2024 年制造业前 ： AI 特权制造业与货运成新速

前言 I在当今快速变化的商业环境中，将人工智能（AI）集成到运营中不仅已成为一种战略优势，更是保持竞争力的必要条件。AI 成为了一个变革性的力量，提供了无与伦比的机会来优化流程、提升决策能力和在整个价值链中推动效率。随着各行各业应对缩短创新周期、可持续性要求和劳动力短缺等挑战，采用 AI 解决方案的需求以及从技术中获益的机会从未如此明显。 但要充分发挥其潜力，该技术需要应用于能够创造明确价值的实际应用场景中。本白皮书探讨了当前运营中可感知的人工智能应用场景的现状，这些应用场景来自过往和现在的微软智能制造奖（MIMAs）展示的多样化应用领域。 这些奖项现已进入第五年，旨在表彰来自各工业领域的最具创新性的数字运营解决方案，并奖励相关公司。 致力于应用实际解决方案以提升效率和可持续性。本次活动由罗兰贝格和微软主办，并由来自行业和学术界的知名评审团进行评判，今年的主题为“加速、创新、赋能”。 这篇论文介绍了七项在运营中成功采用人工智能公司的共通关键因素，以MIMA案例为例，旨在为商业领导者和战略家提供实用指导，帮助他们 navigating 人工智能采用的过程——即明确的战略、对现有和所需能力的透明度以及对目标附加价值的精准聚焦。 Rupert Stuetzle 制造和移动总经理 EMEA ， 微软 Marcus Berret罗兰贝格全球董事总经理 管理总结 T他在运营中使用AI有望带来显著的好处。但由于证明等方面的障碍，企业采纳仍然具有挑战性。 商业价值、缺乏基础设施和缺乏熟练的人工智能人才。到 克服这些障碍 ， 拥抱智能下一代 制造和运营 ， 公司应该遵循七个关键成功 工业数字领导者的共同因素 ： 1制定清晰的 AI 路线图 ， 包括明确的目标、高管 赞助和明确的组织变革过程 2确定技术基础 ， 确保数据安全 ， 同时实现可访问性和快速解决方案扩展 3采用模块化平台以简化扩展 ， 适应未来 产品与维护 4利用现成的技术解决方案 ， 实现 “快速失败 ” 方法 5数字化民主化 ， 使跨层级的专家能够转向 领域知识转化为智能解决方案 6利用基于 AI 的解决方案为劳动力提供动力 ， 以克服劳动力短缺问题 7通过使用 AI 生成的见解来利用 AI 破坏价值创造的潜力 改善核心产品 ， 保持安装基础并创建新产品。 罗兰贝格和微软可以支持企业在其AI运营旅程中的各个方面。RB N3XT 是一支专门的专家团队，专注于战略数字化：丰富的专业知识、专有的工具包以及经过验证的战略方法使RB能够帮助企业识别解决方案、顺利采用并最大化潜在价值。 微软通过一系列模块化的产品支持工业客户。例如，客户可以利用微软的生成式AI工作伴侣Copilot，在他们已使用的微软产品中进行操作，或学习如何利用Azure OpenAI服务构建和现代化AI驱动的应用程序。客户可以开发定制的AI助手以转变其运营，并在整个价值链中推动创新。为了加速价值实现，Azure市场提供了现成的合作伙伴解决方案，可以直接部署。 Contents AI 在运营中的优势和挑战 AI 是维持竞争力、提升可持续性以及应对运营中劳动力短缺的关键，但采用 AI 需要规划并克服各种障碍。 今天，人工智能无处不在，无论是管理智能手机消息、运行企业的聊天机器人还是控制工业机器。这项快速发展的技术的应用场景几乎是无限的，每个应用场景都突显了人工智能在颠覆我们生活各个方面方面的巨大潜力。 工业和运营领域也不例外。事实上 ， 用例已经在整个价值链中得到了证明。A 好处 人工智能在运营中的益处有望十分显著。例如，研发专家估计，传统AI和生成式AI1应用可以将产品开发时间缩短多达 60% ， 从而在未来大幅提升研发产出。 1 GenAI ： 深度学习可以生成的模型高质量的文本 ， 图像和其他基于内容的在他们的数据上训练 此外，采购将获得高达50%的人力效率提升的GenAI动力性能增强，以及四倍速的采购流程。这些提升将来自于，例如，供应商市场筛查时间的显著缩短、供应商谈判的极大并行化或合同起草处理时间的大幅缩短。B 挑战 然而，尽管人工智能技术与研究正在迅速发展，行业却难以跟上这一步伐——企业无法被期望以相同的速度将技术可能性转化为具有影响力的规模化应用场景。世界经济论坛的数据表明，迄今为止只有六分之一的制造商成功将人工智能整合到其运营中。 行业在人工智能的采用率方面落后于形势，考虑到生产力和效率目标的巨大压力、可持续发展目标的合规要求以及日益稀缺的劳动力。 BGenAI 将带来显著的性能改进 ， 并将沿着所有典型的采购目标提高结果 GenAI(通过利用 LLM) 对采购目标的估计影响(摘录) 为什么会出现这种情况？除了速度之外，许多其他主要障碍阻碍了商业AI的应用。这些障碍主要包括证明商业价值、缺乏支持案例的基础架构以及AI人才短缺。C 尽管面临这些挑战，公司们无法袖手旁观。它们比以往任何时候都更需要拥抱智能解决方案以推动下一代制造和运营，因为这些解决方案在应对当前的经济、环境和社会挑战中发挥着关键作用。 然而，提高运营中人工智能的采用率不仅仅需要不断增加试点数量。相反，为了充分利用众多应用场景的价值，是时候进行梳理并定义一条“飞行路径”。这是一种整体性的方法，确定要追求的正确解决方案，在适当的时间和作为整合战略的一部分利用正确的使能器，最终以快速、但又精简、专注和实用的方式产生可衡量的影响。 前进的道路 要在运营飞行路径中优化 AI ， 企业必须考虑三个关键战略问题 ： 在考虑技术之前，识别紧迫的问题和价值洼地。在不考虑人工智能的影响的情况下，明确运营的战略优化机会。 我如何利用技术 ？ 作为第二步，将识别的机会与技术能力相匹配。哪些技术能够为我的运营带来价值？哪些应用场景值得追求，不仅仅是作为一个独立的目标，而是为了战略性地改进我的流程？哪些技术已经就绪可以利用，哪些需要从头开始构建？以及哪些技能和能力是必要的，并且需要进行开发？ 我的路线图是什么 ？ finally，参与者需要制定一份发展路线图，明确构建适当能力并将其整合到功能团队中所涉及的步骤，量化收益并创建一条切实可行的价值创造路径。 最终的问题是如何做到这一点？在接下来的章节中，我们将提供实际的应用案例、关键成功因素以及罗兰贝格和微软如何支持企业导航AI运营飞行路径的详细信息。 AI 在运营中的关键成功因素 我们的分析显示，工业数字领导者在人工智能采用方面共有七个共同原则，从明确的发展路线图到可访问的数据和赋能的员工。 在过去五年中，MIMA应用周期帮助我们构建了数字技术在运营中所能实现的全面图景。这使我们能够识别出七个关键因素，这些因素对于成功采用数字化解决方案尤为重要，特别是在运营中的AI应用方面。所有这些因素都应被公司在制定通往具有影响力的数字化转型路径时考虑进去。 在接下来的页面中，我们概述这些关键成功因素，并呈现来自MIMA参赛者的具体、现实世界的实例。 2.1 / 制定明确目标的清晰 AI 路线图 概述变更流程 ， 将能力与目标相匹配 ， 并确保灵活性以最大限度地增加价值 大多数公司缺乏从AI提供的无限可能性和应用场景到具体日常需求的明确应用路线图。为解决这一问题，成功采用AI的公司制定了组织内部AI应用的结构化计划，基于三个步骤：D 来自 100 多个过程的相关数据步骤 ， DXQanalyze 积极支持操作员减少返工量需要。许多 OEM 已经成功部署了软件 ， 因此 ，从可观的储蓄中受益 ” 。 Gerhard Alonso Garcia, D ü rr SystemsAG MES & Control 副总裁 确定使用支持 AI 的解决方案可以解决的关键挑战 下游车身涂装线的质量控制从错误发生到解决可能需要两周的时间，在此期间错误会被重复出现。返工率可能高达20%，对原始设备制造商（OEM）来说是一笔显著的成本。作为全球领先的机械和工厂工程公司之一，迪尔（Dürr）解决了这一关键问题：基于人工智能的软件在此过程中发挥了关键作用，使原始设备制造商能够走在行业前沿。因此，迪尔利用人工智能将涂装线数据实时转化为质量洞察。在线内、边缘设备基础上的分析系统DXQanalyze能够检测并学习涂装过程中的异常情况，从而在问题发生之前预测潜在的问题。 确定哪些技术可用 ， 以及可以利用哪些领域专业知识来产生 AI 增值 成功利用人工智能需要将算法与相应的领域专业知识相结合。作为实验室仪器制造商，马尔文帕纳莱特（Malvern Panalytical）将其在农业通用分析系统方面的丰富领域知识与新的AI能力相结合，在基于Microsoft Azure平台和算法能力的基础上构建了一款近红外手持传感器。该解决方案能够在不到一天的时间内为农民提供合适的施肥建议。这不仅提高了农业生产效率（例如，香蕉的效率提高20%-30%），还减少了过度施肥对环境的影响。 丹纳利自动化隶属于丹纳利集团，是一家设备供应商，拥有广泛的钢铁生产工艺知识，既包括整个设备制造集团的知识，也包括其专门的钢铁制造商子公司阿契亚里埃·伯托利·萨法乌（Acciaierie Bertoli Safau）的专业知识。该公司为其Q3平台结合了其领域专业知识和分析能力，开发了一套端到端的质量保证解决方案，以应对复杂的钢铁生产工艺，将物理取样工作减少了20%。 制定一个人工智能驱动运营未来的战略计划，配备高管赞助和明确的组织变革流程。 数字领导者制定全面的战略计划，考虑整个组织，并根据系统化的标准对应用场景进行有结构的优先级排序。面对全球200家工厂的数字化转型，食品公司达能设立了其全面的数字化制造加速计划。该计划包含三个行动流：蓝色流包括支持本地管理识别和优先级排序应用场景的活动，例如通过提供达能集团已有的解决方案目录；黄色流完全专注于变革管理和数字技能的提升；红色流则涵盖了技术标准化和安全主题。该计划已经实现了跨71家工厂每年节省5500万欧元的成效。 2.2 / 确定技术基础并确保数据的可访问性。 建立灵活、基础广泛的 IT 基础 ， 使数据能够充分、安全地访问 为了确保现有的系统景观能够具备满足路线图目标的潜力，AI运营领导者专注于两个主要领域： 超越算法，数字化工厂需要大量的硬件以确保智能制造系统的最优性能。宝马集团，作为汽车制造商，开发了Edge Ecosystem平台来维护这些硬件。无数边缘计算设备确保了在车间和传感器附近进行快速高效的计算。在宝马的iFACTORY概念中，这些设备通过云端集中管理，实现了共享数据的整合以及故障设备的快速更换，即通过将软件转移到另一台设备上最小化停机时间。因此，公司声称资产管理工作量减少了80%。 用例数据要求和数据可访问性 / 安全性 为了最大化内部数据的可访问性，梅赛德斯-奔驰创建了其MO360数据平台。该平台将数据存储与使用解耦，所有包含的操作数据均存储在一个统一的平台上。 以结构化的方式，并可通过自助服务市场访问。这使得所有功能的用户，从生产现场到工程部门，都能迅速实现用例。高度的可访问性带来了实际成果，自推出以来两年内已有约80个用例正在使用或处于规划中。预计到2025年，运营效率将提高20%。 外部，数字孪生是一个已知的原则，用于以结构化的方式存储所有与产品相关的信息。驱动系统制造商威特斯坦拥有一个教科书级别的案例，即为所有产品配备符合Asset Administration Shell和IEC 61406 Identification Link标准的数字孪生，并通过数据矩阵码或集成到智能产品中进行访问。在整个生命周期中，从开发到售后服务，数据被跟踪，从而实现优化的产品设计、安装、现场性能和可持续性。 同时，为了最大化数据的信任度，德国跨国公司西门子将其Trusted Traceability解决方案扩展到了一个基于区块链的安全基因alogy树概念。该区块链中包含例如加工、制造和组件在