围绕人工智能(AI)和机器学习(ML)的大肆宣传，让人们认为这些技术就像一根魔法棒，能够给英国制造业带来立竿见影的变化。IFS全球行业总监Colin Elkins写道，人工智能是一种能力，而不是一种速效产品。然而，通过集成人工智能和用户接受度、智能规划和预测工具可以帮助优化运营并提供更准确的业务决策。
今年夏天，热浪袭人，英格兰队正处于世界杯决赛阶段。一年中时间、天气和积极的公众情绪这些影响销售业绩的因素已得到制造商和经销商的普遍认可，并被纳入到了他们的生产计划之中。由于这是四年一次的固定场景，预测得到了电子表格和ERP(企业资源规划)数据库中的历史数据的支持，因此制造商们为啤酒、汉堡、英格兰国旗和明星球员足球的需求激增做好了准备。
但如果在同一周，某位明星球员的不光彩过去在社交媒体上曝光，丑闻袭来，并且热浪的寿命很短时，情况会怎样呢?如果在过去的几个月里，有健康意识的消费者不再喝啤酒，而是用低热量的葡萄酒替代，情况会怎样呢?如果有环保意识的场馆已经禁止使用塑料旗帜，新法律限制在白天销售酒精，并且在主要的交通线路上已经安排了道路施工，情况又会变得如何呢?
英国一家超市的三分钟电视广告就足以激励家庭厨师们尝试复制迪丽娅·史密斯的最新食谱——大黄和姜布丁。
继2010年广告播出后，超市在四天内售出了和以往12周销量相同的大黄——足够制作大约6.1万份甜点。该配方中使用的其他配料，包括中国干姜、有机生姜粉、希腊酸奶和双层奶油的销量也一路飙升。这并不是厨师第一次影响销售和消费者行为，类似事件发生后，“迪丽娅效应”一词就被《柯林斯英语词典》收录了。
工业领域的人工智能 :为何会有所不同?
未雨绸缪
在规划未来和预测需求时，必须考虑到大量的因素和成千上万的可能变量。例如，今年早些时候，银行假日、母亲节和温暖的天气使杂货消费增加了近6%。记录这些因素对销售、库存水平和需求量等的影响是一项重大任务。实时跟踪它们的影响，同时利用所有信息预测未来，几乎是不可能的。
因此，准确的预测仍然是供应链管理中最具挑战性和最复杂的问题之一。加剧这些的是供应链管理的多面性。它远非一个孤立的学科，而是整个企业的一部分，在财务、制造、采购和销售之间存在多重依赖关系——所有这些都依赖于需求预测。正确的做法意味着准确地知道消费者或客户想要什么、什么时候想要、想要多少。如果预测错了，你的企业就会面临生产过剩、销售不足、不得不转移过剩库存和管理过剩浪费的风险。
准确预测的核心是可靠的数据，包括历史数据和来自大量内部和外部的实时数据。企业需要从社交媒体、当地天气预报、地区公共和宗教节日、消费者人口统计、政治事件、消费行为等方面获取信息。即使是最聪明的人类也缺乏足够的脑力来汇总、分析和处理这些数据。目前行之有效的方法是利用人工智能来增加人力，并采用具有嵌入式人工智能功能的ERP工具。在智能预测和材料需求规划引擎的驱动下，这些解决方案允许用户从数据中提取真正的价值。
关于工业人工智能的五个神话
喂养人工智能 巨兽
人工智能统治世界的巨大潜力，除了处理和从数据中获取洞察力之外，人工智能可以每周7天，每天24小时工作，而且可以通过不断地自我学习，在未来为未来更准确的决策提供信息。
智能数据管理和准确的预测可以减少制造业的浪费，带来更多的收益，并且人工智能技术能够为组织带来价值(保证ROI)已得到广泛认可。到2020年，供应链和制造过程中的人工智能(AI)和机器学习(ML)将为企业创造高达2万亿美元的额外价值。此外，仅仅就制造业强国德国而言，人工智能技术被预计可以为它的制造业增加320亿欧元的产值。反观从2018年陷入困境的英国汽车行业能否利用人工智能为近6年跌至冰点的国民经济的复苏打上一剂强心针呢?
在全球范围内，汽车行业实际上是人工智能的早期采用者，并且预计将占人工智能在制造业中的最大比例：预计到2025年市场将达到172亿美元。例如，奥迪正在使用ML用于检测钣金零件中的微小故障，实现质量控制过程的自动化和最优化。预计未来几年将有更多知名企业采用基于人工智能的技术：根据福布斯调查，44%的汽车和制造业受访者表示人工智能对于制造业而言非常重要。在未来五年里，几乎有一半的人将会认同这一观点。
然而，在汽车和装配行业，只有11%的企业真正将人工智能应用于供应链管理。人工智能可以更高效地工作、更好地提供预测，从而为企业带来强劲的效益增长。那么，为什么没有更多的制造企业采用并受益于人工智能解决方案呢?
不要忘记数据
问题是双重的。首先，一个组织可以是人工智能(AI)和机器学习(ML)的最大支持者，同时也最渴望将这些集成到ERP中。但如果它没有捕捉到足够的数据量和多样性来支持这些技术，就不会成功。沉迷于人工智能的宣传很容易，但企业必须事先奠定基础，而不是盲目跳入新的领域。想想你想要考虑哪些参数，哪些因素在过去影响了销售和预测，并且这些因素对现在和未来将会产生哪些潜在的影响?
一旦捕捉了必要的数据，组织就可以查看ERP解决方案，这些解决方案将来自不同部门和来源的数据集成到一个统一和集中的视图中。最后，解决方案必须能够从每个端点、设备和传感器实时收集(及其用户访问)数据——随着企业内部物联网端点数量的增长，这一点变得更加关键。到2020年，每秒将产生大约1.7MB的新数据——这对于任何人类大脑来说都是难以处理和利用的。
数字化转型准备 :准备IIoT和AI的7个步骤
人类的问题
第二个问题与技术或数据无关——它与我们人类有关。我们中有太多的人仍然对人工智能(AI)和机器学习(ML)的决策能力持怀疑态度，这可能是因为缺乏对实现这一功能的复杂算法的理解，也可能是因为我们不信任机器人!根据最近一项关于使用人工智能来确定银行贷款的研究显示，只有四分之一的消费者相信人工智能系统做出的决定比人类的决定更加准确。尽管如此，人工智能处理和使用数据的能力比任何人类对手都要大得多，速度更快，准确度也更高。
对人工智能技术缺乏信心也延伸到员工对有效利用人工智能解决方案的感知能力。据统计，英国制造业69%的受访者认为，缺乏内部技能是采用人工智能的最大障碍。这一比例略高于美国同行业50%的受访者。这是言之有理的，尽管英国围绕人工智能大肆宣传，但作为一个国家，其落后于包括美国和中国在内的地区，这两个地区的投资分别是英国的50倍和8倍。
我们能跟上节奏吗?人工智能是将盈利能力和生产力重新注入我们制造业市场的灵丹妙药吗?规划者们会相信人工智能预测吗?我们不指望人们对人工智能的态度会立即彻底逆转，也不指望制造业及其它行业的企业家突然成为数据科学家。然而，作为更广泛的数字化转型战略的一部分，可以跨公司集成的人工智能技术如今确实存在。我们有现成的ERP解决方案可以被配置，用来适合任何业务或流程，并且所有级别的员工都是可以访问和使用它的。我们可能无法100%准确地预测未来，但我们可以学会使用和信任这些工具，帮助我们人类非常接近未来。
|
