制造业的灯塔如何获取 AI 的全部价值

操作实践 制造业的灯塔如何获取AI的全部价值 人工智能正在定义第四次工业革命，生产领跑者正在对整个工厂、生产网络和供应链产生重大影响。 本文是亨利·布里斯托尔，恩诺·德布尔，迪努·德·克伦，侯森林，拉胡尔·沙哈尼和费德里科·托尔蒂的共同努力，代表了麦肯锡运营实践和世界经济论坛的观点。 本系列的第一篇文章探讨了人工智能的演变，以及领先的制造商如何利用它重新定义制造业的前沿。它着眼于第四次工业革命（4IR）从学习到实践的加速。这三篇文章中的第二篇探讨了人工智能在当今制造业的前沿是什么样子。最后一部分将探讨最新的灯塔已经构建的功能，以部署速度和规模的AI和其他4IR技术。 灯塔是标准承担者制造和供应链。越来越多的人希望人工智能为他们的工业4.0转型提供动力。在全球灯塔网络的前三次成员浪潮中，只有不到20%的顶级用例依赖人工智能技术，而2023年12月宣布的21个最新灯塔实施的顶级用例中，近60%使用人工智能(图表1)。 包括通过预测其高炉的内部工作来实时优化工艺参数，将生产量提高15%，同时将能耗降低11%。德国生命科学设备制造商安捷伦(Agilet)将其计算机视觉技术非常有效地整合到一个工具包中，以至于它能够部署五个不同的计算机视觉用例，在短短四个月内将缺陷率降低了49%。 这并不令人惊讶：仅在这一最新队列中，基于AI的用例就取得了显着成果，包括增加了两到三倍在生产力方面，服务水平提高了50%，缺陷减少了99%，以及能源消耗减少30%。 随着公司改善AI预测和建议的置信区间，这些技术正在迅速成熟。由于对这些模型的信心超过了对规划者或操作员的信心，Modelez在北京的烘焙工厂等工厂让我们得以一瞥，一线工人比机器操作员更多的是技术人员。他们不仅实现了两倍以上的生产率。 中国的特殊钢制造商中信泰富特钢已经在其整个生产过程中确定了数十种AI应用， 麦肯锡公司 负责任的AI实施-一个值得自己发表的关键主题。灯塔是不会对这些风险免疫，他们也没有过度看涨。他们采取了一种衡量的方法，确保他们拥有专业知识、系统和领导力来获得AI负责任。 改进，但他们也看到了一个减少70%的废物和10%至25%的能源消耗。 如果在银行和技术中快速采用生成人工智能(generative AI)工具是值得借鉴的，那么至少对于灯塔来说，可能会影响 工厂规模就在眼前。灯塔已经建立的知识，技能和数据基础，因为它们已经超越了其他4IR技术的飞行员，同样也将证明与Geeral AI相关。印度Pithampr的药品合同制造商ACG Capsles也是如此，该公司在不到五周的时间内就完全开发并部署了副驾驶，以与标准操作程序（SOP）接口。平均维修时间(MTTR)减少了40%，与支持虚拟现实的培训解决方案配合使用时，技术人员的入职时间减少了近40%。 总之，最新一类灯塔为我们提供了五种见解，以了解AI在制造业的领先优势（请参阅侧栏“灯塔提供了五种见解，以结果为导向的AI和geer AI的采用”）及其在第四次工业革命中的作用（请参阅侧栏“为什么AI定义第四次工业革命”和“什么是生成AI？”）。本文将详细探讨每个见解。 AI在每个过程中 人工智能正在快速推进，只是在加速。制造商不再需要考虑它是可能的还是有影响的。灯塔已经证明了这一点。相反，他们需要专注关于以下方面的风险、法规和复杂性 早期的AI试点专注于单个流程步骤，其中范围最小，风险最低，迭代最快。即使在今天，超过80％的涉及AI的灯塔用例也同样在流程步骤级别执行。然而，值得注意的是，人工智能 灯塔为结果驱动的AI和genAI的采用提供了五个见解 AI指挥中心正在启用 AI用例遍布整个运营价值链 或用于供应商风险预测。Gen AI也是车间生产率的捷径：例如，auto - PFMEA（过程故障模式效应分析）或“技术员顾问”。 下一级和系统级自动化 21个最新的灯塔中的每一个都至少有一个应用AI用例；有些有几十个。总的来说，这50多个用例涵盖了所有领域，从计划到制造到交付等等。 人工智能指挥中心连接端到端操作，通过认知自动化将人类“放在”循环中，而不是“放在”循环中。为此，灯塔以清晰、低风险的方式进行“信任训练”，以增加置信区间，同时减轻和提醒潜在风险。 GenAI也在加速飞行员 大多数一代人工智能试点已经在几天和几周内实施，而不是几个月和几年。与五年前相比，灯塔能力已经提高了起跑线；现有的人才、敏捷、技术和数据能力正在实现一代人工智能等新兴技术的速度和规模。 可以对AI进行资产化，以实现快速和大规模的部署灯塔正在使用部署生产力工具打包AI用例（例如，无代码平台），模块化设计原则，现成的测试集成商以及他们部署的每个资产包中的数字提升技能材料。 GenAI正在将AI的影响扩展到车间之外 每个站点都在最新的灯塔队列中试行生成AI（gen AI）主要是数据最不结构化的地方：例如，作为设计顾问 对每个供应链流程步骤产生重大影响-包括计划、资产管理、质量和交付。 现在，使用新兴的低代码或无代码程序创建AI应用程序的可能性是其他组织的1.6倍，允许他们进一步加快发展进程。1 最新的灯塔恶魔群证明了这种广度和多样性。考虑规划，Igrasys部署了一个人工智能需求预测模型，该模型使用过去的数据来训练模型；在短短三年内，这些变化使预测准确性提高了27%。或工艺优化，亨通阿尔法光电通过训练好的模型自动优化预成型和拉丝参数。 灯塔已经在展示这种方法在制造业中的作用。 他们正在利用模块化设计原则来确保与现有技术体系结构的互操作性。他们正在投资并利用部署生产力工具，例如用于可定制接口的无代码平台。他们还包括基本的数字技能提升材料，如演练视频和SOP，作为他们部署的资产包的一部分，任何用户都可以访问。这就是新的用例和数字创新如何从本地化工具转变为在任何地方使用并在本地定制的全公司资产。 在过去的策略上。或质量，VitrA Karo在其窑炉中部署了计算机视觉，从而将废品率降低了68％。或交付，华润建材科技自适应地优化了重型运输设备路线，以减少提货 提前期减少39% (图表2)。 安捷伦就是这么做的。它构建了一个内部、随时部署的AI解决方案库，用于检测异常和响应过程偏差，将计算机视觉工具与插入式连接器捆绑到制造执行系统和测试软件，以及包装SOP、用户文档和操作员培训指南。计算机视觉技术的这种民主化使技术人员（而不仅仅是工程师）能够端到端地识别、部署和测试新的相机和视觉应用。这使Agilet能够在57个工作中心和16个产品线中部署5个新应用程序，在不到四个月的时间内将缺陷率降低了49％。 AI民主化 达到这些影响水平— — 20%， 在关键KPI（如吞吐量、质量和交付性能）方面，40%甚至60%的改进要求灯塔公司扩展过去的试点和概念验证(POC) 在每个机器和生产线上全面实施用例。有些人进行了自己的四年或五年旅程，以试点，学习和扩展新技术和用例。其他公司— —如中国力阳的CATL、印度Soepat的联合利华和中国西安的强生公司— —从第一天起就能够利用他们公司其他灯塔网站的经验进行规模化设计。他们在许多过程中应用了先进的人工智能和其他技术，跳过了最早的灯塔别无选择的陡峭学习曲线。 即将到来：系统级自动化的指挥中心 智能家居不仅仅是建立在几个世纪以来逐步改善供暖，制冷，照明和其他技术的基础上。他们将所有这些都与智能控制结合在一起，自动管理环境温度，自理壁炉，调节百叶窗以及服从人声命令以播放完美的音乐或提供指导 今天的灯塔加速过去的飞行员的方式之一是将战略重点放在“资产化”上：即包装用例的艺术和科学，以实现部署的速度和规模。其他行业也在采取这种方法：高AI表现 附件2 AI在整个价值链的每个过程中都产生影响。 补偿输入材料杂质-与人在循环中。最后，他们进化到全面“自我修复”的制造和供应链运营，人类在循环中。 When to leave to catch the nearest subway. Smart factorsare no different; their impact comes from similarlycentricated intelligence with higher levels of decision -making capabilities — and placing their human “on ” theloop instead of it. 大多数灯塔已经实现了前两个。他们也正在加速向第三个方向发展— —这是支撑熄灯运营概念的技术成就，工厂将在生产率、质量和服务水平方面实现更高水平的提高，新的前线看起来更像增强技术人员，而不是今天的运营商。两个新的灯塔- Modelez和K - water -提供外观。 自动化认知过程 与物理自动化一样，这些认知自动化是分阶段进行的。首先，他们应用智能来维持稳态的操作过程，例如使用AI实时设置过程参数。其次，他们（正确地）识别恢复性动作-例如，建议对性能不佳的机器采取纠正措施或建议对 AI为何定义第四次工业革命 真正的力量第四次工业革命（4IR）的AI源于其在4IR技术金字塔顶部的位置;它正在扮演4IR技术的指挥角色，这些技术共同演奏了影响的交响曲（展览A）。 附件A 4IR技术的全部价值来自一套技术解决方案。 第四次工业革命（4IR）技术金字塔 Consider the example of a rapid changeover at a production site (Exhibit B). This requires flexible robotics 处理不同的产品，自动引导车辆移动材料和零件，3D打印定制生产线夹具，以及可穿戴技术，让管理人员和技术人员了解实时数据。是什么协调了这种复杂的元素相互作用，每个元素都是复杂的？答案：AI。 但人工智能需要从广泛的来源产生和收集的数TB的数据：企业系统、机器传感器、连接基础设施和人类工人。这就是为什么最先进的领先者领先。他们有远见进行投资，并承担建立数据基础所需的风险，以推动AI技术并释放其潜在影响。 附件B 借助AI，机器智能可以为快速解决方案协调高度复杂的技术。 在这种演变中(参见侧栏“认知自动化指挥中心：两种情况”)。 他们的模型并在移交控制权之前增加置信区间。他们还集成了保障措施，监控机制和覆盖风险安全。 信任培训 使用AI模型建立信任有多种方法-今年的灯塔展示了几种。一种定期重新训练追溯数据模型，将过去的预测与实际操作员决策和过程性能进行比较，直到准确率超过人类。在 为了促进真正的系统级决策自动化，AI不仅需要识别纠正措施-每次都必须信任建议是正确的。所有类型的AI都是如此，包括应用，生成和其他方面。为了解决这个问题，灯塔正在优先考虑闭环反馈以改进 什么是生成式AI？ 模仿真正的人类推理和联系，综合见解，生成内容，并通常“人性化”用户交互。 —用户交互。Gen AI可以进行类似人类的对话，保持上下文记忆，并呈现看似创造性的想法。这可能需要角色扮演供应商谈判或提供运输更新的聊天机器人的形状。 GenerativeAI's(genenAI's)区分因素是它可以关注跨巨大非结构化数据集的模式。它利用变压器架构来生成嵌入，这是一种最初设计用于自然语言处理(NLP)任务。嵌入是代表任何给定标记或信息的数十万参数的大量向量。(对于基于文本的模型，令牌可能与前缀“un ”一样小。）它可以通过识别任何一个的概率来预测或生成内容该概率计算考虑了该标记的向量嵌入与数据库中存储的其他标记的接近度，通常称为大型语言模型或基础模型。1 超过50种方法 genAI在运营中工作的认知能力 Gen AI的变压器架构和海量数据集使其能够完成以下任务： 我们对最新灯塔和我们的客户的研究显示，在制造和供应链中，Gene AI有超过50个高潜力用例，涵盖六个领域（设计、来源、计划、制造、交付、服务）和两个能力领域（数据