See tähendab, et AI-laine ajal seisab töötlevas tööstuses silmitsi sügavalt paigaldatud struktuuriliste väljakutsete ja muutmissurvega, seistes "uuesti määratlemise" . läve all
Ühelt poolt kiirendab ülemaailmne tööstusahel oma ülesehitust, on struktuurne tööjõupuudus ning kvaliteedi ja tõhususe kahekordne surve kerkib üha enam esile{0}. Teisest küljest tungib tehisintellekt enneolematu kiirusega igasse lülisse alates teadus- ja arendustegevusest, tootmisest kuni tarneahelani, muutudes uueks muutujaks, mis juhib tootmise kvaliteetset arengut{2}.
Selle taustal ei ole tootmine enam AI -rakenduste järgija, vaid nende rakendamise peamine lahinguväli ja mootor .
Kuid tehisintellekti tootmise mõjuvõimu suurendamine ei ole pelgalt tõhususe suurendamiseks ja kulude vähendamiseks . see avaldab põhjalikumat mõju tootmissüsteemide loogilisele struktuurile, organisatsioonilistele meetoditele ja juhtimisvõimalustele, edendades tööstuse arendamist tööstusest protsessipõhisest süsteemsest kuni inimlikust automatiseerimisest, alates automatiseerimisest intelligentsusest ja intelligentsusest. KOOSTUS .
Seetõttu algatab AI -tehnoloogia manustamine töötleva tööstuse . "uuesti määratlemise"
See artikkel keskendub "tehisintellekti + tootmise" integreerimissuundumusele ja jagab seda mitmest mõõtmest, näiteks rakendusteed, tüüpilised rakendused, peamised väljakutsed ja organisatsioonilised võimalused .. Ta uuritakse, kuidas AI saab manustada tootmissüsteemi suunas, mis on suunatud ettekujutusele, mis on ette nähtud ettekujutus, juhtimine, teostamine, teostamine, teostamine, teostamine, teostamine, teostamine, teostamine, teostamine, teostataks, et see oleks seotud, et see on seotud, et see on seotud kihis. Kõrgema kvaliteediga ja vastupidavam tulevik .
"Tehisintellekti + tootmise" rakendustee: viis iteratsiooni tajust kuni otsuste tegemiseni
"Tehisintellekti + tootmise" sügava integreerimise edendamisel toimub tootmissüsteemide aluseks olev arhitektuur vaikne, kuid sügav rekonstrueerimine .
Traditsiooniline tootmissüsteem on juba pikka aega vastu võtnud selge hierarhilise arhitektuuri "taju - juhtimine - täitmine - töö - otsustamine": andurid koguvad andmeid ja laadige need juhtimissüsteemi üles, juhised juhivad täitmisüksust, automatiseerimissüsteem viib läbi protsesside haldamise ning otsuste tegemise tasemeplaanid ning kohandab perioodiliste andmeanalüüsi alusel. alusel..
See ülalt alla suunatud, tsentraalselt juhitav lineaarne arhitektuur toetas kord suuremahulist ja standardiseeritud tööstuslikku tootmist ., kuid tänapäeval on selle piirangud üha keerukamas, dünaamilises ja muutlikumas tootmiskeskkonnas muutunud üha olulisemaks .
Täna on töötleva tööstuse areng hierarhilisest arhitektuurist kuni süsteemi rekonstrueerimiseni, mis on platvormipõhine, integreeritud ja detsentraliseeritud . tajumine, juhtimine, täitmine, töö ja otsuste tegemine ei ole enam eraldi süsteemid, kuid toimivad koordineerimisel, interakteeruvad reaalajas ja moodustavad intelligentse suletud silmuse ühendatud tehnilisel platvormil..
Selles arhitektuuris ei sisestata tehisintellekti võimalusi enam lihtsalt teatud linki, vaid manustatakse sügavalt kogu tootmisvõrgu närvikeskusesse, toimides süsteemi intelligentsuse toeks .
See paradigma nihe visandab ka viis iteratiivset teed AI rakendamiseks tootmisel:
Taju iteratsioon: alates "nägemisest" kuni "mõistmiseni"
Tootmise esimene samm algab taju . AI videoanalüüsi, intelligentsete andurite ja asjade tööstusliku interneti arendamisega, tootmiskohtade "silmad" on muutunud ägedamaks ja mõistlikumaks .
AI-toega videoanalüüsi süsteem saab automaatselt tuvastada tootmise anomaaliaid, väljastada rikkehoiatusi ja muuta üksuste olekut, korvates traditsiooniliste reeglitepõhiste algoritmide . piirangud andmete kogumise lõppedes, ei anna andurid mitte ainult andmeid, vaid ka edasiviivat analüüsi, mis käivitab eelise AI-le AI, mis on ette nähtud AI-le {4-le}. AI põhjaliku integreerimise lähtepunkt tootmissüsteemidesse .
2. Control ITERATION: alates "reegli juhtimisest" kuni "intelligentse genereerimiseni"
Juhtimissüsteemide intelligentsus kirjutab ümber tööstusliku juhtimise loogika .. Tarkvara määratletud automatiseerimise (SDA) esindatud uus põlvkond tööstussüsteeme on rikkunud suletud struktuuri, kus riistvara ja programmeerimine on seotud traditsiooniliste juhtimissüsteemidega ning konstrueerinud avatud, modulaarse ja ümberkujundava juhtimisplatvormi . .
Selle põhjal on AI assistendi tööriistade kasutuselevõtt muutnud PLC-programmeerimise enam ülesandeks, mida insenerid saavad üksi täita ., kirjeldades kontrollieesmärke loodusliku keele kaudu, AI saab automaatselt genereerida juhtimisloogika, voolukoodid, semantilised märkused ning isegi läbi viia inimkatteid, mis saavutavad inimliku koodi tõmblemise, ja see saavutab hüppeliselt ituerivast koodist ja hüppavad selleni ja selleni. süsteemid .
3. täitmise iteratsioon: "automatiseerimisest" kuni "intelligentse sünergia"
Muudatused toimuvad ka tootmise täitmise tasemel . AI ja tööstusrobotite sügav integreerimine soodustab "tööstuslike intelligentsete üksuste" moodustumist taju, otsustus- ja täitmise võimalustega .
AI juhitud robotid ei suuda mitte ainult teostada korduvaid toiminguid, vaid saavutada ka adaptiivse tee planeerimise, reaalajas visuaalse äratundmise ja mitme Machine'i koostööplaani {. digitaalse kaksik- ja simulatsiooniplatvormi kaudu. Robotid saavad treeninguid ja kontrollida virtuaalse keskkonnaga, mis on enne veebis tsüklit ., kuid ", kuid", kuid ", kuid", kuid ", kuid mis on loodud", kuid mis on loodud ", kuid" Intelligentsed teostajad, kellel on otsustusvõime .
4. operatiivne iteratsioon: alates "kirjehaldusest" kuni "ennustava optimeerimiseni"
Tootmisprotsesside haldussüsteem on ka AI . tehisintellekti kasutuselevõtu tõttu põhjalikult ümber kujundatud, kiirendab oma integreerimist põhiliste tootmisprotsesside platvormidesse, näiteks MES ja seadmehaldussüsteemid, saades intelligentseks mootoriks optimeerimise tootmiseks .
AI saab modelleerida seadmete tööandmeid, tuvastada võimalikud rikked eelnevalt ja saavutada ennustav hooldus . optimeerida OEE jõudlust reaalajas andmevoo analüüsi abil; Kvaliteedihalduses kasutatakse AI-d defektide mustrite ja algpõhjuste tuvastamiseks, suurendades seeläbi toodete järjepidevust ja vastavust . tootmisprotsesside haldamine liigub reageerivast juhtimisest ennustava töö juurde, saavutades protsessi tasemel, andmetepõhise intelligentse optimeerimise..
5. otsuse iteratsioon: alates "perioodilisest mahajäämuse analüüsist" kuni "reaalajas aruka otsuste tegemiseni"
Tootmisettevõtete otsuste tegemine läbib ka intelligentse teisenduse . AI järk-järgult võimaluse aidata aidata tihedaid otsustusülesandeid, näiteks tootmise ajastamine, varude simulatsioon ja kvaliteediprognoosimine ..
AI-mudelite abil saavad ettevõtted läbi viia stsenaariumi simulatsioone, et kiiresti hinnata erinevate tootmise ajakava strateegiate ressursside okupatsiooni ja kohaletoimetamise võimalusi . ajalooliste ja reaalajas andmete ühendamise ühendamine, AI võib ennustada kvaliteedi kõikumiste suundumust ja kohandada protsessi parameetreid . inventuuride haldamiseks, mis soovitab inventuuride haldamist, AI CAN-i dünaamilisi strateegiaid, AI CAN-i dünaamilisi strateegiaid. Otsused on nihkunud vastustest tulevikku suunatud teadmistele, saades ettevõtte paindlikkuse ja vastupidavuse peamiseks toeks .
Nende viie hüppe ajal oleme olnud tunnistajaks, et tehisintellekt pole enam väline tööriist, vaid intelligentne tegur tootmissüsteemis ., see ületab traditsioonilised piirid, integreerub igasse tasemesse ja igasse sõlme ning reklaamib tootmissüsteemi hierarhilisest juhtimisest kuni intelligentse koostööni ja kohalikust optimeerimisest {..
See süstemaatiline rekonstrueerimine on just "tehisintellekti + tootmise" . olemus
Milliseid süsteemi võimalusi on vaja tootmisorganisatsioonide jaoks "tehisintellekti +" ajastul?
Tehisintellekti kiire arengu praegusel ajastul on korduvalt arutatud küsimus: kas AI asendab inimesi? Töötlevas tööstuses on see probleem eriti tundlik .
Varem näis iga automatiseerimishüppega kaasnevat suundumust, et "inimesed asendavad masinaid" ., aga tänapäeva tehisintellekt, eriti selle rakenduse tee tootmise stsenaariumides, annab meile kindla vastuse: AI ei ole mõeldud inimeste arvu vähendamiseks, vaid selleks, et täiustada neid.
Arukas tootmine nõuab rohkem inimesi, mitte vähem .
See tähendab, et AI lai kasutamine ei ole viinud koondamiste lainele; Selle asemel on see andnud suure nõudluse uute oskuste ja mitmekülgsete talentide järele .
Varem peeti AI-d rohkem tööriistaks: kasutatakse tänapäeval tuvastamiseks, andmete analüüsimiseks ja aruande genereerimiseks . AI mudelite levikuga ennustatava hoolduse, kvaliteedikontrolli, tootmise ajakava ja muude linkidega, arenevad need järk-järgult abistavatest kohtunikest {{2} {2}.
See evolutsioon ei ole muutnud mitte ainult tehnoloogia rolli, vaid kujundanud ka organisatsiooni struktuuri . tootmisettevõtted muutuvad ühesuunalisest seosest "inimotsuste tegemise ja AI-abi" ühesuunalisest seosest kahesuunalise ühise mudeliga "inim-massiini kaasotsuse tegemise" "{7}} AI-d, mis ei ole enam-enced, mis ei ole enam-enced. Käivitamisprotsess uuesti insenerimine .
See tähendab ka seda, et talentide ettevõtete nõuded läbivad kvalitatiivset muudatust: nad ei vaja mitte ainult insenere, kes mõistavad AI-d, vaid ka AI-talente, kes mõistavad tootmist . AI-generalistid, kellel on piiriülesed võimalused, süsteemide mõtlemine ja ettevõtte mõistmine, muutuvad organisatsiooni aruka ümberkujundamise peamiseks toeks .
Kui AI on intelligentse tootmise "aju", siis on organisatsiooniline võime otsustav tegur selle kohta, kas see "keha" on paindlik, tugev ja jätkusuutlik . AI -ajastu sisenemisel, tootmisettevõtted ei pea mitte ainult algoritme ja tööriistu tutvustama, vaid ka süstemaatilise võimekuse raamistikut, mis toetab AI -le suurendamist, AI {{{{{{{{}.
Strateegiline võime: AI ei ole pelgalt "IT -projekt", vaid ka "tavaline toiming" .
Kui paljud ettevõtted propageerivad "tehisintellekti + tootmist", peavad nad seda ühekordse teabe uuendamiseks ja jätavad IT-osakonna hooleks, et viia juht . See lähenemisviis viib sageli AI-projektideni, mis algavad kõrgel, kuid lõpevad madalad, edukate pilootprojektide ja ebaõnnestunud replikatsiooniga . koos ebaõnnestumisega.
Tõeline ümberkujundamine intelligentseks tootmiseks nõuab AI-d seoses AI-ga, kuna peamine strateegiline ressurss, mis juhib äritegevuse mudelite vahetamist . AI, ei tohiks eksisteerida äritegevusest sõltumatult, vaid see tuleks sügavalt integreerida põhiprotsessidesse nagu tootmine, kvaliteedikontroll, tarneahela juhtimine ja energiahaldus. AI-st strateegia tuleks ärisõltus kujundada, mis on kujundatud DAUN-i äristil-strateegiasse draiv ".
2. talendivõimalused: ehitage "AI inseneride + äriekspertide" liitmoodul
Talendistruktuuri optimeerimine on AI . rakendamise eeltingimus ühelt poolt vajavad ettevõtted AI -algoritmi võimalustega insenere ja andmete modelleerimise võimalustega insenere, kes saavad aru, et tootmise andmiseks on vaja teha, mis on vajalik protsesside jaoks, mis on vajalikud, mis on vajalik protsesside jaoks, mis on vajalikud, et teha tootmise andmeid, mis on vajalikud. Kogege selgesõnalisi ja teadmisi struktureeritud, nii et AI mudelid oleksid reaalse maailma probleemidele lähemal .
Kakskeelsed talendid nii inseneri keele kui ka ärikeelega on tulevikus hädavajalik selgroogiettevõtete jaoks .
3. organisatsiooniline struktuur: reklaamige AI keskmise platvormi ja äritegevuse koondamist
AI-projektid on sageli killustatud ja seda on keeruline korrata suure ulatusega .. Põhiline põhjus seisneb ühtse andme- ja mudelifondi puudumises . selle eesmärgi saavutamiseks peavad ettevõtted ehitama AI ja andmekeskmise platvormi AI ja andmekeskmise platvormiga, mis on integreerinud aluseks olevad algolloritmid, andmete juhtimisvõimalused ja vorminguid. stsenaarium ".
Organisatsiooniliselt on vaja luua ka osakondadevahelisi AI rakenduskomiteed või digitaalsed operatsioonirühmad, et lõhkuda tõkked IT ja OT, teadus- ja arendustegevuse ning tootmise, peakorteri ja saidi vahelised tõkked ning saavutada kaasloomismudel, kus probleemid tõstatatakse esireas ja lahendused pakuvad platvormi .
4. rakendustee: pilootprojektidest kuni täieliku ahela juurutamiseni
Uuringute aruandes pakutud intelligentse tootmise muundamise tee kohaselt peaksid ettevõtted järgima AI projektide juurutamisel kaheksaastmelist Agile Start, kiiret iteratsiooni ja pidevat laienemist, nagu on näidatud ülaltoodud joonisel .
See tee rõhutab, et AI rakendamine ei tohiks olla liiga ambitsioonikas ja põhjalik ., selle asemel peaks see võtma väikeseid, kuid kiireid samme, õppima tehes ja arenema järk -järgult, et saavutada spiraalne hüpe "kohalikust intelligentsusest" kuni "süsteemintelligentsuse" . -ni.
AI tegelik väärtus ei seisne inimeste asendamisel, vaid nutikama, paindlikuma ja arenenud tootmisorganisatsiooni kujundamisel . see võimaldab organisatsioonidel liikuda kogemusest lähtuvalt andmepõhisesse ja protsessi jäikusest kuni aruka paindlikkuseni, moodustades mõistliku intelligentse ühisloomise süsteemi keskpunkti inimlikule koostööle {5}.
Konkurents tulevases töötleva tööstuse valdkonnas ei ole enam seadmete ja tootmisvõimsuse võistlus, vaid pigem kognitiivsete võimete, organisatsiooniliste võimete ja intelligentsete võimaluste konkurents . AI ei ole lõpp, vaid uue tööstusliku tsivilisatsiooni lähtepunkt .
Andmed ja mudelid: äärmiselt keeruline "tehisintellekt + tootmine" topeltmootor kapteniks
AI -mootor suudab intelligentse tootmissüsteemi pideva arengu tõeliselt juhtida, kui nii "Andmed" kui ka "mudelid" töötavad tõhusalt samaaegselt .
Kuid "tehisintellekti + tootmise" praktilises rakendamisel satuvad ettevõtted sageli kognitiivse arusaamatuse juurde: uskudes, et seni, kuni AI-algoritmid on kasutusele võetud ja tööstusandmed ühendatakse, on intelligentsed otsuste tegemise ja optimeerimise tulemused automaatselt saadud., kuid reaalsus on, et paljud tootmiseettevõtted on tõrges ", ja mis on tõrges", ja mis on tõrges ", ja tõdetakse" edusamme "ja mis on tõrges", ja see on tõrgeteta "Sundini". Täpselt selles, et andmete ja mudelite kaks põhimootorit pole . tegelikult alanud
Andmeväljakutse: ettevõtete tootmisel on "kõige rohkem andmeid", aga ka "kõige keerulisemad andmed" . kasutamiseks
Miks on andmeid keeruline kasutada? Seal on peamiselt kolm peamist põhjust:
Andmed on oma olemuselt ebapiisavad ja ebaühtlase kvaliteediga: suurel hulgal tööstuslikke andmeid on sellised probleemid nagu müra, puuduvad andmed ja heterogeensus . puuduvad juhtimismehhanismid ja selle otseselt "toitmine" mudelile on kahjulik.}
Andmeid ei töödelda hilisemas elus ja puudub kontekstistruktuur: paljud ettevõtted koguvad "eraldatud andmepunkte", millel puuduvad kontekstiinfo, näiteks sündmused, protsessid ja partiid, mis viib mudeli võimetuseni mõista selle äriseemantikat ja põhjuslikku loogikat .
Sügavam probleem seisneb selles, et kuigi tootmisettevõtetel on andmeid, puuduvad neil võime muuta andmed kasutatavateks teadmisteks ., see pole tarkvara funktsionaalsuse probleem, vaid pigem süstemaatiline puudus organisatsiooni mehhanismi, andmete mõtlemise ja juhtimissüsteemi.}.
Seetõttu pole töötleva tööstuse andmed liiga vähe, kuid liiga hajutatud .. See pole nii, et see pole väärtuslik, vaid et kontekstuaalne teave pole piisavalt .
2. mudeli väljakutse: tööstuslikku intelligentsust ei saa üleöö saavutada, tuginedes "üldistele suurtele mudelitele"
Tööstuslikud AI -mudelid seisavad silmitsi kolme peamise väljakutsega:
Protsesside mõistmise puudumine: tootmisprotsess hõlmab paljusid vaikseid teadmisi, näiteks empiirilised reeglid, füüsilised mehhanismid ja mitme muutujaga ühendamine . Kui mudel ei mõista protsessi, saab see teha ainult asjakohaseid ennustusi ja ei saa läbi viia algpõhjuste analüüsi või protsessi optimeerimist..
Andmete nappus ja märgistamisraskused: võrreldes selliste Interneti-valdkondadega nagu e-kaubandus ja suhtlusvõrgustikud, puuduvad tööstusstsenaariumidel laiaulatuslikud avatud lähtekoodiga andmekogumid ja paljusid ebanormaalseid andmeid on keeruline märgistada, muutes juhendatud õppimise jätkusuutlikuks .
Ebapiisav üldistamisvõime ja raske stseeni migratsioon: sama mudeli jõudlus varieerub erinevatel tootmisliinidel ja seadmetel . . puuduvad võimalused, mida saab migreerida ja peenhäälestada, mille tulemuseks on kõrged AI juurutamiskulud, pikad tsüklid ja madal ROI.
Seetõttu on töötleva tööstuse tõeliselt vajalik AI-st stsenaarium: need, mis ei suuda mitte ainult mõista füüsilist käitumist ja protsessimehhanisme, vaid kohaneda ka dünaamiliste tingimuste ja seadmete erinevustega, omades tööstuslikku intelligentsust väikese valimi suurusega ja tugeva üldistusega . .
On ilmne, et AI mudelid tootmises ei ole "rääkimismudelid", vaid "mudelid, mis mõistavad füüsikat" . See ei ole "sisu genereerimise mudel", vaid "" mudel protsessi rekonstrueerimiseks ".
3. Juhtimisprobleemid: AI ei tähenda laenamist; Võimekussüsteemi ehitamine on AI tootmise tõeline lähtepunkt
Andmete ja mudelite kahesuguste väljakutsete taustal ei saa ettevõtted enam jääda tööriistade juurutamise etapis, vaid peaksid pöörduma täieliku ja jätkusuutliku AI võimekuse süsteemi loomisele .. Põhis on hea minna hästi kolmes asjas: esiteks, andmete juhtimine: "Andmete kogumine" teadmiste genereerimisest "; Ii . stseeni modelleerimine: väljendage probleeme ärikeeles ja lahendage need algoritmilises keeles; Iii . mudeli peenhäälestamise mehhanism: veenduge, et iga agent sobib oma stseeni .
AI ei ole midagi, mida tuleb kasutusele võtta . "tehisintellekti + tootmise" tuleks pidada süstemaatiliseks projektiks . tehisintellekti sisenemise tootmiseks ei tähenda see, et see muutuks kasulikuks lihtsalt seetõttu, et see on installitud, ega ka see, et see muutub intelligentseks, kuna see on ostetud . projektiks, mis on mõeldud, kui see on süstemaatiline, on see, et see on süsteemsetest projektidest, kui see on System, mis on System Is System Is A System Is A System Is A System. organisatsioonid .
Kui Enterprises loodab AI-toega tootmise tõeliselt saavutada, peavad nad lahkuma "tööriistadele orienteeritud" mõtteviisist ja ehitama tuleviku jaoks kahemootorilise "andmevõimaluste + mudeli võimaluste" süsteem . ainult sel viisil võib tehislik intelligentsus märgata, et see oleks vaid loodamisel, kuid saab aru intelligentseks koostajaks, kuid see võib aru saada, et see saab aru, et see aru saada, ja see mõistab, et see on intelligentseks koostajaks.