谈谈不落地的AI：聚焦工业制造业中的AI应用
经验分享
前言
近年来，人工智能（AI）技术在工业制造业中展现了巨大的应用潜力。尽管实验室的成果十分亮眼，但在实际应用过程中，制造业客户与AI公司都面临着诸多挑战。我们在过去几年中一直致力于利用AI算法帮助制造业客户解决实际场景中的问题（包括质量的，公益的，效率的，节能的等等五花八门需求），积累了一些经验，也遇到了许多困难，踩了很多坑。最深刻的感触就是AI技术虽然先进且发展的很快，但实际落地却异常艰难。针对这种拧巴的落地难问题，从我们过往项目经验出发， 本文对数据问题、技术成本、市场适应性等方面，剖析了AI在工业制造业中无法顺利落地的原因，并探讨了应对这些问题的解决之道。
AI在工业制造业中的“落地”难题
1.数据，数据，还是数据！
数据质量与完整性：智能化项目常对企业数据的广度提出了很高的要求。例如在智能化的工艺控制系统中，算法需要量化的产品质量才能对工艺参数设置的合理性进行分析。但在很多企业的管理中，常常不能实现可追溯、可量化的质量控制。
数据可用性与获取：智能化项目对企业内部数据间的打通提出了需求，但传统企业不同系统数据的分散和孤立状态导致数据难以共享和整合，形成“数据孤岛”。为了智能化项目打通孤岛的成本甚至可能超过智能化项目的成本。
数据隐私与安全：制造业涉及大量敏感数据，如生产工艺和核心设备的IoT数据。企业对数据的严加看管往往会增加数据分析型项目的成本。
2. 从“小价值”到“大落地”
工业中有许多问题可以通过数据分析解决，这些问题的难度和收益大小不一。例如，生产线上的工艺智能调控、生产调度智能排程等。虽然AI技术能显著提高生产效率和减少浪费，但也面临很多“小价值问题”，如频繁换辊的设备需要监控新辊质量；新采购的轴承刚运行是否能够稳定运行；不同耗材的RUL通过哪些数据能够反映出来并实现最大化的延长使用时常；设备的设定值和实际值之间的误差是否在裂化并逐渐影响产品质量。这些小价值问题单独来看可能价值有限，但它们的总和却往往远超单个大问题的价值。
然而，由于这些“小价值问题”分散且复杂，外包型AI公司如果逐一解决，每个项目的技术成本可能会非常高，投入产出比失衡。与此同时，大多数制造型企业自身又缺乏相关人才，无法自行解决这些问题。这种供需之间的不匹配进一步加剧了AI技术在工业领域中的落地难题。
3. 工业场景的专业性、细分化和碎片化
工业场景通常具备高度的专业性，并且在细分市场中需求极其多样化。每个工厂、每条生产线甚至每个流程都有其独特的操作方式和技术需求。由于这些场景的高度定制化，AI技术难以形成标准化的产品或服务，从而限制了技术在不同行业或公司之间的可扩展性和复用性。
这一特性也对商业模式提出了挑战。智能化服务型企业在面对这些细分和碎片化的市场时，很难通过一种标准化的解决方案满足广泛的需求，导致企业难以通过复利效应实现快速增长。尤其是在以项目制外包为主的环境下，即便企业成功完成了某个项目，所获得的技术和知识产权通常属于客户，企业很难积累起自己的智能化产品或核心技术。
4. 工业项目与研究型项目的包容性差异
工业项目和研究型项目之间存在显著的差异，尤其是在包容性和灵活性方面。工业项目通常具有非常明确的目标、严格的时间节点和成本限制，且项目完成后必须能在实际生产中立即投入使用。这种刚性需求使得工业项目更为固化，容错空间极小，不能容忍过多的试错。企业在实施工业项目时，通常要求技术必须经过充分验证，且效果可预测，以避免对生产流程造成任何干扰或风险。
相比之下，智能化AI项目往往具有更强的研究型属性，特别是在探索新技术或创新解决方案时。这类项目的目标不仅仅是为了短期内的生产应用，更在于探索和验证新方法、新技术的可行性。因此，AI项目往往需要更大的试错空间，允许反复调整和优化，以便在不断试验中发现最佳方案。试错和迭代在研究型项目中被视为学习和创新的关键环节，而不是失败的标志。但作为服务型的AI公司，在实际的项目中很难获得这样奢侈的试错空间。延期的milestone往往会大幅降低客户的信心。
5. 高智能化高自动化的影响与挑战
高智能化和高自动化的引入，无疑可以大幅提升工业生产的效率和质量。然而，这种技术变革也带来了新的挑战，特别是在人员管理和组织结构调整方面。如果在实施这些技术时，未能妥善考虑现有员工的工作调整和角色转换，往往会导致他们的既得利益受到影响。
例如，某些岗位在引入智能化系统后可能不再需要，或是工作内容发生重大变化，这会引发员工的抵触情绪，甚至可能导致项目实施的阻力。尤其是在那些劳动密集型的工厂中，员工可能对AI技术的引入感到不安，担心失去工作或职位被降级。
解决问题的策略
为了应对工业智能化落地中的各种挑战，我们重新审视了市场定位与业务模式。相较于通过项目制的方式提供定制化服务，作为创业公司或许更应专注于开发适合工业场景的低门槛数据分析工具。AI企业通过为市场提供易于使用的数据采集、治理、分析和算法工具，可以帮助工业企业实现自我智能化改造，从而减少对昂贵的外部专家的依赖。
这种策略的核心在于将复杂的AI技术转化为用户友好的工具，使企业现有的员工能够在不具备深厚技术背景的情况下，直接参与到智能化流程中来。通过降低使用门槛，这些工具可以让工厂操作员、工程师和管理者更容易上手，并在日常工作中逐步积累智能化经验。与此同时，AI创业公司也能够在持续支持和优化这些工具的过程中，建立长期的客户关系，并积累宝贵的市场反馈，从而实现可持续发展。
此外，提供通用性强、适应性高的数据工具，还能够帮助我们有效应对工业场景中专业性强、碎片化的挑战。通过打造模块化的工具平台，企业可以在不同的工业细分市场间复用这些工具，从而实现规模化扩展并提高投入产出比。这种方法不仅降低了用户的定制化成本，也增强了产品的市场竞争力，成为工业智能化过程中更为可行和有效的解决方案。
DPLUS数据平台的作用
DPlus是一个专为工业领域设计的工具化数据分析平台，旨在帮助企业克服在智能化转型过程中遇到的种种挑战。与传统的项目制AI服务不同，DPlus通过提供一系列低门槛、贴合工业场景的数据采集、治理、分析和算法工具，使企业能够自主进行智能化改造，并充分利用现有的人力资源。
1. 数据采集与治理
DPlus平台简化了工业数据的采集和治理过程。通过支持多种数据源和传感器的无缝集成，DPlus帮助企业快速构建高质量的数据管道。数据治理工具能够自动化地清洗和标准化数据，确保输入数据的准确性和一致性，这为后续的分析与算法应用打下坚实基础。
2. 易用的分析与算法工具
DPlus提供了丰富的数据分析和算法工具，这些工具经过特别设计，使得非专业人员也能轻松使用。平台内置了大量工业场景的预设模型和分析模板，企业的操作员、工程师甚至管理层都可以直接应用这些工具，从而减少对外部AI专家的依赖。这不仅大大降低了技术成本，还让企业在处理“小价值问题”时能够更加高效地发现和挖掘累积的整体价值。
3. 降低技术门槛，赋能现有人员
DPlus的核心优势在于它极大地降低了数据分析和智能化应用的技术门槛。通过直观的用户界面和智能化辅助功能，DPlus使企业的现有员工能够在较短时间内掌握这些工具的使用，从而实现生产流程的优化和智能化提升。这种方法不仅缓解了专业人才短缺的问题，还激发了员工的创新潜力，让他们在日常工作中也能贡献智慧和价值。
4. 长期支持与持续优化
DPlus不仅提供工具，还致力于与企业建立长期合作关系。通过不断优化和升级平台功能，DPlus能够持续满足企业在智能化进程中的新需求。用户在使用过程中获得的反馈也将成为平台持续改进的重要依据，确保DPlus始终处于技术前沿。
结语
当您看到这里的时候，已经听完了我们的抱怨，也看到了我们趟过的坑，甚至还被安利了广告。。。在此我们respect您的耐心。虽然AI技术在工业制造业中的落地面临着多方面的挑战，但通过合理的策略和工具，这些难题并非无法解决。工业的进步就像传动齿轮一样，材料，工艺，自动化，数据，AI决策每个齿轮环环相扣，互相驱动，推动着行业的发展。而Dplus一类的工具化产品就像润滑剂一样，让数据和AI的齿轮更加顺畅的连接运行。在未来，随着更多此类平台的成熟与推广，AI技术必将在工业制造业中实现更广泛和深远的应用，推动整个行业向更加智能化的方向迈进。
最后，本文在撰写过程结合了人工与智能。其中经验系统来自Dr Johnny和 Dr Max两位所经历各种痛苦项目后的分享，部分文字内容由ChatGPT4.0生成；配图一、二均由ChatGPT生成；配图三使用微软copilot生成；配图四为英科铸数自研产品DPLUS运维设备分析平台使用截图；配图五由作者拍摄自工业革命老区曼彻斯特Qurry Bank Mill。人工+智能合作的产物，“虚虚实实”请大家各自参考品味。
通过数据授权
数据是公司的资产，其价值不仅通过数据积累，而且通过数据使用，以及为组织利益相关者在优化运营中创造的新见解和价值而升值。
与专家合作
英科铸数拥有一支专业团队，由来自著名大学的经验丰富的数据专家组成。专家团队在研究中采用了多种方法，并就数据处理和建模提供建议。
充满热情
我们热爱我们正在做的事情，对我们的解决方案充满信心。团队试图消除每个项目在逆境中遇到的干扰和障碍。
继续查看公司动态
Turning Data into Value
