人工智能|工业富联刘宗长：工业人工智能与工业互联网为制造业带来的价值机遇 | CCF-GAIR 2020( 三 )
5、制造过程的管理 ， 更多是PHM ， 用预测的方法管理质量和设备的状态维护 。
以上是我们归纳的五大应用场景 。 我们做这些场景开发的时候 ， 包括内部有专门的AI开发团队 ， 在工业场景当中实现规模化的价值交付是难以实现的 ， 这里面有非常多的挑战 。
本文插图
左边的图可以看到 ， 如果从时间的维度和场域价值 ， 我们投入的精力和研发的经费带来的价值曲线 ， 最开始发现AI应用开发会做很多试点 ， 所有的五大场景都有试点 ， 试点推的过程中它的开发周期比较长 ， 基本上是6个月到1年时间 ， 这里面有大量问题 。
比如我们要解决什么问题、准备什么数据、选择合适的算法模型、不断做参数的调优 ， 调优完成以后选择合适的运算环境 ， 把它变成整个程式和系统 ， 这个过程会比较长 。 等到基本完成之后 ， 导入场域生产的实际应用 ， 这时候面临的问题是实验室环境下或者研发环境下考虑到很多因素 ， 可能在实际生产现场是远远超过它的复杂度的 。
结果的可靠性和可解释性会带来很多不足 ， 在初期导入的时候 ， 比如有一条产线导入一个新技术 ， 整个所有稳定性和给产线带来的产能和良率的波动会有调整的过程 。 这个过程会有3-6个月 ， 我们又度过之后 ， 现在基本上在我们实际场域当中稳定了 ， 我们想规模化推广的时候会说它的模型泛化能力和迁移成本过高 ， 这个产线有它的特点 ， 下一个不是同类产品 ， 但是是相似场景的时候 ， 还是有很多要做开发的工作 。
怎么把前面的时间缩短 ， 把边际成本降低？用一个系统工程的方法去做人工智能 ， 包括像工业互联网 ， 很多时候大家把工业互联网当成互联网的概念 ， 或者把工业里面的人工智能用过去开发人工智能的方法去看 ， 但是我们发现如果按照那样的想法做会有些挑战 。 我们要用系统的方法做 ， 首先我们认为标准的研发流程非常重要 ， 除了引进像DevOps这样的平台工具之外 ， 也研究一些算法和利用冷启动和迭代机制 。
工业当中有很多典型的小数据环境 ， 小数据环境当中 ， 我们的算法如何快速迭代 ， 包括快速收敛 ， 这都是我们现在研究的方向 。 包括系统性的技术架构 ， 基于CPS把5C的架构 ， 每层任务定义清楚 ， 哪些做设备连接、哪些做网络通讯、哪些做边缘的运算 ， 哪些做模型的管理和迭代 ， 以及和OT系统连接的时候怎么把结果和交互做分发 。
OT和Know-How的深度融合 ， 过去做大数据过程中关注的是这里面的维度、数据4个V的要素 ， 但是我觉得工业当中运用的时候物理含义非常重要 ， 包括怎么定义 ， 在预处理当中选择合适的特征 ， 包括和工艺和设备的机理做充分的关联 ， 这都是要跟工业的Know-How相关 。 包括工业可复用、可迁移的设计 ， 这是当成系统性的工程方法做的努力 。
系统性的方法 ， 首先要理解人工智能和工业互联网技术在过去系统当中的定位 。
从最早的方法 ， 通过人管理现场的事和物 ， 这是最早的方法 。 大家如果追溯到60、70年代 ， 整个日本的制造有一个理念叫做TPS生产管理系统 。 讲究的是一线每个人充分动员起来 ， 围绕现场的设备、围绕现场的生产过程的要素做管理 ， 那时候更多强调三线管理 ， 强调一线领导力和全员动员 。
过去是人在现场怎么把事和物管理起来 ， 靠人的经验和责任心 ， 后来有了系统 。 系统最早诞生于六西格玛 ， 用数据的方式管理和定义制造系统当中带来的不确定性 ， 包括另外一个4流派 ， 也是发源于日本丰田的精益制造系统 ， 在整个流程设计、管理方法和制度的设计 ， 甚至包括整个产线设计过程中怎么充分精益化 ， 那时候我们关注的系统更多是文化、制度和在现场装备的设计 。 再到后来有了制造的信息化 ， 引入信息化的系统 ， 包括开始用MES、ERP ， 把以前人跟进的线下流程用软件的系统去承接 。
推荐阅读
- AI人工智能|原创 智能门锁改造计划，德施曼小嘀全自动电子猫眼锁Q3M上线小米有品
- 人工智能|济南将打造全球首个人工智能医药研发自动化实验室
- AI人工智能|宋庆龄文化空间揭幕 聚焦少儿人工智能互动体验
- 扫地车|提升企业形象从使用工业扫地车开始
- 人工智能|商汤科技林达华：OpenMMLab助开发者缩短AI项目路径
- 新民晚报|未来作曲不需要人？人工智能为大剧院创作新演出季主题歌
- 人工智能|未来四年有望保持高增长，人工智能将成为复苏道路上的关键技术？
- 工业互联网|工业互联网产业增加值规模将达3.78万亿元
- 工业|中国发布工业级5G终端基带芯片 筹建技术联盟促应用发展
- 科技日报|中国发布工业级5G终端基带芯片；“天问一号”累计飞行达1亿千米丨科技早新闻