本文對(duì)人工智能技術(shù)的原理、技術(shù)分類及其技術(shù)特征進(jìn)行簡(jiǎn)單的介紹；列舉一些人工智能技術(shù)在工業(yè)典型場(chǎng)景中的應(yīng)用并對(duì)于如何搭建這樣一套工具或者平臺(tái)提出自己的一些建議。
為諸城等地區(qū)用戶提供了全套網(wǎng)頁(yè)設(shè)計(jì)制作服務(wù)，及諸城網(wǎng)站建設(shè)行業(yè)解決方案。主營(yíng)業(yè)務(wù)為成都網(wǎng)站制作、成都網(wǎng)站建設(shè)、諸城網(wǎng)站設(shè)計(jì)，以傳統(tǒng)方式定制建設(shè)網(wǎng)站，并提供域名空間備案等一條龍服務(wù)，秉承以專業(yè)、用心的態(tài)度為用戶提供真誠(chéng)的服務(wù)。我們深信只要達(dá)到每一位用戶的要求，就會(huì)得到認(rèn)可，從而選擇與我們長(zhǎng)期合作。這樣，我們也可以走得更遠(yuǎn)！
2016年 AlphaGo 橫空出世，人工智能、機(jī)器學(xué)習(xí)技術(shù)名噪一時(shí)。
隨著時(shí)間的發(fā)展，人工智能在工程應(yīng)用上愈發(fā)成熟，車牌自動(dòng)識(shí)別、智能客服機(jī)器人、廣告推薦等一系列的應(yīng)用在工程和商業(yè)上均取得成功。
而在工業(yè)領(lǐng)域，人工智能也沒有停下發(fā)展的步伐，預(yù)測(cè)性維護(hù)、質(zhì)量控制、智能化排產(chǎn)等領(lǐng)域也一直在探索工程落地和商業(yè)可行的進(jìn)程中取得長(zhǎng)足的進(jìn)展。大量的科技巨頭和專家預(yù)測(cè)人工智能將帶來(lái)第四次革命，繼農(nóng)業(yè)革命，工業(yè)革命，信息革命后從底層改變我們的工作和生活。
作為當(dāng)前最熱門的風(fēng)口領(lǐng)域之一，人工智能在工業(yè)場(chǎng)景中的應(yīng)用深度和廣度與消費(fèi)領(lǐng)域相比仍有較大差距。
因?yàn)閳?chǎng)景通用性差、投資建設(shè)成本高等原因，導(dǎo)致商用化上仍局限于部分高端制造的場(chǎng)景，無(wú)法做到像OA、ERP、CRM等系統(tǒng)同水平的普及。
對(duì)于AI+工業(yè)互聯(lián)網(wǎng)融合的產(chǎn)品探索者而言，下一步最關(guān)鍵的問(wèn)題還是具體場(chǎng)景落地和商用化的問(wèn)題。
本文是我從科普的角度，將所學(xué)習(xí)的人工智能技術(shù)以及關(guān)于在工業(yè)場(chǎng)景中的應(yīng)用的思考進(jìn)行一些總結(jié)和整理，如有不對(duì)的地方還請(qǐng)各路大神磚家指正。
大到經(jīng)濟(jì)的運(yùn)行，小到蘋果落在“倒霉”的牛頓頭上，世界上所有事物的發(fā)展都是由客觀規(guī)律驅(qū)動(dòng)的。它大概是這樣一個(gè)模型：
就蘋果砸腦袋這件事兒而言，萬(wàn)有引力和牛頓力學(xué)是驅(qū)動(dòng)事物發(fā)展的客觀規(guī)律，我們可以通過(guò)它精準(zhǔn)的判斷蘋果落下來(lái)需要多少秒、砸在腦袋上有多大的動(dòng)量等具體結(jié)果。
對(duì)于經(jīng)濟(jì)問(wèn)題來(lái)說(shuō)，這個(gè)模型就會(huì)復(fù)雜的多了。
比如現(xiàn)在受疫情影響下，我們要討論成都的房?jī)r(jià)漲跌的問(wèn)題。雖然能夠馬上判斷房?jī)r(jià)會(huì)受到了包括了供需平衡等經(jīng)濟(jì)學(xué)模型等客觀規(guī)律的支配；但是很明顯的，即便是我們知道了疫情進(jìn)展、政府投資計(jì)劃、主城5區(qū)新增戶籍人口等所有的詳細(xì)數(shù)據(jù)，我們還是無(wú)法準(zhǔn)確的判斷未來(lái)半年和一年房?jī)r(jià)究竟會(huì)上浮多少，或是下跌多少。
這里就反映出一個(gè)問(wèn)題：系統(tǒng)運(yùn)營(yíng)的規(guī)律越是復(fù)雜，就越難以通過(guò)歸納和推導(dǎo)的手段總結(jié)出客觀存在的規(guī)律。
機(jī)器學(xué)習(xí)技術(shù)使得計(jì)算機(jī)可以從海量的案例中通過(guò)訓(xùn)練歸納總結(jié)出其內(nèi)在規(guī)律。
在創(chuàng)新工場(chǎng)CEO李開復(fù)著的《人工智能》一書中，對(duì)機(jī)器學(xué)習(xí)有一個(gè)定義：
機(jī)器學(xué)習(xí)……是一種用數(shù)學(xué)模型對(duì)真實(shí)世界中的特定問(wèn)題進(jìn)行建模，以解決該領(lǐng)域內(nèi)相似問(wèn)題的過(guò)程。這樣的技術(shù)特征使得其在解決很多我們?cè)谏睢⑸a(chǎn)中，用傳統(tǒng)的方法難以解決或解決成本很高問(wèn)題。
進(jìn)入九十年代，以概率統(tǒng)計(jì)建模、學(xué)習(xí)和計(jì)算為主的算法潮流開始占據(jù)主流。與此同時(shí)，人工智能的研究也開始逐漸分化為幾個(gè)主要的學(xué)科：
人工智能要解決一個(gè)具體的項(xiàng)目，需要至少三個(gè)關(guān)鍵要素：
上述條件是人工智能執(zhí)行一個(gè)成功任務(wù)的基本要求。亞馬遜的Principal Scientist夏威將此比喻為：
如果把一個(gè)成功的人工智能算法比作一只善戰(zhàn)的部隊(duì)的話，數(shù)據(jù)就是糧草，計(jì)算力就是兵力，而模型則是戰(zhàn)略和戰(zhàn)#術(shù)指揮的策略；戰(zhàn)略和戰(zhàn)#術(shù)的重要性自不必說(shuō)，但沒有了糧草和兵力，再好的戰(zhàn)略也只是空中樓閣。計(jì)算力可以理解為兵力，有了強(qiáng)大的兵力，才有了實(shí)現(xiàn)戰(zhàn)略的機(jī)動(dòng)性和可能性。
優(yōu)勢(shì)
劣勢(shì)
工業(yè)是由眾多的場(chǎng)景組成的，可以從行業(yè)維度（機(jī)加工、電子產(chǎn)品、化工等）、產(chǎn)品的生命周期維度（設(shè)計(jì)、制造、銷售、運(yùn)維）等逐層分解。
即便是每一個(gè)細(xì)分場(chǎng)景，例如針對(duì)機(jī)床的維修保養(yǎng)服務(wù)，也是多人參與的復(fù)雜工作，存在這個(gè)場(chǎng)景特有的痛點(diǎn)：
企業(yè)是逐利的，所有的問(wèn)題（包括使用體驗(yàn)的問(wèn)題，效率的問(wèn)題，準(zhǔn)確性的問(wèn)題）最終只要影響到企業(yè)收益，都是成立的真實(shí)痛點(diǎn)。
現(xiàn)在上述場(chǎng)景基本都是人去處理的，維護(hù)保養(yǎng)周期靠工人統(tǒng)計(jì)臺(tái)時(shí)判斷，安全隱患識(shí)別也需要大量的人員到現(xiàn)場(chǎng)巡查，或者在監(jiān)控室目不轉(zhuǎn)睛地看著；否則就容易漏掉安全隱患。
如果排程不合理會(huì)導(dǎo)致資源空閑，排程耗費(fèi)的時(shí)間過(guò)長(zhǎng)，投入資源過(guò)多；安全如果出事了，小則整改，大則關(guān)停追責(zé)。
在工業(yè)場(chǎng)景中，既有重復(fù)性的、常識(shí)性的腦力勞動(dòng)，也有優(yōu)化等復(fù)雜的腦力勞動(dòng)。
按照需要解決的問(wèn)題的目標(biāo)不同，我們可以將工業(yè)場(chǎng)景AI應(yīng)用分為以下幾個(gè)類別，：
因技術(shù)實(shí)現(xiàn)途徑類似，從每個(gè)類別中，各取一個(gè)簡(jiǎn)要分析，其他就不展開了。
1）工藝參數(shù)優(yōu)化
從需求有效性方面來(lái)說(shuō)
工藝參數(shù)優(yōu)化對(duì)于很多企業(yè)都是優(yōu)先級(jí)極高的迫切需求，特別是流程化工領(lǐng)域更甚。
舉個(gè)栗子，硝化棉等化工產(chǎn)品的生產(chǎn)工藝過(guò)程就類似于“燒菜”，加“料”（原材料）的多少，“火候”（溫度、壓力、攪拌等）的控制，對(duì)結(jié)果（均勻度、成分含量等）都可能產(chǎn)生影響，但工程上很難準(zhǔn)確判斷各因素對(duì)結(jié)果會(huì)產(chǎn)生何種量化的影響，它本質(zhì)是一個(gè)“黑盒”系統(tǒng)。
傳統(tǒng)的做法就是不斷地試，做新產(chǎn)品要試，換批次要試，一直做到一個(gè)批次質(zhì)量損失可以接受就按這個(gè)方法投產(chǎn)了。
因此，工藝參數(shù)優(yōu)化的問(wèn)題是亟需人工智能技術(shù)來(lái)解決的。
從技術(shù)可實(shí)現(xiàn)性來(lái)說(shuō)
通常是大量對(duì)過(guò)去生產(chǎn)的批次進(jìn)行分析，其中將投料、工藝參數(shù)數(shù)據(jù)作為自變量，質(zhì)量數(shù)據(jù)作為因變量；進(jìn)行訓(xùn)練，建立模型，從而找到其內(nèi)在的量化關(guān)系。
從商業(yè)價(jià)值角度來(lái)說(shuō)
即便是同一個(gè)產(chǎn)品、同一種工藝，在不同的環(huán)境下，例如海南的化工企業(yè)和甘肅的化工企業(yè)所處環(huán)境溫濕度有很大差異。部分工藝都可能因?yàn)橥饨绛h(huán)境的變化而導(dǎo)致算法準(zhǔn)確度降低或失效，模型需要針對(duì)每個(gè)具體的場(chǎng)景定制，很難復(fù)用。
同時(shí)，工藝參數(shù)優(yōu)化會(huì)明顯受到生產(chǎn)規(guī)模和批次的制約——生產(chǎn)規(guī)模越大，單批次產(chǎn)量越高，產(chǎn)品單位價(jià)值越高或者質(zhì)量損失風(fēng)險(xiǎn)越高，使用AI進(jìn)行工藝優(yōu)化就越可行。
網(wǎng)上可以找到眾多的相關(guān)成功案例。
以下案例來(lái)源于中國(guó)工程院院士鄔賀銓的演講。
“臺(tái)灣中鋼公司，他們引進(jìn)了IBM的Power AI解決方案，用于分析軋鋼過(guò)程中的缺陷。為了將27噸的鋼坯，軋到0.5毫米的成品，預(yù)測(cè)和分析過(guò)程中的缺陷，他們收集了過(guò)去一年7000多批次的產(chǎn)品數(shù)據(jù)。經(jīng)過(guò)數(shù)據(jù)清洗，篩選出了可能影響產(chǎn)品質(zhì)量的特征數(shù)據(jù)，并且轉(zhuǎn)換成了可供機(jī)器學(xué)習(xí)使用的數(shù)據(jù)。
這些數(shù)據(jù)中，80%拿來(lái)做學(xué)習(xí)，20%拿來(lái)做檢驗(yàn)。然后他們?cè)O(shè)計(jì)了4種數(shù)學(xué)模型，來(lái)看哪種模型更符合實(shí)際情況。最后他們根據(jù)模型分析一條產(chǎn)品線產(chǎn)生的2000多個(gè)數(shù)據(jù)，發(fā)現(xiàn)爐內(nèi)壓力對(duì)缺陷影響最大。最后中鋼公司在人力資源和鋼坯質(zhì)量方面，都得到了很好的改進(jìn)，成本大幅降低?！?/p>
2）安全隱患識(shí)別
從需求的角度來(lái)說(shuō)
工廠很多危險(xiǎn)行為（如違規(guī)操作設(shè)備、爭(zhēng)斗打架等）是通過(guò)現(xiàn)場(chǎng)檢查和視頻監(jiān)控才能發(fā)現(xiàn)的，如果能通過(guò)視頻圖像識(shí)別的話，就能夠?qū)崟r(shí)發(fā)現(xiàn)隱患并處理。
從技術(shù)可實(shí)現(xiàn)性來(lái)說(shuō)
其實(shí)現(xiàn)大致流程就是做算例→配算法→訓(xùn)練→嵌入框架程序用于應(yīng)用。嵌入框架程序有兩種，一種是嵌入硬件的嵌入式程序，一種是服務(wù)端的web程序。此外，車牌識(shí)別，人臉識(shí)別，安全隱患識(shí)別是高度依賴于場(chǎng)景的。
同樣的行為，角度不同、背景不同，都可能產(chǎn)生誤判，以為著需要針對(duì)場(chǎng)景定制。
從商業(yè)價(jià)值角度來(lái)說(shuō)
受限于危險(xiǎn)行為場(chǎng)景異常復(fù)雜，無(wú)法復(fù)用且需要定制，短期內(nèi)很難做到類似車牌識(shí)別系統(tǒng)的產(chǎn)品化，導(dǎo)致其可用場(chǎng)景其實(shí)非常有限的。
3）設(shè)備維護(hù)預(yù)測(cè)
從需求的角度來(lái)說(shuō)
企業(yè)的設(shè)備類似于車輛，需要定期保養(yǎng)，更換零部件。一般汽車廠家為了免責(zé)而規(guī)定要求五千或者一萬(wàn)公里保養(yǎng)一次，而一般老司機(jī)是不按這個(gè)來(lái)的，他們會(huì)根據(jù)行駛工況選擇合適的保養(yǎng)時(shí)機(jī)。
用于生產(chǎn)的機(jī)械設(shè)備通常是按工時(shí)來(lái)保養(yǎng)的，有的企業(yè)甚至連工時(shí)都無(wú)法統(tǒng)計(jì)（上下游標(biāo)準(zhǔn)不一或缺乏手段），導(dǎo)致錯(cuò)過(guò)保養(yǎng)時(shí)間使得設(shè)備故障頻發(fā)。如果能夠根據(jù)實(shí)際工況給出維護(hù)保養(yǎng)建議，便能有效解決這個(gè)問(wèn)題。
從技術(shù)可實(shí)現(xiàn)性來(lái)說(shuō)
其技術(shù)實(shí)現(xiàn)路徑大致和工藝參數(shù)優(yōu)化一樣，不同的是自變量變成了設(shè)備的檢測(cè)到工況參數(shù)，因變量變成了故障統(tǒng)計(jì)數(shù)據(jù)集。
從商業(yè)價(jià)值角度來(lái)說(shuō)
其面臨的問(wèn)題和工藝參數(shù)優(yōu)化一樣，受到無(wú)法復(fù)用的限制，需要大量的同類型設(shè)備才能減少邊際成本。一旦成功應(yīng)用，可以極大節(jié)省設(shè)備運(yùn)營(yíng)和維護(hù)成本。
以下案例來(lái)源于富士康：
由于銑刀在高轉(zhuǎn)速下進(jìn)行不連續(xù)切削，刀具磨損迅速且難于監(jiān)測(cè)，并且刀具磨損嚴(yán)重影響加工精度與產(chǎn)品質(zhì)量。針對(duì)高速銑削刀具磨損難以在線預(yù)測(cè)，提出了一種基于深度學(xué)習(xí)的高速銑削刀具磨損預(yù)測(cè)的新方法。通過(guò)小波包變換提取銑削力信號(hào)，在不同頻段上的能量分布，作為初始特征向量。采用無(wú)監(jiān)督學(xué)習(xí)對(duì)稀疏自編碼網(wǎng)絡(luò)進(jìn)行特征學(xué)習(xí)，并將單層網(wǎng)絡(luò)堆棧構(gòu)成深度神經(jīng)網(wǎng)絡(luò)。最后，利用有監(jiān)督學(xué)習(xí)對(duì)整個(gè)深度網(wǎng)絡(luò)進(jìn)行微調(diào)訓(xùn)練，建立銑削刀具磨損預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明，所提出的方法對(duì)刀具磨損狀態(tài)預(yù)測(cè)準(zhǔn)確率達(dá)到93.038%。
4）知識(shí)識(shí)別維護(hù)
從需求的角度來(lái)說(shuō)
傳統(tǒng)的知識(shí)管理軟件依賴于數(shù)據(jù)庫(kù)的設(shè)計(jì)，系統(tǒng)無(wú)法識(shí)別語(yǔ)義，我們只能按照預(yù)設(shè)的數(shù)據(jù)結(jié)構(gòu)，在一個(gè)系統(tǒng)中實(shí)現(xiàn)增刪改查操作。而知識(shí)產(chǎn)生的時(shí)間往往和錄入的時(shí)間是不一樣的，我們往往得重復(fù)錄入一次。
例如某產(chǎn)品未通過(guò)測(cè)試需要進(jìn)行設(shè)計(jì)更改，其通常會(huì)走一個(gè)變更申請(qǐng)，由項(xiàng)目負(fù)責(zé)人、總工程師等人層層審批。若能夠直接就審批材料進(jìn)行語(yǔ)義分析，直接抽象測(cè)試未通過(guò)的要素、更改的方式方法等要素，就不需要再人為錄入了。下一次遇到類似于的問(wèn)題，相關(guān)工程師就可以查詢解決方案。
從技術(shù)可實(shí)現(xiàn)性來(lái)說(shuō)
可以利用自然語(yǔ)言識(shí)別技術(shù)，從業(yè)務(wù)系統(tǒng)中直接獲取大量的文本，解析出事件執(zhí)行主體、執(zhí)行對(duì)象、執(zhí)行方法、執(zhí)行結(jié)果主要要素，再各要素語(yǔ)義量化解析。
從商業(yè)價(jià)值角度來(lái)說(shuō)
無(wú)論是企業(yè)的技術(shù)知識(shí)庫(kù)，還是服務(wù)機(jī)器人的應(yīng)用，都可以減少對(duì)人員培訓(xùn)和素質(zhì)水平的依賴。結(jié)合PDM、GIT等軟件，能夠構(gòu)成企業(yè)完整的知識(shí)管理體系。
重視基礎(chǔ)條件建設(shè)，數(shù)據(jù)先行。
前面案例已經(jīng)分析到了，樣本數(shù)據(jù)的數(shù)量和質(zhì)量是保障人工智能任務(wù)完成的先決條件。故障預(yù)測(cè)需要大量的工況數(shù)據(jù)，危險(xiǎn)行為識(shí)別需要大量的圖像算例。
對(duì)于企業(yè)而言，需要具備自動(dòng)化、數(shù)字化等基礎(chǔ)條件，
對(duì)于行業(yè)和政府而言，需要全行業(yè)或全地域企業(yè)具備基本的自動(dòng)化、數(shù)字化基礎(chǔ)。消費(fèi)領(lǐng)域之所以AI做得風(fēng)生水起關(guān)鍵是各應(yīng)用都大量埋點(diǎn)，獲得了大量行為數(shù)據(jù)。
明確各自定位，參與分工。工業(yè)場(chǎng)景之多，復(fù)雜度之深，行業(yè)壁壘之高，意味著這不是一個(gè)贏者通吃的壟斷的市場(chǎng)，需要構(gòu)建生態(tài)并由多方參與。
人人都搞AI的時(shí)代并不是因?yàn)槿祟愡M(jìn)化都變聰明了，而是tesorflow、opencv等AI工具的誕生。對(duì)算法的高度封裝使得我們可以專注于解決業(yè)務(wù)問(wèn)題，算法從深?yuàn)W的數(shù)學(xué)問(wèn)題變成了”調(diào)庫(kù)和調(diào)參“+業(yè)務(wù)洞察的基本操作。
下圖是tensorflow的操作頁(yè)面——前端配置頁(yè)面已經(jīng)高度成熟，算法的配置可以通過(guò)對(duì)模塊的拖拉拽就能實(shí)現(xiàn)，甚至連調(diào)庫(kù)的操作都不需要。
未來(lái)工業(yè)AI領(lǐng)域?qū)⒅饾u形成分工是大概率事件，參與者主要包括底層框架開發(fā)者和場(chǎng)景貢獻(xiàn)者。
框架開發(fā)者軟件、AI技術(shù)背景更強(qiáng)，他們搭建全行業(yè)通吃的應(yīng)用框架，各行各業(yè)傳統(tǒng)的服務(wù)商基于框架構(gòu)建場(chǎng)景。這樣企業(yè)就能以更低的成本獲取場(chǎng)景，市場(chǎng)也各司其職，實(shí)現(xiàn)價(jià)值最大化。
尊重業(yè)務(wù)，深入業(yè)務(wù)。
與AI、互聯(lián)網(wǎng)日新月異的技術(shù)和商業(yè)模式的發(fā)展相比，工業(yè)的發(fā)展顯得相對(duì)緩慢和笨重；然而，工業(yè)無(wú)論是設(shè)計(jì)、工藝還是制造過(guò)程管理的知識(shí)和經(jīng)驗(yàn)，都是由各個(gè)工業(yè)國(guó)家在經(jīng)過(guò)數(shù)以百年的實(shí)踐總結(jié)而來(lái)的，消費(fèi)領(lǐng)域?qū)π枨蠛蜆I(yè)務(wù)的處理方式無(wú)法直接復(fù)用在工業(yè)場(chǎng)景中。
工業(yè)互聯(lián)網(wǎng)也好，工業(yè)AI也好，產(chǎn)品經(jīng)理需要深入理解工業(yè)場(chǎng)景和業(yè)務(wù)。
人工智能技術(shù)在解決眾多工業(yè)問(wèn)題場(chǎng)景中有獨(dú)特的優(yōu)勢(shì)，但目前工業(yè)場(chǎng)景與人工智能還缺乏深入融合，應(yīng)用的范圍甚至還不到消費(fèi)領(lǐng)域的1%。
對(duì)于工業(yè)互聯(lián)網(wǎng)從業(yè)者而言，以工程化和商用化為目標(biāo)，還應(yīng)深度關(guān)注業(yè)務(wù)和場(chǎng)景落地的問(wèn)題，同時(shí)還需要探索降低場(chǎng)景制訂邊際成本方法。
http://blog.sina.com.cn/s/blog_cfa68e330102zvrg.html
重慶分公司
重慶分公司
