如何开始与AI集成

人工智能之旅的第一步应该从一个简单的问题开始:“如果我们知道更多，我们能做些什么来改善业务?”想象一下，您的团队正在预测未来，然后确定必要的更改以优化速度、准确性或成本。有了人工智能，这是可能的。

然而，在实施AI时，许多项目由于对用例的混淆或不清楚的ROI而没有将其投入生产。管理人员在采用人工智能之前会跳过很多步骤。在选择人工智能供应商或雇佣数据科学团队之前，进行深思熟虑的讨论和概述期望是绝对必要的。

理解预测性维护的复杂性

在制造业环境中，人工智能的“通常嫌疑”是预测性维护。这是许多楼层经理考虑的领域，尤其是当高级管理人员读到它的使用情况时。对于制造商来说，这是一个更加成熟的领域，而且采用速度更快。但是，使用人工智能进行预测性维护是一种具有成本效益的资源利用吗?

使用人工智能和机器学习工具来监控机器和预测维护间隔存在重大挑战。假设有五台相同的机器在地板上运行。当一辆车坏了，平均需要三天时间来修复。每天的非手术费用是25万美元。您希望安装传感器和预测性维护，但需要考虑其他变量。也许这些机器的故障率是每三年一次。按照这个速度，新传感器、数据监控和可能增加的新工作人员的投资回报率都比不上25万美元的机会成本。

当机器的生命周期超过几年或几十年时，如果没有长期的数据收集，预测维护是很困难的。由于有限的数据和磨损变量，数据科学家通常无法准确预测所需的维护或故障概率。这并不是他们自己的过错;他们无法控制这些事件的预测性，事实证明它们通常不是很好。

预测性维护的复杂性就像使用人工智能来预测特定患者群的再住院率。医院可能有历史数据和医疗记录，但差异很大。病人听医生的话吗?他们是否有明显不同的家庭环境，一个生活在新鲜的乡村空气中，另一个被长期吸烟者包围?对于机械来说，有时金属或塑料会弯曲，尽管预测模型表明它还可以运行18个月。这是有变化的。在许多情况下，最好依靠工人利用他们的知识和专业知识来开发更便宜的预测性和预防性维护模型，并将人工智能用于其他用例。

从简单开始寻找ROI

在制造业中使用人工智能需要一种谨慎的方法。从简单开始，证明概念和ROI，然后向更复杂的方向发展。这种方法展示了人工智能和机器学习支出的价值，并让从所有者到车间员工的每个人都参与到产生的见解和改进中来。如果您对操作的可见性有限，则传感器和AI的早期使用将确定您的一些机器在应该运行时是否处于空闲状态。

一旦你有了统计AI模型，考虑一下业务可以做出的切实变化。经历实际的过程。想想工厂里每天发生的步骤是什么。你在哪里亏损?是否存在校准错误的问题，需要扔掉零件?这是机器学习和计算机视觉实时测量零件的机会。这样就可以在第10个错误而不是第200个错误时进行校准，从而节省时间和金钱。

如果你生产塑料零件，你可能会停止压力机来检查模具磨损和其他指标。bet188娱乐城传感器和人工智能可以通过考虑环境条件并在生产过程中自动执行测量来为这一过程添加数据。结果呢?速度和准确性的提高，以及可能将工人转移到更具生产力和创收的活动。因此，无需人工检查零件，相机和机器学习可以以人眼无法达到的速度和准确性执行任务。

人工智能和机器学习给制造业带来了希望，但它们不是可以解决所有问题的魔杖。慢慢来，首先确定你的商店的痛点和运营问题，然后学习可以帮助你的AI的最佳实践和应用。