人工智能在制造和价值链中的挑战是什么？

我来简单介绍一下人工智能在制造和价值链中的六大挑战。

1.人工智能功能与运营需求不匹配

制造商通常根据现有的技术能力选择人工智能项目，而不 是关注对业务运营的影响。业务痛点与AI技术之间的匹配 并不总是得到彻底考虑。因此，人工智能解决方案可能在 技术上是可行的，但无法解决相关的、有影响力的问题。

操作。这会导致期望不匹配，并阻碍其在制造业中的更广泛采用 。使用以问题为导向的方法构建可靠的业务案例，明确定义业务 需求，并评估人工智能解决方案与其他解决方案相比的价值，是 克服采用和扩展障碍的第一步。

2.缺乏战略方针和领导沟通

明确的全公司人工智能战略和沟通计划经常被忽视。如果没有合 适的赞助商和忠诚的领导者来开始对话并从最终用户那里获得支 持，整个公司的人工智能应用程序的入职就无法实现。

到员工不情愿。随着人工智能正在改变工作方式，传达战略方法 、好处和新流程可以帮助提高最终用户在日常生活中接受它的意 愿。

3.人工智能和运营交叉点的技能不足

对车间制造要求了解有限的外部顾问或信息技术 （IT） 专 家经常领导 AI 项目。然而，要取得成功，人工智能应用程 序需要开发。

以及由在 IT、运营技术 （OT）、数据和 AI 融合方面具有 不同专业知识的跨职能团队实施 技术。这需要提高劳动力的技能并吸引制造业的新人才。

4.数据可用性和缺乏数据治理结构

应用机器学习模型需要对大量数据进行训练，以识别模式和关 系。6然而，制造公司通常依赖于小数据集和零散数据，这阻碍 了结果见解的准确性。 即使可用，这些数据集也可能不代表适当的故障案例或相关 的过程情况，并且大多不可互操作。

创建单一信息源可确保企业在整个组织中基于标准化的相关数 据运营。为了克服这一挑战，跨公司边界共享数据可以支持共 同努力采用 制造业的人工智能技术，反过来又依赖于一系列组织和技术成功 因素。

5.缺乏可辩解的人工智能模型在制造业

将人工智能模型视为复杂、不透明和不可解释的系统，阻碍 了其部署。制造商需要开放透明的人工智能模型，以建立对 预测和特定结果的信任，或者可解释的领域专家接受它们。 人工智能提供的预测需要有意义、可解释 准确并具有警告机制以最大程度地降低风险。可解释的人 工智能工具和技术允许专家以制造用户可以理解的格式获 得结果的理由。对 AI 驱动的输出的信心越大，AI 部署就越 快、越广泛。

6.跨制造用例的重大定制工作

工厂是复杂的工程系统，人工智能模型需要配置以适应每个过 程并符合其约束。因此，不可能简单地从一个制造用例中应用 经过训练的AI模型或管道。 到另一个。机器学习管道的设计以及预处理、训练和 AI模型的测试仍然需要手动干预以进行定制，这尚未完全自动 化。此外，工业公司很难找到具有现成人工智能功能的商用硬 件和软件，这些功能需要少量定制。