具體來看，利用機器學習來簡化生產的每個階段——從入庫供應商質量開始，一直到製造計劃和訂單完成——已經成為了製造業的一個優先事項。根據德勤最近的一項調查顯示，機器學習將製造業的計劃外停機時間減少了15-30％，生產量提高了20％，維護成本降低了30％，質量提高了35％。

那麼，究竟如何利用機器學習改造生產過程？下面就讓我們來看看2019年機器學習變革製造業的10種方式：

>1<

據統計預測，人工智慧將給全球企業的市場營銷和銷售創造1.4萬億美元到2.6萬億美元的價值，給供應鏈管理和製造創造1.2萬億到2萬億美元的價值。對此，麥肯錫也預測，基於人工智慧的預測性維護可能會給製造企業帶來0.5萬億美元到0.7萬億美元的價值。

麥肯錫提到，人工智慧的海量資料處理能力（包括音訊和影片），將幫助企業快速識別異常以防止故障的發生。而機器學習可以檢測某個特定聲音是來自在質量測試中正常執行的飛機發動機，還是裝配線上即將發生故障的裝置。（資料來源：麥肯錫/哈佛商業評論，《人工智慧的大多數商業用途將集中在兩個領域》，作者Michael Chui、Nicolaus Henke和Mehdi Miremadi。2019年3月）

>2<

製造企業正在嘗試透過使用雲平臺上的機器學習和預測分析讓業務更具可持續性。比如，有部分製造企業就在使用Azure Symphony Industrial AI從模板庫部署裝置模型，這個模板庫中包括熱交換器、泵、壓縮機以及製造企業常使用的其他資產。Symphony AI的Process 360 AI可以幫助使用者建立流程的預測模型，其中，高級別流程將被定義為透過裝置生產的物品（如化學品、燃料、金屬、其他中間產品和成品），而工藝模板例項將包括氨工藝、乙烯工藝、LNG工藝和聚丙烯工藝。我們發現，流程模型有助於預測過程擾動和跳閘，而這是單獨裝置模型無法預測的。（來源：微軟Azure部落格，《使用Symphony Industrial AI實施製造預測分析》）

>3<

波士頓諮詢集團（BCG）發現，製造企業使用人工智慧可以將生產商的轉換成本降低多達20％，同時由於勞動力生產率提高，成本降低可能達到70％。BCG發現，生產商正在透過使用人工智慧來開發和生產為客戶量身定製的創新產品，並在更短交付週期內進行交付，從而創造額外的銷售收入。

>4<

那些依賴重型資產的離散製造企業和流程製造企業正在利用人工智慧和機器學習來提高吞吐量、改善能耗和利潤。擁有重型裝置（包括大型機械）的製造企業正在探索使用演算法來提高產量、可持續性和良率。

麥肯錫發現，人工智慧可以自動執行某些複雜的任務，並提供一致性和精確的最佳設定點，讓裝置能夠自動執行，這對於採取一班制或者多班制的自動化製造來說至關重要。（資料來源：麥肯錫，《生產中的人工智慧：重型資產製造企業的重大變革》，作者Eleftherios Charalambous、Robert Feldmann、GérardRichter和Christoph Schmitz）

>5<

基於人工智慧和機器學習的產品缺陷檢測和質量保證能夠將製造生產率提高到50％甚至更多。機器學習在發現產品及包裝異常方面有天然的優勢，在提高產品質量和防止次品流出方面同樣有著巨大潛力。與人工檢查相比，基於深度學習的系統能夠將缺陷檢出率提高達90％。

如今有不少可以使用的開源人工智慧環境，再加上低成本的攝像頭和強大的計算機，這一切讓小型企業也能夠越來越多地使用人工智慧進行視覺檢測。在使用人工智慧進行視覺質量檢查的過程中，從不同角度對良品和次品進行視覺成像來建立參考示例，將為學習演算法訓練監督提供強大的支援。（資料來源：麥肯錫，《用人工智慧（AI）變得更智慧——德國工業都做了些什麼？》）

>6<

機器學習有助於緩解制造業的長期勞動力短缺問題，同時尋找留住員工的新方法。如今製造業面臨嚴重的勞動力短缺問題，每一次製造企業調查都反映出這個問題是影響製造業增長的三大因素之一。

舉個例子，一家名為Eightfold的公司，他們打造了一個基於人工智慧的Talent Intelligence Platform平臺，該平臺依賴於一系列監督和無監督的機器學習演算法來匹配候選人獨有的能力、經驗和優勢。除此之外，包括ConAgra等在內的許多製造企業也都採用了Eightfold的平臺來改善招聘，發現他們配備團隊和實現增長所需的人才。下圖解釋了Eightfold人才智慧平臺的工作原理：

>7<

機器學習正在幫助製造企業解決以前更多難以解決和從未遇到的問題，包括隱藏的瓶頸或者無利可圖的生產線，提高車間每臺機器的預測性維護精度，發現提高每臺裝置和相關工作流程的產量/吞吐量的方法，最佳化系統和供應鏈等等。

下圖說明了機器學習是如何從裝置級別開始提高車間生產率，然後擴充套件到工作流程及其所依賴的系統。（資料來源：麥肯錫，《製造業：分析提升生產率和盈利能力》，作者Valerio Dilda、Lapo Mori、Olivier Noterdaeme和Christoph Schmitz）

>8<

機器學習可以顯著改善產品配置，以及製造商按訂單生產產品所依賴的配置-定價-報價（CPQ）工作流程。比如，西門子的銷售、設計和安裝鐵路聯鎖控制系統採用了人工智慧和機器學習，它們可以幫助西門子從1090種潛在組合中找出最佳配置。這是機器學習所擅長的，即找出既能夠滿足客戶需求、同時也是最有可能製造出來的產品的最佳配置。（資料來源：《西門子，知識圖譜和資料思維支撐的下一級人工智慧》，西門子中國創新日，Michael May，成都，2019年5月15日）

>9<

未來五年內，預計人工智慧和機器學習在製造業的應用將多過於機器人技術，成為製造業的主要用例。由於演算法可以提供推薦的解決方案，因此供應鏈操作的複雜性和侷限性正在成為機器學習演算法的“用武之地”。許多製造企業正在尋求進行預測性維護試點，而那些能夠帶來明顯收入增長的試點專案最有可能被投入生產。（資料來源：MAPI基金會，《製造業發展：人工智慧將如何改變製造業和未來勞動力》，作者Robert D. Atkinson、Stephen Ezell、資訊科技與創新基金會）

>10<

機器學習正在徹底改變製造企業的安全策略，依靠零信任安全（ZTS）框架來保護和擴充套件企業的業務運營。許多製造企業正在轉向採用零信任安全（ZTS）框架，以保護供應鏈和生產網路中的每個網路、雲和內部部署平臺、作業系統和應用。在這個領域有幾家值得關注的公司：MobileIron，打造了一個以移動為中心的、零信任的企業安全框架；Centrify，它的身份訪問管理方法可以防止特權帳戶濫用，而這正是當前各種洩露事件的主要原因。Centrify最近的一項名為Privileged Access Management in the Modern Threatscape的調查顯示，有74％的資料洩露事件涉及訪問特權帳戶。利用特權訪問證書是駭客最常見的手段，讓他們可以從製造企業那裡獲取有價值的資料並在暗網上售賣。

機器製造才能改變傳統的行業製造，沒有高精度機器製造，根本無法加工出高精度的產品；以機床來說，德國，日本早我們國家很多年，大多的精密製造都在他們那邊，雖然我們國家也有但是差距還是很大，想要縮短這段差距我們還需要很長的路要走！

基於AI的製造業會降低對人工數量的依賴，實現無人工廠。最理想的生產環境是穩定的無人環境，人工介入越少，對於流程化的生產來說，引入的誤差就越小，產品的質量就更有可能得到保證。當然前提是生產流程中的所有變數都確實可控，畢竟演算法不夠靈活，不能夠處理所有可能發生的情況。

而且未來5G場景下的低延時工業物聯網部署，會進一步加快AI部署和無人工廠的建設流程，體系成熟之後，以後的製造業對人力資源的需求會大大減少，可能會明顯改善現在製造業的格局。