采访MachineMetrics首席数据科学家Lou Zhang

虽然预测性维护、人工智能、数字双胞胎和增强现实等流行语有望实现制造业的数字化转型，但当涉及到工业4.0时，大多数实际应用都始于机器连接。谈到价值驱动，只需回答以下问题即可;“发生了什么?以及“为什么会这样?”

简单地说，大多数制造商是看不到的车间正在实时发生什么因为他们的机器没有连接到任何类型的数据收集或数据可视化系统。这种无法看到和使用数据来推动持续改进的能力导致了大量的低效率，影响了公司运营的每个组成部分，从车间一直到高管层。

也就是说，随着人们对人工智能带来的机遇的兴奋持续增长，我们对MachineMetrics的首席数据科学家Lou Zhang进行了采访，以便他能就人工智能在分析之旅中的位置以及它与机器监控和数据收集等技术的关系向我们提供他的观点。

整个制造业在利用人工智能进行机器监控和/或其他应用方面走了多远?

行业正朝着正确的方向发展，但目前我们正在应对一系列非常困难的挑战。在陈旧而根深蒂固的文化传统面前，制造业作为一个整体在有效地与现代化作斗争。这可能不像其他行业那样偏向于行动——当你生产实体部件时，通常情况下，衡量标准是你有形的最终产品。只要最终产品看起来不错，卖得好，有时你就不想为剩下的过程费心。这使得推动变革和现代化变得困难。我们发现，总的来说，在采用机器学习等新技术方面，制造业落后于其他行业5-7年。简而言之，我们正在开始使用人工智能，但这只是在初级阶段。

特别是对于机器监控来说，它变得更加困难。制造商可能会犹豫是否要让他们的数据离开工厂，因此大多数机器监控公司都同意在现场实施。你看到的是孤立数据的问题，这使得很难聚集足够多的数据，并且跨越足够多的不同领域来真正训练一个AI模型。想象一下，如果Netflix试图建立一个推荐引擎，但只有一个家庭的数据。

所以，在过去几年发生的事情是，你得到了所有这些一次性的、单一用途的模型，它们在各自的领域或公司之外都没有多大用处。MachineMetrics旨在通过推出纯云解决方案来解决这一问题——我们不提供内部解决方案，因此能够在离散制造空间中汇集具有代表性的制造过程样本。这帮助我们开始开发更通用的AI算法，用于检测多种不同类型的流程和机器上的故障。我们已经在这方面取得了一些成功，发表了论文并获得了专利，但还有很长的路要走，因为这完全是新领域。

即使在解决了孤立数据的问题之后，仍然存在许多突出的技术和文化问题——数据可能非常混乱，标签不充分，车间员工可能会抵制在工厂中实施人工智能，认为这是对他们工作安全的侮辱，并且可能普遍缺乏对人工智能在当前阶段的能力和局限性的理解。然而，该行业正在慢慢解决这些问题，随着时间的推移，人工智能的应用只会越来越广泛。

正如我们所了解的，在制造环境中有几种形式的机器监控，而不仅仅是将传感器安装在机器上的经典概念。每一种的优点和缺点是什么?

我最熟悉的两种类型是专门针对小型制造商的低成本/免费类型，以及需要为不同制造商定制的大型企业级应用程序，例如IBM等巨头销售的应用程序。

在低成本端，这些可以快速实现，但功能极其有限——可能只能显示机器何时启动或未启动，以及今天使用时间的百分比。它们也可能是错误的和不维护的。一般来说，它们被称为轻量级解决方案，可以解决一个非常具体的问题，比如跟踪部件或监控正常运行时间，但不能同时解决两个问题。

在成本较高的企业端，这些需要较长的实现时间线和巨大的前期成本。根据SBA的数据，美国50%以上的制造业和90%以上的出口都来自中小型企业。这是一个巨大的市场，没有资源或时间来处理企业巨头，这些巨头需要对软件进行广泛的定制，以便在每个不同的机器车间工作。

我还想补充一点，思科报告称，76%的工业物联网实施在企业端失败了，因此即使是拥有更多资源的制造商也难以通过通用物联网平台实现价值。

MachineMetrics一开始就意识到有一个巨大的，未开发的市场垂直集成物联网平台这是即插即用的，而且功能丰富，可扩展，以创造持续的价值和创新。

依赖人工智能进行机器监控是否有潜在的缺点?

我们应该记住，我们只是在范式转变的开始，所以对人工智能的过度自信和繁荣，与它的实际能力不相称，是我们看到的一个巨大的缺点。将决策完全交给人工智能而不考虑人类因素是极具破坏性的——聪明的管理者总是会试图理解为什么会出现人工智能的建议，并辅以人类的投入。就像依靠人工智能做任何事情一样，比如自动驾驶汽车——你需要保持清醒，否则你会崩溃和燃烧。

除了机器监控，制造商目前还有其他方法可以利用人工智能和大数据吗?

是的，计算机视觉在制造业中是一个正在成熟的巨大领域。在机器内部和工厂周围安装摄像头有助于制造商自动识别产品缺陷，跟踪库存，并通常使工厂更加自动化。同样，这还处于初级阶段，所以影响有限，但随着时间的推移，这种技术只会变得更好。

当人工智能取代人类员工时，它对机器监控(以及制造业中的其他应用)有什么影响?这些人工智能应用在多大程度上取代了现有的工作，提供了新的机会(可能是再培训)，或者两者兼而有之?

用于机器监控的人工智能的最终目标不是取代人类，而是用额外的、计算机引导的能力来补充人类的专业知识，使整个工厂运行得更顺畅。我们发现，随着能见度的提高，商店文化实际上会变得更好——人们在做出决定时可以参考数据，而这种透明度有助于营造一个长期健康的环境。

至于取代工作——根据我们的经验，当一款软件能够自动跟踪制造的零件数量以及机器运转或停机的频率时，工人们的时间就被解放出来，可以做更高价值的任务，比如利用计算机程序收集的所有数据，在工厂车间开展提高效率的举措。公司实现的更高收入可以再投资于工人培训计划，这样做机械工作的蓝领工人就可以被重新培训成对管理和战略有敏锐头脑的白领。

展望未来，你认为人工智能将为制造商提供哪些潜在的能力和好处?下一个重大的范式转变是什么?

从广义上讲，我的预测是，人工智能将能够帮助制造商通过预防性维护来降低成本，并通过增加产量和提高效率来增加收入。至于下一个范式转变，现在还很难说。如果人们知道投资致富的下一件大事很容易。我认为，持续推动制造业工作场所的透明度和可见性至关重要。我很期待这能带给我们什么。

对于那些想要开始将基于人工智能的机器监控纳入其业务的制造商，你会说些什么?在进行潜在投资之前，他们应该了解哪些成本和考虑因素?

我的建议是，他们应该从最基本的开始——先走后跑。如果你真的没有对你的过程进行数字化或自动化的可见性，那么从描述性分析开始。只要知道您的机器什么时候在运行就可以帮助您发现关于您的业务的一些明显的事情。例如，我们有客户没有意识到他们的一些机器在第一次轮班开始时闲置了两个小时——这样的事情可以帮助你立即节省数千美元，而不需要任何花哨的机器学习算法。

至于成本和考虑因素，在开始机器监控项目之前，即使没有人工智能，也必须获得组织中多个关键利益相关者的支持，而不仅仅是一方的支持。对于大多数组织来说，这是一项进入新领域的复杂冒险，如果没有组织的成熟和对变化和改进的坚定渴望，很容易失败。

除此之外，评估你的公司是否适合机器监控和高级分析是很重要的——经理们应该考虑他们希望推动的效率类型，并意识到这不是一个神奇的盒子，可以解决他们所有的问题。进入人工智能和机器监控的旅程是一种伙伴关系，需要不断学习和对各方面知识的渴望。如果这不是公司的态度，那么收益将是有限的。但如果有组织的支持和成为长期合作伙伴的愿望，我们已经看到了巨大的成功，这些成功已经改变了公司的经营方式。

下载我们的电子书，了解为什么大多数工业物联网实施失败，以及你可以做些什么。