目前，一些资产密集型组织正在进行数字化转型，以实现卓越的运营，改进关键业绩指标(KPI)，并解决生产和支持过程领域的具体问题深圳市人工智能行业协会。

以人工智能为基础的预测模型在复杂生产环境下是非常有用的工具。相对于通常使用的一些分析工具，预测模型更容易扩大不同参数间的相关性，从而产生大量结构化或非结构化数据。

有些资产密集型企业的管理人员说，人工智能的应用越来越广泛。这个数字符合了研究机构 IDC的预测，即到2026年，全球有70%的2000家组织将会使用人工智能，为基于风险的运营决策提供指导和洞察力。现在这个数字低于5%。

大多数人工智能用例使用了嵌入在计划和调度工具中的认知人工智能，它也可以用来保证和维护预测模型深圳市人工智能行业协会。

使用 人工智能引擎的解决方案可以提供即时价值和合理的 ROI，该 ROI能识别图像和声音，以及在振动、温度和过程中的数值值。现在，这种用例已出现在试点或单独实施的方案中。

标准人工智能驱动的自定义解决方案

就扩展性而言，有两大数字项目团队在生产领域采用了人工智能技术。每一个计划都有许多价值。但是它们提供不同的时间尺度和时间精度。

自定义解决方案：基于复杂学习过程的由人工智能驱动的解决方案具有高度的定制性。图像识别可采用神经网络和深度学习，或通过监督学习建立预测模型。

为了达到90%的精确度，调整方案需要相对较长的时间。这通常是预测性解决方案，用来模拟生产过程中材料的性能(例如，对纸带或钢坯的损坏进行预测)。

厕纸制造商 Hayat Holding的首席信息官 Gü lsü n Akhisaroglu说：“我们花了近两年的时间才达到了90%的准确率。

产业的扩展性可以成为真正的挑战。该项目采用的是自动学习模式，显著加快了进度，准确率达到99%。

即便是高度定制的模型，也很难找到问题的根源所在。要解决这些问题，分析人员和材料工程师必须使用智能解决方案来说明何时、如何以及为什么会出现问题。

Akhisaroglu，该公司的 CIO说：“我们决定对深度学习算法进行评估，以发现任何有意义的模式。在92个被分析的算法中，我们选择了8个，前景更好。

工程人员，开发者和数据分析师可以使用一些基于现代技术的数字和硬件工具和解决方案。但在很多情况下，这些工具和解决方案并不足够。产品环境可以非常不同。

这个问题不仅仅是捕获正确的参数和信号，以改善输出质量和模型的最终精度，而且工作环境可能会有所不同。不同的维修，调整和操作生产设备的方式会严重影响模型输出的质量。寻求更高质量的过程可能是曲折和困难的深圳市人工智能行业协会。

自然地， ROI必须很高。实践证明，快速的方案原型是必要的，模型的功能应在3~4周内进行快速测试。因为需要不断地学习和改进模型，所以从开始开发解决方案到部署解决方案之间的交付时间(得到准确可靠的结果)可能需要数月。

因此，部署的理想生产类型是一个高度资产密集的环境，因为在这种环境中，一个中断事故可能导致数百万美元的损失。

标准解决方案：这些是基于图像识别原理的精细、高度可扩展的解决方案。最后结果的准确性主要取决于异常样本数的多少，因为样本越多，模型就越精确。

在进行基本的质量控制工作时，可能需要4~6个不合格样品(“NOK”)，通过生产线上的摄像机对系统进行监控。在理论上，这种方法甚至能提供99.99%的准确率。但实践证明，如此高的理论价值只能在简单的质量检验任务中实现。

在能否有效利用这一解决方案中，尺寸和表面完整性起着重要作用。小型化简单，控制输出效果更好。

使用人工智能来跟踪和分析每一个装配步骤(包括周期分析)的解决方案看起来很有前途。这种方法能够识别出生产异常和瓶颈，从而使生产效率提高百分之十。

他们也能显著地加速发现质量问题，而在某些情况下，他们也能把发现时间减少到几分钟。标准的解决方案易于实现1~2年的 ROI目标。它的时标和时间精确度可以达到数天甚至数小时。

从今以后别浪费时间

对于在生产、质量控制和维护方面使用人工智能，组织应该有更现实的期望，因为人工智能并非解决所有问题的万灵丹深圳市人工智能行业协会。

但人工智能能提供很多用例。企业应该把注意力集中在由人工智能驱动的解决方案能够达到的目标，以及能够投入的精力和成本。

很多情况下，效益不仅是显而易见的关键绩效指标(如生产线的可用性或设备的总体效率)，而且也是改善可持续性和质量、解决生产过程问题和提高客户满意度的目标。

一定要避免数字孤岛。为了充分利用数据的力量，人工智能模型必须整合到企业的各个系统中，如生产执行系统、企业资源计划和高级分析工具。可在不同的区域针对特定情况分析数据。各种分析方法结合在一起会产生意想不到的结果。

尽早实行

但当企业继续向前发展时，不要低估对技术和管理的支持“回顾过去，我们在采用一些试点项目时浪费了大量时间。早些时候，我们应该更加主动地收集来自所有相关资源的数据。对于服务器、数据库和过程，我们面临着很多挑战，但是，很明显，为了快速有效地满足业务需求，我们进行了协同工作深圳市人工智能行业协会。