工業(yè)革命帶來了無數(shù)的發(fā)明和革新產(chǎn)品，開啟了人類歷史的新篇章。工業(yè)時代的織布機、蒸汽機、電力以及批量生產(chǎn)福特汽車的第一條流水生產(chǎn)線，都讓人嘆為觀止。但我們常常忽略了上述發(fā)明的產(chǎn)生機制和過程。它們都是怎么被發(fā)明出來的呢？創(chuàng)新往往孕育在設備維護、質(zhì)保和供應鏈優(yōu)化等常規(guī)制造過程中。這些創(chuàng)新對工業(yè)和制造流程的重要性，與一個多世紀前的這些發(fā)明同等重要。考慮到目前全球市場的規(guī)模和復雜性，將創(chuàng)新成功落地，仍然頗具挑戰(zhàn)。隨著數(shù)據(jù)和機器學習的不斷融合，重新變革工業(yè)制造已成為可能。

每天，企業(yè)都會在邊緣產(chǎn)生大量數(shù)據(jù)，并將其存儲在云中，同時利用上述數(shù)據(jù)重新思考如何變革所有的流程。為了更好地挖掘數(shù)據(jù)潛力，推動更快、更明智的決策，制造業(yè)、能源、采礦業(yè)、運輸業(yè)和農(nóng)業(yè)領域的企業(yè)正利用新型機器技術優(yōu)化多種工作負載，包括工程和設計、生產(chǎn)和資產(chǎn)優(yōu)化、供應鏈管理、預測、質(zhì)量管理、智能產(chǎn)品和機器等。

從運營效率到質(zhì)量控制，再到其他各個方面，企業(yè)采用機器學習技術，正在通過以下四種方式變革工業(yè)生產(chǎn)流程：

通用電氣：實現(xiàn)設備預測性維護

持續(xù)性維護設備，是很多工業(yè)和制造企業(yè)面臨的一大挑戰(zhàn)。從以往經(jīng)驗來看，大多數(shù)設備維護要么是被動型——在機器發(fā)生故障后進行維修，要么是預防型——通過定期檢測以避免故障。兩者皆成本高昂，效率低下，而最佳解決方案是預測型維護。企業(yè)可以提前預測設備需要維護的時間，但大部分企業(yè)缺乏相關人員和專業(yè)知識來開發(fā)解決方案。

值得慶幸的是，像通用電氣這樣在發(fā)電設備、解決方案與服務領域的領先供應商，已經(jīng)可以實現(xiàn)對設備的預測型維護。企業(yè)本身無需具備機器學習或云相關的技術，只需借助使用傳感器和機器學習技術的端到端系統(tǒng)，檢測到機器振動或溫度的異常波動，從而收到警報。

這類技術支持通用電氣利用傳感器實現(xiàn)信息的快速更新，通過采用云中實時分析，將基于時間的維護操作轉變?yōu)轭A測性和規(guī)范性維護。隨著系統(tǒng)規(guī)模的不斷擴大，通用電氣可以通過上述系統(tǒng)對傳感器組進行遠程更新和維護，而無需實際接觸。

中科創(chuàng)達：解決產(chǎn)品異常檢測

保證產(chǎn)品質(zhì)量與確保設備正常運行同等重要。生產(chǎn)進程的目視檢查通常需要人力，這不僅乏味，且不能保證一致性。為了提升質(zhì)量控制，工業(yè)企業(yè)希望采用計算機視覺技術，提高缺陷識別的速度和準確性。但企業(yè)在構建、部署和管理基于機器學習技術的視覺異常系統(tǒng)時，仍會面臨很多復雜挑戰(zhàn)。現(xiàn)在，企業(yè)可以使用高精度、低成本的異常檢測解決方案，每小時處理數(shù)千張圖像，從而發(fā)現(xiàn)缺陷和異常，識別出與基線不符的圖像，以便企業(yè)采取下一步行動。

看到這一趨勢，全球知名的智能操作系統(tǒng)產(chǎn)品和技術提供商——中科創(chuàng)達將全球領先的機器學習服務Amazon SageMaker集成到中科創(chuàng)達智慧工業(yè)ADC (Automatic Defect Classification)系統(tǒng)中，幫助制造業(yè)客戶在工業(yè)生產(chǎn)中輕松獲得AI質(zhì)檢能力。借助Amazon SageMaker，客戶無需復雜的機器學習部署，即可在統(tǒng)一界面中構建、訓練、解釋、檢查、監(jiān)視、調(diào)試和運行機器學習模型。在電氣行業(yè)ADC系統(tǒng)實施中，Amazon SageMaker幫助最終用戶一次性投入成本降低了42%，軟件開發(fā)的工作量降低了39%，系統(tǒng)的上線時間縮短了50%，系統(tǒng)運行效率是傳統(tǒng)檢測的35倍，解決了ADC系統(tǒng)落地工業(yè)場景的障礙。

瑞典家庭食品制造商Dafgards公司在其下屬品牌Billy's Pan Pizza的生產(chǎn)過程中也應用了計算機視覺技術。Billy’s Pan Pizza是一種微波披薩，生產(chǎn)線每秒能完成2塊披薩的烘烤和包裝。Dafgards公司曾安裝過機器視覺系統(tǒng)，成功用于檢測披薩上的奶酪比例。但問題是一旦披薩上餡料種類過多，該功能就會失效。通過采用基于計算機視覺的新型機器學習技術，Dafgards公司輕松獲得了經(jīng)濟高效的檢測能力。在成功應用后，Dafgards公司計劃將計算機視覺應用擴展至更多種類披薩以及漢堡、法式蛋餅等其他產(chǎn)品線。

英國石油公司：提升運營效率

許多工業(yè)和制造企業(yè)都希望借助計算機視覺技術來提升運營效率。一般情況下，企業(yè)會通過視頻對工廠現(xiàn)場進行人工監(jiān)測和審核，以驗證設施訪問權限，檢查出貨，檢測泄漏或其他危險情況。但在實際情況中，這項工作不僅困難，還極易出錯、成本高昂。當然，企業(yè)可以將現(xiàn)有的IP攝像頭升級為智能攝像頭，以便擁有更好的處理能力運行計算機視覺模型。但這依然不僅價格高昂，也會存在問題，即使采用智能攝像頭，也未必可以達到高精度和低延遲要求。事實上，企業(yè)可以通過使用硬件設備將計算機視覺技術應用到現(xiàn)有的本地攝像頭中，甚至可以使用軟件開發(fā)包來構建新的攝像頭，從而在邊緣就能運行計算機視覺模型，取得更高的效率。

全球能源公司英國石油公司正計劃在全球18,000個服務站部署計算機視覺系統(tǒng)，他們計劃利用計算機視覺技術自動控制燃料車進出設施，并確認有效訂單的完成情況。如果有碰撞危險，計算機視覺技術可以提醒工人，還可以識別動態(tài)隔離區(qū)內(nèi)的異物，并檢測漏油情況。

富士康：優(yōu)化預測供應鏈

現(xiàn)代供應鏈是由制造商、供應商、物流和零售商共同組成的龐大網(wǎng)絡，需要復雜的方法了解、并滿足客戶需求，同時根據(jù)原材料供應波動以及節(jié)假日、活動、天氣等外部因素進行相應調(diào)整。如果無法正確預測上述變量，會造成成本的大幅增加，從而導致資源配置過度或不足，進而浪費投資或帶來不良的客戶體驗。為了預見未來可能發(fā)生的情況，企業(yè)正利用機器學習技術分析時間序列數(shù)據(jù)，提供準確預測，從而減少運營支出，提高效率，確保更高的資源和產(chǎn)品可用性，更快地交付產(chǎn)品，并降低成本。

富士康是全球最大的電子產(chǎn)品制造商和技術解決方案提供商。在新冠肺炎疫情期間，富士康采用了機器學習技術應對前所未有的客戶需求、供應和產(chǎn)能波動挑戰(zhàn)。富士康為其在墨西哥的工廠開發(fā)了一個需求預測模型，以生成準確的凈訂單預測。借助機器學習模型，他們將預測精度提高8%，預計每家工廠每年可節(jié)省55.3萬美元，同時，最大限度減少勞動力浪費，并大幅提升客戶滿意度。

為了充分發(fā)掘機器學習在工業(yè)環(huán)境、工業(yè)產(chǎn)品、物流和供應鏈運營領域的應用潛力，越來越多的企業(yè)希望采用機器學習技術，使生產(chǎn)流程變得更簡單、快捷、準確。通過將云中實時數(shù)據(jù)分析和邊緣機器學習相結合，工業(yè)企業(yè)正穩(wěn)步將愿望轉變成現(xiàn)實，同時推動新一代工業(yè)革命的到來。

本文作者：亞馬遜云科技全球機器學習副總裁Swami Sivasubramanian