一些资产密集型组织如今正在实施数字化转型，以实现卓越运营、改善关键绩效指标(KPI)，以及解决生产和支持流程领域中的具体问题。
基于人工智能的预测模型是非常有用的工具，可以部署在复杂的生产环境中。与常用的一些分析工具相比，在生成大量结构化或非结构化数据的复杂生产环境中，预测模型更容易放大不同参数之间的相关性。
一些资产密集型组织的高管表示，人工智能的应用正在稳步增长。这与调研机构IDC公司的预测相一致，即到2026年，将有70%的全球2000强组织使用人工智能为基于风险的运营决策提供指导和见解。目前这一数字还不到5%。
典型的人工智能用例大多利用嵌入在计划和调度工具中的认知人工智能，它也用于质量和维护预测模型。
利用人工智能引擎的解决方案可以提供即时价值和合理的投资回报率，这些引擎能够识别图像和声音，以及振动、温度和过程中的数值。人们目前在试点或独立实施的方案中看到了这样的用例。
定制与标准人工智能驱动的解决方案
从可扩展性的角度来看，有两个主要的数字项目组在生产领域中利用人工智能。每个项目都带来很多价值。然而，它们提供了不同的时间尺度和时间精度。
定制的解决方案：基于复杂学习过程的人工智能驱动的解决方案是高度定制的。可以利用神经网络和深度学习进行图像识别，或者通过监督学习来建立预测模型。
对解决方案进行微调以提供90%的精度需要相对较长的时间。这些通常是预测性解决方案，用于模拟材料在生产过程中的行为。
卫生纸制造商Hayat Holding公司首席信息官说：我们花费近两年的时间才能达到90%的准确性。
工业可扩展性可能是一个真正的挑战。然而在这个项目中采用了自动学习模式，显著加快了进展，并且准确率达到99%。
即使在高度定制的模型中，也可能很难找到问题的根源。为了解决这些问题，分析师和材料工程师必须使用智能解决方案来显示问题发生的时间、方式和原因。
该公司首席信息官说：我们决定评估深度学习算法，以发现任何有意义的模式。我们从所分析的92种算法中选择了8种更有希望的算法。
工程师、开发人员和数据分析人员可以使用几种基于现代技术的数字和硬件工具及解决方案。但是在许多情况下，采用这些工具和解决方案是不够的。生产环境可能大不相同。
这不是简单地捕捉正确的参数和信号来提高输出质量和模型的最终精度的问题，其工作条件也可能有所不同。维护、调整和操作生产设备的不同方法可能会严重影响模型输出的质量。追求更高质量的过程可能曲折而艰难。
当然，投资回报率必须非常引人注目。经验表明，快速解决方案原型是必不可少的，模型的功能应该3～4周内快速测试。由于学习过程和模型的调整，从开始开发解决方案到部署解决方案之间的交付时间可能要花费数月的时间。
这就是部署的理想生产类型是高度资产密集型环境的原因，因为在这种情况下，一次中断事故就可能造成数百万美元的损失。
标准化解决方案：这些是基于图像识别原理的精细化、高度可扩展的解决方案。最终输出的精度在很大程度上取决于异常样本的数量，因为样本越多，模型越精确。
对于基本的质量控制任务，可能需要4～6个不合格样本，通过生产线上的摄像头来指导系统运行。从理论上来说，这样的解决方案甚至可以提供99.99%的准确率。然而现实表明，只有在简单的质量检验任务中才能达到这么高的理论值。
尺寸和表面完整性在能否有效利用这种解决方案中起着重要作用。越小越简单，控制输出越有效。
利用人工智能跟踪和分析每个装配步骤的解决方案看起来非常具有发展前景。这样的解决方案可以识别生产异常和瓶颈，从而将生产效率提高百分之几十。
它们还可以显著加快发现质量问题的速度，而在某些情况下，可以将发现时间缩短到几分钟。标准化解决方案很容易实现1～2年的投资回报率目标。其时间尺度和时间精度可能只有几天甚至几小时。
组织应该对在生产、质量控制和维护中利用人工智能有着更加现实的期望，因为人工智能并不是解决所有问题的灵丹妙药。
但是，人工智能可以提供大量的用例。组织的重点应该放在人工智能驱动的解决方案可以实现的目标上，以及可以在这些解决方案上投入多少精力和费用。
在许多情况下，效益不仅是明显的关键绩效指标，而且是提高可持续性和质量、解决生产过程中的问题以及提高客户满意度的目标。
必须避免产生数字孤岛。要充分发挥数据的威力，人工智能驱动的模型必须与企业的各系统集成。数据可以在多个领域根据具体情况进行分析。不同的分析解决方案结合起来可以得到意想不到的效果。
但是，当组织的业务向前推进时，不要低估技术和管理方面的支持。
