工業(yè)人工智能的未來會怎樣？
2018-07-26 來源：raincent
幾年前，我參加了富士康 CTO 的一次演講。當他提到富士康是當時第三大機器人制造商時，我有些驚訝�！甘聦嵣希顾a充道，「我們已經建造了一個全自動化的工廠」。他向我們展示了一個視頻片段：工廠中，移動機器人四處奔走，機械臂在各個組件上忙得熱火朝天，傳送帶流暢運行。工廠里一個人都沒有。我被震驚到了。時至今日，富士康擁有 6 家全自動化工廠、超過 50000 臺機器人。
為什么像富士康這樣以龐大工人群體而聞名的制造商(富士康擁有超過 100 萬名員工)，會尋求自動化呢?此舉背后有很多原因。
大多數公眾認為制造商傾向于使用廉價勞動力，但事實卻恰恰相反，它們更傾向于在無需人力的情況下完成工作。這不僅僅是為了降低成本。在制造業(yè)中，人類的效率要遠低于機器。在機器取代人力的每一步過程中，工人疲勞、錯誤和身體傷害造成的影響逐漸減少。此外，生產精度也在上升，生產過程可以得到標準化。
批量生產需要標準化。生產循環(huán)中的工人越少，就可以實現越多的質量控制。生產標準電子產品的公司則需要高精度和質量控制。這是機器優(yōu)于人類的地方。此外，機器流程是可重復的。一旦完成編程，就不需要對機器進行重復訓練，而對新工人或忘記流程的工人還需要進行重復培訓。換句話說，對于簡單的制造過程，機器擁有的知識是終身的。此外，假設機器成本相對較低，那么我們可以輕松復制編程機器，并擴展其使用范圍。
更低的機器成本和機器人成本進一步推動了自動化的發(fā)展。當所有因素聚集在一起時，我們將看到不可逆轉的工業(yè)自動化浪潮。
但是這一過程存在挑戰(zhàn)。一旦我們在工廠安裝機器來承擔過去由人類完成的工作，那么新的問題將會出現：機器可能會出錯，因此機器需要人力進行監(jiān)控(雖然你無需擔心機器會缺乏工作動力)。此外，機器也會感到疲倦(零件磨損)，甚至會發(fā)生故障。這時候就需要使用監(jiān)控、異常檢測和維護等手段了。
過去一直是人類扮演著監(jiān)視和控制的角色：用肉眼進行檢測、審查數據或決定何時進行維護。但是，當數據量顯著增加時，人類無法勝任這項任務。在機器上安裝數以千計的傳感器，發(fā)送實時溫度、壓力和振動測量等數據，計算服務器上充斥著數據。事實上，對于一個擁有 1000 個傳感器(傳感器每 10 秒發(fā)送一次信號)的工廠來說，每小時就有超過 360,000 條數據流入。1 天內就有超過 100 萬條數據。制造商已進入大數據時代。
對于從事互聯網和移動業(yè)務的人來說，大數據已經成為日常。我在 eBay 工作時，我們每天要處理數以 TB 計的數據。但對于制造商來說，大數據是一種新現象，也是他們剛開始掌握的東西。首先，構建一個收集、存儲和處理數據的數據基礎架構至關重要。
在數據收集方面，我們擁有和互聯網(或局域網)互聯的傳感器和機器。這些設備將向服務器發(fā)送溫度、濕度、壓力、機器狀況、運行時間、振動等測量值信息。該系統(tǒng)還收集半成品的數據，并在處理結束時收集產品缺陷數據。
在數據存儲方面，首先，公司必須決定數據存儲的位置：云端還是本地?這一決定與公司擁有的存儲空間以及數據需求的計算能力有關。其次，公司必須決定數據存儲的方式：將數據放在數據庫(什么樣的數據庫)還是非數據庫中，比如高度分布式文件系統(tǒng)(比如 Hadoop)?這種考量涉及到處理數據的頻率以及響應的速度。
在數據處理方面，應該將更多的數據發(fā)送到服務器中還是保存在本地?這一決定直接影響計算的發(fā)生地。有些人提倡邊緣計算。這究竟是一時的風潮還是大勢所趨?將數據發(fā)送到服務器后，我們需要數據工程師清理數據并進行聚合。
一旦完成數據基礎架構的構建之后，我們需要進行下一步：理解數據。人工智能在這一步將大展拳腳。人工智能的核心是機器學習，智能系統(tǒng)從數據中學習并從更新的數據中獲取新模式。雖然人類也可以讀取數據，但卻無法在一秒鐘內處理數百萬個數據點。機器學習可以做到這一點，并且可以重復進行。
因此，人工智能可實現快速響應、實時監(jiān)控和預測性維護等功能。例如，異常檢測有助于快速檢測問題并進行持續(xù)監(jiān)測，從而減少浪費和系統(tǒng)中斷。自適應系統(tǒng)可以更早地檢測到問題(比如某個玻璃瓶存在裂縫)，并及時調整步驟。它減少了停工時間，為制造商省了一大筆錢。
另一個重要的方面是預測性維護。通過分析數據，我們知道機器何時以及如何發(fā)生故障。西門子已經部署了一個名為 MindSphere 的系統(tǒng)，該系統(tǒng)收集運行數據和傳感器測量值，以進行預測性維護。
通過了解在哪個階段或在什么條件下會造成產品缺陷，人工智能可以幫助改進生產過程。機器學習模型可以幫助我們檢測這種模式。
人工智能有助于自適應控制：在出現問題或情況發(fā)生變化時采取行動。這意味著分析數據、檢測導致缺陷或生產減緩的原因，以及使用數據來提高效率。
憑借強大的能力，人工智能可以減少機器故障、生產時間損失以及延期交付等問題的出現，從而幫助制造商節(jié)省數百萬美元。
另一個需要人工智能的領域是生產規(guī)劃。人工智能的一個研究領域是規(guī)劃和調度：如何使智能體遵循一系列步驟并最終實現目標。人工智能調度被用于 Kiva 機器人中，這些機器人在亞馬遜的倉庫中四處移動，需要協調任務。工廠在生產許多零件并需要協調生產時，智能規(guī)劃就非常有用了。規(guī)劃系統(tǒng)可以調度每個組件并使其可用于下一個生產階段。
最終，人工智能是機器人不可或缺的一部分。除了抓取和移動能力之外，機器人還需要計算機視覺、推理、規(guī)劃、學習等能力。自動化工廠需要的是能夠處理復雜任務、像人類一樣靈巧的機器人或機械臂。
因此，完整的工業(yè)人工智能系統(tǒng)包括：傳感器網絡、大數據、機器學習、規(guī)劃和調度，以及機器人。
現在，很多制造商離這些完整能力還很遙遠。安裝傳感器、使機器發(fā)送數據是第一步。這也是 IoT(物聯網)現在變得流行的原因。自適應系統(tǒng)的集成——基于組件情況調整生產過程的系統(tǒng)仍然是新玩意。
機器人并不像我們希望的那樣萬能。機械臂遠不如人手靈活。在出現復雜圖案的情況下，計算機視覺可能會失敗。
公司之間的人才爭奪戰(zhàn)也進行的如火如荼。鑒于人工智能工程師和科學家的短缺，大型互聯網和服務公司正在大量引入所有他們能夠獲得的候選人�；旧蠜]給制造商留下多少可用之才，與設計 app、增加點擊量或通過更好的定位來提高廣告收入相比，制造商這里的相關工作并不是那么有吸引力。制造商如何吸引人才是一個大問題。
工業(yè)人工智能的未來是什么?隨著大數據基礎設施和機器學習逐漸趨于成熟，工廠將會對這些「新事物」敞開大門，以幫助提高工廠效率、降低成本。每一個工廠都將采用大數據和機器學習方法來收集、處理和分析所有數據。我們將看到物聯網在工廠中的普及，以及機器人、無人機甚至是機器語音接口等技術日益廣泛的使用。人工智能已成為制造過程中不可或缺的一部分。
最后一個問題：制造工人將何去何從?人類并非為重復性的工作而生。長時間的重復勞動會使工人喪失注意力、感到疲倦、需要休息。重復性的流水線工作不利于工人的身心健康。人工智能將把人們從這種束縛中解放出來，讓他們有機會從事服務、創(chuàng)意藝術和計算機工程方面的工作。工業(yè)崗位的流失只是技術遷移的另一波浪潮。類似于從土地遷移到工廠的農場工人，我們將看到一波制造業(yè)工人的遷徙浪潮——從工廠遷進辦公室。制造業(yè)崗位的逐漸消失預示著服務業(yè)的崛起，這完成了 Tofler 曾經觀察到的第三次浪潮。生活在這樣一個時代著實令人興奮!
原文鏈接：https://www.linkedin.com/pulse/ai-manufacturing-industrial-junling-hu/?from=timeline&isappinstalled=0
標簽： 大數據 大數據基礎 大數據時代 服務器 互聯網 數據庫 網絡
版權申明：本站文章部分自網絡，如有侵權，請聯系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯系。
