工業(yè)革命帶來了無數的發(fā)明和革新產品，開啟了人類歷史的新篇章。工業(yè)時代的織布機、蒸汽機、電力以及批量生產福特汽車的第一條流水生產線，都讓人嘆為觀止。但我們常常忽略了上述發(fā)明的產生機制和過程。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)。隨著數據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)都會在邊緣產生大量數據，并將其存儲在云中，同時利用上述數據重新思考如何變革所有的流程。為了更好地挖掘數據潛力，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、生產和資產優(yōu)化、供應鏈管理、預測、質量管理、智能產品和機器等。

從運營效率到質量控制，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)生產流程：

通用電氣：實現設備預測性維護

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)。從以往經驗來看，大多數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，已經可以實現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：解決產品異常檢測

保證產品質量與確保設備正常運行同等重要。生產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)?，F在，企業(yè)可以使用高精度、低成本的異常檢測解決方案，每小時處理數千張圖像，從而發(fā)現缺陷和異常，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)生產中輕松獲得AI質檢能力。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)內的異物，并檢測漏油情況。

富士康：優(yōu)化預測供應鏈

現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絡，需要復雜的方法了解、并滿足客戶需求，同時根據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據，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品可用性，更快地交付產品，并降低成本。

富士康是全球最大的電子產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，使生產流程變得更簡單、快捷、準確。通過將云中實時數據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