(huì)介入—當(dāng)然這個(gè)時(shí)候賽道就會(huì)顯得擁擠，很難獲得較高的技術(shù)紅利。
在以下調(diào)研的374個(gè)樣本中，基本上都是工業(yè)制造企業(yè)的研發(fā)與工程技術(shù)人員群體，其中說明了關(guān)于AI的一些現(xiàn)狀。
圖1-關(guān)于工業(yè)AI當(dāng)前的狀態(tài)
從圖1可以看到，當(dāng)前對(duì)于AI的狀態(tài)還在初期認(rèn)識(shí)階段。已經(jīng)真的在開發(fā)AI應(yīng)用的比例還是較少的。當(dāng)然，我接觸過的行業(yè)里，有些行業(yè)天生就是要跟數(shù)據(jù)打交道的，尤其像半導(dǎo)體行業(yè)，他們反倒要更早的基于數(shù)據(jù)做很多分析，以迭代其工藝系統(tǒng)，因此，會(huì)早早構(gòu)建數(shù)據(jù)與分析系統(tǒng)。
那么，對(duì)于工業(yè)制造企業(yè)來說，應(yīng)該如何發(fā)展自身的AI，這也是與行業(yè)打交道過程中，大家會(huì)比較關(guān)注的話題：
AI究竟能夠做什么?
怎么構(gòu)建自己的AI應(yīng)用體系呢?
應(yīng)該怎么做呢?
如何發(fā)展AI來解決問題?這是一個(gè)必要性的話題。借助于對(duì)AI的一些現(xiàn)有的實(shí)踐，以及與AI專家交流學(xué)習(xí)的理解，以及工程開發(fā)的邏輯和經(jīng)驗(yàn)，本文試圖去探索這個(gè)問題。
梳理后可以分為五個(gè)步驟。這具有廣泛的適用性，三步還是五步不重要，主要是得有個(gè)思路。
第一步 發(fā)現(xiàn)機(jī)會(huì)與目標(biāo)定義
對(duì)于用戶而言，可以通過OEE作為一個(gè)解析，來發(fā)現(xiàn)改善機(jī)會(huì)，以及分析如何用AI解決其中的問題。工廠里普遍都推行的精益生產(chǎn)，而精益的核心在于“消除一切浪費(fèi)”，通常也會(huì)將OEE又拆解為“機(jī)器的六大浪費(fèi)”，如圖2所示。用什么辦法解決問題，它是取決于這個(gè)工具本身的特點(diǎn)的。
圖2-基于OEE拆解機(jī)器的六大浪費(fèi)
六大浪費(fèi)作為改善的目標(biāo)與方向，并來分析，哪些可以被AI所改善。因此，就很容易定位問題，以及發(fā)現(xiàn)改善的機(jī)會(huì)。
根據(jù)調(diào)研，可以看到圖3中，生產(chǎn)調(diào)度與排程、預(yù)測性維護(hù)、缺陷分析與良品率—這些都是AI可以用的。
圖3-AI的工業(yè)應(yīng)用場景分析
OEE設(shè)備六大浪費(fèi)，提供了一個(gè)大的框架，但就具體而言，就要結(jié)合實(shí)際行業(yè)和企業(yè)的情況，進(jìn)一步去拆解問題。那么，究竟哪些因素會(huì)導(dǎo)致這些問題以及哪些因素影響質(zhì)量。然后要去分析，哪些是AI可以擅長干的—通常AI就擅長干這種可能不確定性，可能有幾個(gè)變量相關(guān)性影響—但是，究竟影響的程度是怎樣的，怎樣影響的，都可以通過數(shù)據(jù)分析和學(xué)習(xí)的方式來進(jìn)行。質(zhì)量，一種策略就是根據(jù)“良品”，讓機(jī)器學(xué)習(xí)通過視覺方式對(duì)“品質(zhì)”形成判斷能力。
所以，發(fā)現(xiàn)問題主要圍繞為用戶來解決生產(chǎn)過程中的品質(zhì)、成本、交付的影響因素。工程思維就是去解析，將其進(jìn)行分解為局部的問題，分析哪些是因果造成的，哪些是相關(guān)性的，高/低相關(guān)性的判斷—AI就擅長處理哪些“不確定”類型的問題。
第二步 數(shù)據(jù)治理
經(jīng)常會(huì)有人問“AI究竟在應(yīng)用中存在哪些問題?”。經(jīng)常聽到開會(huì)的時(shí)候IT和OT的人們?cè)诔吵澈捅г?a href=http://www.90chu.com/index.php?m=content&c=index&a=infolist2021&typeid=1&siteid=1&type=keyword&serachType=2&key=%E6%95%B0%E5%AD%97%E5%8C%96 style='color:#57A306' target='_blank'>數(shù)字化的難題。其實(shí)，很簡單，不是哪里有問題，而是整個(gè)路徑上全是問題：采集、傳輸、分析判斷、執(zhí)行。如果采集做不好，比如是否具有“完備性”、“結(jié)構(gòu)性”，以及預(yù)處理，用于計(jì)算的格式和語義規(guī)范…如果采集做不好，后面就白搭。采集做好了，分析不到位，前面白搭，前面做好了，卻無法執(zhí)行。整個(gè)活都白干了。所以說，沒有誰比誰重要，而是大家一起才能做好。
在圖4，我們就可以列舉出按照這個(gè)AI應(yīng)用流程，在每個(gè)環(huán)節(jié)存在的問題，都是需要解決的。
圖4-數(shù)據(jù)難題
“找到問題，同時(shí)找到答案”。如果我們知道要解決什么問題，我們就知道怎么解決問題。
就比如AI要解決質(zhì)量的問題，那究竟引發(fā)質(zhì)量的問題有哪些因素呢?我們可以用魚骨圖繪制出“人機(jī)料法環(huán)”，并對(duì)其進(jìn)行深度的解析，我們就可以知道如何去建立一個(gè)AI學(xué)習(xí)的目標(biāo)和方法，以根據(jù)數(shù)據(jù)來分析質(zhì)量如何被改善。那么同時(shí)就會(huì)知道，我究竟要采集什么數(shù)據(jù)?用什么頻次/格式/精度的數(shù)據(jù)，包括與之相關(guān)的參數(shù)(在時(shí)間上同步采集)，這些數(shù)據(jù)才能被有效的應(yīng)用。
至于傳輸后的語義規(guī)范的統(tǒng)一，主要體現(xiàn)在實(shí)時(shí)系統(tǒng)和云端、AI系統(tǒng)他們對(duì)數(shù)據(jù)的處理格式、機(jī)制的一致性規(guī)范。
圖5-工業(yè)AI中的難題
在圖5中，我們可以看到對(duì)于AI應(yīng)用來說，數(shù)據(jù)采集就是個(gè)大問題。但是這并不是說，數(shù)據(jù)無法被采集或傳輸，而更多的問題其實(shí)是“究竟需要什么數(shù)據(jù)?”這本身就是個(gè)難題，因?yàn)?，在工程開發(fā)上，影響品質(zhì)的因素很多，并且，背后的關(guān)聯(lián)關(guān)系本身也是不清楚的。因此，在這個(gè)階段，所謂的“人工的智能”，就意味著，尚需要經(jīng)驗(yàn)豐富的機(jī)電工程師、技師為這個(gè)應(yīng)用提供方向性指導(dǎo)。
第三步 構(gòu)建AI應(yīng)用人才團(tuán)隊(duì)
企業(yè)對(duì)于AI的投資還是比較謹(jǐn)慎的原因是對(duì)于它的回報(bào)尚不清晰，也缺乏相關(guān)的數(shù)據(jù)規(guī)范與標(biāo)準(zhǔn)、人才不僅是說能編程的工程師，而是對(duì)AI有認(rèn)知的人才。因?yàn)?，工業(yè)的AI它主要是因?yàn)榻鉀Q的問題與現(xiàn)場物理對(duì)象較強(qiáng)的耦合關(guān)系，如果不是來自工藝、機(jī)電專業(yè)，它可能比較難去理解如何去做這個(gè)事情。就是說，不管是投資回報(bào)、數(shù)據(jù)、架構(gòu)、場景、實(shí)現(xiàn)都是需要全景性人才。
圖6-采用AI的主要障礙
圖6調(diào)研結(jié)果反饋，大家還是處于對(duì)“AI”不清晰的狀態(tài)。因此，如果不能清楚問題，就很難去投資。
說到底，人才還是最終的決定性因素。但是，這就有個(gè)問題：人才也是很貴的，是否有必要完全自建團(tuán)隊(duì)。這需要根據(jù)商業(yè)價(jià)值的輸出來評(píng)判。對(duì)于有實(shí)力的大型工業(yè)制造企業(yè)，有必要開始逐漸打造自身的AI團(tuán)隊(duì)，配合其他產(chǎn)品研發(fā)的工作。另外，對(duì)于缺乏技術(shù)團(tuán)隊(duì)厚度的團(tuán)隊(duì)，可以考慮借助外力。“君子生非異也，善假于物業(yè)”可以借助外力來實(shí)現(xiàn)自身的AI應(yīng)用戰(zhàn)略的執(zhí)行。
在構(gòu)建團(tuán)隊(duì)的時(shí)候，應(yīng)該考慮幾個(gè)問題：
圖7-AI人才的關(guān)鍵要素
從圖7可以看到，大家對(duì)于AI人才覺得還是“工程思維”比較重要。復(fù)雜問題的拆分，這是無論做什么樣的工程相關(guān)工作，可能都是首要的，然后在這個(gè)基礎(chǔ)上，才會(huì)考慮其第二個(gè)特性“對(duì)AI工具”。
1).自主培養(yǎng)人才的重要性：最為重要的是，因?yàn)锳I應(yīng)用與其它工藝控制一樣，會(huì)牽扯到企業(yè)的Know-How問題，因此，自主掌控也是具有高度必要性的。因此需要自己考慮培養(yǎng)人才，從內(nèi)部挖掘潛能，因?yàn)?，這是工業(yè)制造企業(yè)自身的AI需求，它更需要結(jié)合物理模型的能力的人，更了解自身的工藝，需要擴(kuò)張的能力就在于數(shù)據(jù)處理工具的應(yīng)用與分析。即使需要第三方公司的合作，也是要作為一個(gè)協(xié)調(diào)的橋梁，他能夠在項(xiàng)目的需求到開發(fā)、維護(hù)全流程的項(xiàng)目能力。
2).委托開發(fā)的問題：我一直將AI公司作為IT業(yè)看待，結(jié)果反饋居然是大部分工業(yè)制造企業(yè)打算與“自動(dòng)化企業(yè)”合作開發(fā)AI應(yīng)用(如圖8所示)。
圖8-誰來幫助實(shí)現(xiàn)AI的調(diào)研
這個(gè)回復(fù)超出我的預(yù)料，是因?yàn)槿ツ晡易约阂沧隽藗€(gè)小范圍調(diào)研，當(dāng)時(shí)選項(xiàng)都是AI相關(guān)公司合作。這次卻出現(xiàn)了與“自動(dòng)化公司合作”成為最高選項(xiàng)。
其實(shí)，這倒符合我之前的觀點(diǎn)，反倒是自動(dòng)化公司更了解工業(yè)AI的應(yīng)用，原因在于數(shù)據(jù)源在自動(dòng)化系統(tǒng)里，總線傳輸與通信規(guī)約、物理對(duì)象的特征等機(jī)電與工藝知識(shí)，自動(dòng)化行業(yè)在這方面反倒是有優(yōu)勢的。
無論是自建團(tuán)隊(duì)，還是應(yīng)用第三方公司來協(xié)助開發(fā)AI應(yīng)用，企業(yè)對(duì)于自身的需求還是要清晰的。對(duì)AI要有應(yīng)用需求驅(qū)動(dòng)，而不是為了跟隨AI，或者說，如果你追求創(chuàng)新與卓越的技術(shù)，那可能你已經(jīng)走在了AI應(yīng)用的路上，走在前面的人，總是引領(lǐng)這條路的人。
第四步 工業(yè)AI應(yīng)用開發(fā)與產(chǎn)品化
Know-How和Know-What其實(shí)不難，難題往往在Know-WHY上。因此，找到了問題，就會(huì)相應(yīng)的找到答案。
1).補(bǔ)上數(shù)據(jù)短板
這項(xiàng)工作對(duì)于現(xiàn)有的致力于更為前沿的企業(yè)可能工作量不大，但是，對(duì)于之前缺乏數(shù)據(jù)治理的就會(huì)存在較大需要改善的地方。這里會(huì)出現(xiàn)的問題主要是“未采集”的情況，就是為了完成數(shù)據(jù)的“完備性”、“結(jié)構(gòu)化”。因此，有必要對(duì)原有的數(shù)據(jù)進(jìn)行。
但是，數(shù)據(jù)這個(gè)短板其實(shí)需要一個(gè)“生態(tài)系統(tǒng)”來完成，各個(gè)行業(yè)其實(shí)需要根據(jù)行業(yè)自身來制定行業(yè)內(nèi)的規(guī)范。單個(gè)企業(yè)，需要有自身的結(jié)構(gòu)性，并遵循國際規(guī)范比較好。否則，容易變成一個(gè)個(gè)的“項(xiàng)目”，會(huì)造成經(jīng)濟(jì)性問題。
2).選擇合適的平臺(tái)工具
其實(shí)，還是需要考量工具的易用性方面，盡量采用開放的技術(shù)，或者成熟的工具性的。但是，這里會(huì)有差異性，即工具在設(shè)計(jì)中是否考慮工業(yè)的實(shí)際情況。
為什么自動(dòng)化行業(yè)干這個(gè)會(huì)相對(duì)容易，在于這與數(shù)據(jù)源相關(guān)，因?yàn)椋布?，自?dòng)化通常會(huì)有豐富的I/O，以及本身就是基于“時(shí)間”的數(shù)據(jù)采樣與閉環(huán)控制，這些數(shù)據(jù)本身已經(jīng)放置在OPC UA服務(wù)器，可以被通過標(biāo)準(zhǔn)以太網(wǎng)即可訪問。
另外就是在AI工具上，對(duì)于非專業(yè)的AI工程師，其實(shí)，這里主要是選擇AI的工具屬性，即，開發(fā)工具平臺(tái)在AI的支持能力上。核心訴求就是，我不是做這個(gè)的，我只是個(gè)用戶，因此，不要讓我成為一個(gè)軟件專家。而是說“易于配置”的工具，衡量其實(shí)就是在各個(gè)環(huán)節(jié)是否可以“配置”方式即可實(shí)現(xiàn)整個(gè)應(yīng)用的軟件架構(gòu)。
圖9-工業(yè)的軟硬件架構(gòu)可以支撐AI的應(yīng)用
硬件上的算力資源，其實(shí)包括了要求不高的時(shí)候，現(xiàn)在自動(dòng)化企業(yè)都有多核處理器的可支持高級(jí)AI算法的本地訓(xùn)練和推理。如果要提高性能，則可以考慮在PCI槽插AI加速器，以及對(duì)于更長周期可以采用自建的隊(duì)列，或者采用云端的服務(wù)AI服務(wù)。
3).產(chǎn)品化開發(fā)
產(chǎn)品化的意義在于，無論自動(dòng)化還是用戶，其實(shí)，都是要以較為簡單的形式訪問，這就像移動(dòng)互聯(lián)時(shí)代的IT產(chǎn)業(yè)，他們更為追求“易用性”產(chǎn)品化，就是不要把用戶當(dāng)做一個(gè)非常專業(yè)的，還需要翻閱大量說明書，經(jīng)過專業(yè)培訓(xùn)。
就是這個(gè)應(yīng)用能夠以APP形式，在移動(dòng)端進(jìn)行操作，并且獨(dú)立于平臺(tái)本身，它可以被插入到某個(gè)應(yīng)用中，也可以被插入到嵌入式系統(tǒng)的運(yùn)行中。
第五步 構(gòu)建可持續(xù)運(yùn)行的系統(tǒng)
最終，對(duì)于工業(yè)制造企業(yè)而言，AI戰(zhàn)略的目標(biāo)還是要構(gòu)成一個(gè)整體的研發(fā)戰(zhàn)略的持續(xù)創(chuàng)新過程，AI對(duì)于設(shè)備本身的意義就在于“更聰明”的一個(gè)動(dòng)態(tài)持續(xù)的過程。因此，這個(gè)目的是為了用戶的需求，進(jìn)而自身有競爭力，而到自身則是基于此，讓自己的設(shè)備擁有一種“自我迭代”的能力。
可持續(xù)創(chuàng)新就是“數(shù)據(jù)驅(qū)動(dòng)”的研發(fā)升級(jí)，這里不要談所謂“數(shù)字化轉(zhuǎn)型”。因?yàn)?，就目前而言，AI對(duì)于企業(yè)來說都屬于戰(zhàn)術(shù)性的改善，因?yàn)?，核心業(yè)務(wù)仍然是更好的機(jī)器，而不是轉(zhuǎn)型為一個(gè)AI企業(yè)。在這里AI是工具屬性的。但是，它主要的改變是發(fā)揮數(shù)據(jù)的潛能，在機(jī)器本身的競爭力的打造上。
構(gòu)建可持續(xù)運(yùn)行的研發(fā)系統(tǒng)，就必須考慮幾個(gè)要素：
1).軟件工程上的“高內(nèi)聚、低耦合”：開發(fā)應(yīng)用不能太過于強(qiáng)的與平臺(tái)、硬件或底層系統(tǒng)耦合關(guān)系，又要具有較強(qiáng)的功能完整性。就是不要太依賴于某個(gè)平臺(tái)硬件或軟件?？梢员豢焖俚囊浦玻w徙的架構(gòu)設(shè)計(jì)。這也與這個(gè)產(chǎn)業(yè)技術(shù)進(jìn)步太快有關(guān)，過兩天就可能需要升級(jí)，如果太過軟硬件強(qiáng)關(guān)系，就會(huì)容易快速落后，而需要推倒重來。
圖10-工業(yè)制造企業(yè)的人工智能戰(zhàn)略構(gòu)思
2).安全性的問題：這個(gè)對(duì)數(shù)據(jù)本身的安全性，以及過程、運(yùn)行，全過程數(shù)據(jù)安全就會(huì)有較高的要求，以避免自身的工藝Know-How被泄露。因?yàn)?，有時(shí)候，Know-How就是一種“點(diǎn)破就不神秘了”的東西。要注意，選擇什么參數(shù)本身就是需要保密的…。
3).產(chǎn)品化：交付給用戶的，就是一個(gè)不斷打磨的，易用性高的產(chǎn)品。
分享到微信 ×
打開微信，點(diǎn)擊底部的“發(fā)現(xiàn)”，
使用“掃一掃”即可將網(wǎng)頁分享至朋友圈。
聊聊中小企業(yè)的智能制造之路
