制造业中的 AI：数据驱动型文化的关键

随着工业 4.0 转型的开始，制造商需要创造数据驱动型文化。随着连接和配备传感器的设备越来越多，大量宝贵数据等待发掘。但要正确地收集、存储和分析数据，从而做出明智的业务决策，人工智能 (AI) 和机器学习 (ML) 模型是关键所在。

遗憾的是，开发模型并将其集成到生产和整体运营中可能是一项复杂的任务。首先，并非所有人都拥有在工作流程中应用高级模型所需的知识和技能，导致用户必须等待数据科学团队为他们分析和解释数据。

如果企业有数据科学家，这就是他们发挥作用的时候。但是许多中小型制造商都没有数据科学家。相反，他们依赖 AI 技术提供商提供他们所需的新特性和功能，这非常耗时，可能长达一年。

如果更多的员工掌握了所需的技能和工具，制造商就可以快速推出新产品和功能，甚至降低能耗。

这正是总部位于中国台湾地区的公司 Profet AI 背后的哲学。该公司致力于利用其 Auto ML 解决方案实现 AI 在制造业的民主化，该解决方案旨在简化机器学习模型的训练，使其像创建 Excel 电子表格一样轻松。

虚拟数据科学家公司 Profet AI 的业务开发总监 Marc Wu 说：“我们提供三小时的培训课程，为用户教授他们可以应用于日常任务的基础功能。”

利用数字数据

Profet AI 的 Auto ML 是一个专为快速开发模型而设计的无代码 AI 平台。该公司与英特尔^® 发行版 OpenVINO^™ 工具套件集成，以提高其计算速度。这使中小型企业的域用户能够在无需数据科学团队帮助的情况下使用该平台。对于拥有数据科学家的大型企业，可以将该平台视为另一个团队成员。

Wu 说：“当域用户想要解决问题时，他们仍然需要收集数据并上传到我们的平台。我们的平台将自动计算数据，进行数据清理和建模，比较模型，然后给出最佳模型。”

这个过程就像与数据科学家共事。他说：“但区别在于域用户可以自行完成这项任务。”

Wu 表示，Profet AI 平台的一大优势是速度。他解释说：“过去如果要将一个项目交给数据团队，通常大约需要两到三个月才能取得成果。使用我们的平台，通常只需要一个星期左右。”

如果制造商想要发布新产品，研发团队可以将数据输入模型，确定最佳生产参数。在传统方法中，该公司可能会进行试运行。Wu 表示，使用 Auto ML，该公司可以在实际试运行之前运行模拟，节省大量时间和成本。

该公司已经帮助各种工厂利用其制造数据和能耗等方面的运营数据构建了模型。

例如，一家玻璃制品制造商借助 Auto ML 进入了医疗设备市场。一家印刷电路板 (PCB) 制造商能够最大限度地减少在镀金过程中使用的黄金量。另一家公司在提高非高峰时段的生产率后，每月能源账单金额减少了 30,000 美元。

进入新市场

响应速度更快是使用 Auto ML 的制造商获得的一项巨大优势。在玻璃制造商的案例中，该公司在收到为医疗设备制造玻璃部件的计划书后，能够利用该解决方案快速测试参数并做出响应。

Wu 说：“因为他们的响应速度极快，他们成功获得了这家新医疗设备客户的订单。”从此该公司进入了医疗设备领域。

Wu 说，这种成果使 Profet AI 从以数据科学家为产品受众的其他 AI 供应商中脱颖而出。“我们认为 AI 应该是一项应用技术，而非仅由少数人掌握的高端技术，因此我们为域用户设计了这款产品。”

Wu 表示，Profet AI 已经为 10 家不同的制造厂开发了 120 多个 AI 应用程序，为客户提供了可以用作 AI 模板的“现成应用程序”。

Wu 解释说，这对不知道从何处着手实施 AI 的客户来说大有裨益。这些应用程序可以下载，Profet AI 还提供了分步教程和样本数据集。

Wu 说：“他们看到数据集时，会立即明白如何利用我们的平台进行操作，以及如何自行收集数据。”

让制造业中的 AI 更进一步

为了改进平台，Profet AI 不断听取客户的反馈。一家客户希望能够用移动设备访问他们创建的模型，以便现场用户使用该模型。

Wu 说：“我们实际上已经开发了此功能，已将其应用于我们的产品。”“目前，模型可以由工艺工程师等进行训练，本地操作员可以使用他们的移动设备运行模型。”

Wu 说英特尔 OpenVINO 在 Auto ML 中的集成使产品变得更加卓越。Wu 说：“我们相信这可以为客户带来更好的使用体验。”他说，在最新一代 Auto ML 中，推理速度提升高达 100%。

最终目标是让普通用户可以轻松使用 AI，使 AI 在制造业中无处不在。Wu 希望该公司能够成功实现这个目标，届时训练数据模型会像创建 Excel 电子表格一样简单。

本文由 insight.tech 的副主编 Christina Cardoza 编辑。