没有哪个字比“董事会想看看我们的人工智能战略”更让制造业领导者心生恐惧。

作为一家工业维护初创公司的联合创始人，我在过去 12 个月中花了数百个小时与全国各地的一线制造团队进行交流。无论我走到哪里，都能听到对 AI 战略的需求。

制造业领导者感受到了压力；事实上，最近针对 1,200 名 IT 决策者的一项研究发现，三分之二的人认为 FOMO（害怕错过）是公司决定采用 AI 技术的一个重要因素。

虽然我相信未来五年内每个行业都将因人工智能而重塑，而且先发优势明显，但我也看到一种令人不安的模式正在出现。大多数负责在组织内推进人工智能战略的人并不真正了解人工智能是什么或它是如何运作的。这种缺乏理解导致了我所说的“人工智能陷阱”，即团队在没有正确基础的情况下匆忙采用人工智能，导致实施失败或无效。

当我们谈论制造业中的人工智能时，我们通常指的是机器学习——人工智能的一个子集，它使用算法从数据中学习并做出预测或决策。虽然像人类一样“思考”的真正人工智能尚未出现，但这些机器学习系统已经在改变行业。如果不是这么多公司在没有适当基础的情况下争先恐后地实施人工智能计划，这不会成为问题。

当面临在 AI 方面展示进展的压力时，许多领导者会默认购买现成的解决方案并将其插入现有系统。然后，他们等待奇迹发生——但通常，奇迹永远不会实现。相反，会出现以下三种情况之一：

1. 人工智能的失败令人震惊，导致公司领导完全否定了它的潜力。

2. 人工智能产生的预测看似合理，但却不准确，导致错误的决策和对人工智能可行性的怀疑。

3. 人工智能得出的结果看似合理，但缺乏可操作的见解，导致资源浪费和挫败感。在这三种情况下，结果都是一样的：人们抵制进一步的人工智能计划。这些公司对这项可能提高其竞争力的技术产生了免疫力。 

   
   

为了避免这些陷阱，制造业领导者必须首先了解其运营过程中涉及的两种主要数据类型：机器数据和人工生成的数据。

机器数据通常称为运营技术 (OT) 数据，来自嵌入在制造设备中的传感器和控制系统。此数据流提供有关机器性能、输出和状况的信息。许多公司已在物联网传感器和 SCADA 系统上投入巨资，以实时监控设备。

机器数据只是情况的一半

人工生成的数据，即来自一线团队的运营数据，同样重要，但经常被忽视。这包括维护记录、质量控制观察、轮班交接记录以及经验丰富的操作员和技术人员做出的日常决策流。这类数据包含机器无法单独捕获的关键见解和背景。

例如，传感器可能显示机器运行时温度很高，但有经验的操作员知道这台机器在潮湿的日子里运行起来温度会更高，这并不是立即引起警报的原因。

事实上，制造业中真正有效的人工智能系统需要机器数据和人类洞察力的共同作用。机器数据提供“什么”和“何时”，而人类生成的数据提供“为什么”和“如何”。

当你将机器和人类数据整合到同一个系统中时，你就可以开始识别两者之间的强大联系。例如，你可能会发现，某种操作员调整始终会带来更高的输出质量，或者机器故障与跳过特定维护任务同时发生。

只有当您的数据平台能够将“什么”和“何时”机器数据与员工的“为什么”和“如何”洞察联系起来时，才能得出这些洞察。这种情境集成使您能够从仅仅监控运营转变为真正理解和优化运营。

认识到集成的制造业领导者已经受益

他们并没有等待完美的人工智能工具的出现。

相反，他们专注于获取有关其运营的清晰、全面的数据，并以结构化和一致的方式组织这些数据。我接触过的许多制造商仍然没有这种强大的数据基础。相反，他们的运营数据不完整，分散在孤立的系统、纸质记录和资深员工的头脑中。这是大多数团队的瓶颈，因为你不能直接跳到人工智能部分。你需要先建立数据基础。

有效的数据采集需要团队合作。数据采集的工作流程需要切合实际，并基于一线员工的日常实际情况。为实现这种数据采集而实施的软件必须让员工的工作更轻松，而不是更艰难。很多时候，解决方案是由 IT 或高管买家选择的，而没有充分考虑最终用户体验。

如果软件使用起来很麻烦，或者不是为实际工作的地方（远离办公桌）而设计的，那么它就不会被使用。人类有找到解决方法的本领，无论是输入最少的信息、不一致地使用软件，还是发明一个并行的便利贴和电子表格系统。结果呢？员工沮丧，数据糟糕。

要真正从人工智能中获益，尤其是即将出现的突破，制造商需要首先建立坚实的数据基础。不应仓促实施人工智能，而应专注于以可持续的方式捕获和组织机器和人类生成的数据。 
只有这样，人工智能才能实现制造商所寻求的转型。