對於製造商訓練員工使用AI，必須先解決兩個問題
馬可·桑托斯（Marco Santos）
Forbes技術委員會成員
2024年11月13日，東部標準時間上午10:00
最近，一位專注於製造業的記者問我：“對製造商來說，實施AI是否已經太晚了？”和“製造商如何訓練員工使用AI？”我首先想到的是，許多製造商根本還沒有到需要訓練員工的地步。他們還在努力弄清楚如何訓練他們的AI系統——如果他們根本就已經引入AI的話。其次，我認為人們對AI在製造業（以及其他行業）的使用印象，可能與實際情況存在很大差距。
儘管製造商知道AI為自動化和效率提升提供了重大機會，但許多仍處於AI實施的早期階段。像福特這樣的公司已經引入了一些引人注目的AI應用案例，這些案例正在改善質量控制並減少產品召回。
製造商中AI採用的廣泛程度，並不是因為企業看不到其潛力，而是因為成功的AI部署需要根本改變他們如何在機器、部門和地點之間（通常是全球範圍內）存儲和管理數據。
建立支持AI的數據基礎設施
AI為製造商提供的一個最大優勢是，它能夠以人類所需的幾分之一時間合成大量的組織數據——我們談論的是數十年的數據。然而，這一過程依賴於AI系統能夠訪問的數據的數量和質量。
對於許多傳統製造商來說，這是一個艱巨的前提，因為數據整合意味著需要從組織內的多個不同位置收集數據。例如，每個工廠的每台機器可能運行著自己的軟件，製造商需要從中提取數據。他們必須將這些數據與來自其他機器和公司其他企業IT系統的數據鏈接起來。
只有這樣，他們才能建立和實施一個新的數據基礎設施——無論是在雲端還是其他數字格式——以便在一個地方存儲所有數據，並使其對組織內的任何工具或系統可訪問。
不出所料，這種從基礎開始的方法可能需要數年，而許多製造商仍然剛剛起步。德國醫療包裝製造商Gerresheimer宣布計劃將其應用程序和生產伺服器連接，建立一個集中式數據庫。
好消息是，一旦這一步完成，製造商通常不需要再次進行。我從與製造商的合作中了解到，他們在數據分析項目上花費的一半時間用於收集數據，而另一半則用於設置和配置AI和機器學習應用。那些已經引入新數據基礎設施的企業，現在可以將所有時間用於創建和部署新的AI和ML應用案例。
建立能夠在製造過程中發揮數據作用的AI應用案例
AI應用案例在每個組織中會有所不同，但某些案例可能對各行各業的製造商都有益。
例如，在與一家美國最大的汽車製造商合作時，我們使用視覺AI來自動化工廠車間的過程監控。該公司現在能夠分析每小時生產900個零件的沖壓線上生產零件的準確性。這樣會產生大量數據，包括每個生產零件的圖像。這些數據隨後用於進一步優化過程，隨著AI的智能化，提升效率和質量。
視覺AI還可以用於檢查材料及其他機器產出。當與機器人技術相結合時，它甚至可以進一步主動地從生產線上移除識別出的任何缺陷零件。這大大減少了工廠工人花在這些過程上的時間。
利用他們的歷史數據，製造商還可以部署AI進行預測性維護。通過將當前機器性能與健康和不健康機器的已知模式進行比較，AI可以識別性能異常，並在問題發生之前預測設備故障。這最終可以減少機器停機時間，從而提高生產產出。
員工教育至關重要——在合適的時間線上進行
針對我收到的有關製造商如何訓練員工使用AI的問題，大多數製造商還未開始這一過程。他們目前仍專注於完成AI旅程的前兩個領域。
一旦他們準備好推出AI應用案例並將注意力轉向員工培訓時，應該專注於兩個關鍵領域：
1. 教導員工如何維護數據質量。
2. 如何在使用AI工具時有效分析和解釋數據。
這兩項技能，即使是更具技術背景的員工也可能不具備，因為他們尚未與製造商的具體AI解決方案合作。
與AI直接交互的員工還應該對提示工程有深入理解。換句話說，他們應該知道如何撰寫生成AI的輸入，以產生所需的輸出。這項技能需要訓練和實踐相結合。
這些新技能將創造一個環境，使員工能夠在製造商部署新AI系統和工具後，隨時開始進行監督。
在當今科技迅速發展的背景下，製造商在進行AI轉型時必須謹慎而全面地考慮數據基礎設施的建立與員工的培訓。這不僅是技術上的挑戰，更是組織文化和流程的深刻變革。未來那些能夠靈活應對這些挑戰的企業，將在激烈的市場競爭中脫穎而出。
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
