人工智能的引入将为制造行业带来巨大的经济效益。对此，不同的调研机构给出了相关的数据参考：
●IDC数据显示，到2021年，20％的领先制造企业将通过嵌入式智能、人工智能、物联网和区块链等技术实现流程自动化，并将执行时间缩短25％
●德勤表示，机器学习可以让离散制造业的产品质量提高35％
●麦肯锡指出，那些将在未来五到七年内拥抱人工智能的企业中，有半数企业的现金流将有望增加一倍，而制造业由于对数据的高依赖性所以将领跑于其他行业
●还有数据统计，到2020年，领先的制造企业中将有60%的企业借助数字化平台为其30％的业务收入提供支持
●有机构表示，48％的日本制造企业看到了将机器学习和数字制造技术整合到运营中可能带来的更多机会，这个结果高于麦肯锡最初研究的预期
无论如何，对于制造企业来说，通过富有洞察的机器学习平台来提高产品质量和产量，提高工厂生产率，将成为下一步变革的关键。
具体来看，利用机器学习来简化生产的每个阶段——从入库供应商质量开始，一直到制造计划和订单完成——已经成为了制造业的一个优先事项。根据德勤最近的一项调查显示，机器学习将制造业的计划外停机时间减少了15-30％，生产量提高了20％，维护成本降低了30％，质量提高了35％。
那么，究竟如何利用机器学习改造生产过程？下面就让我们来看看2019年机器学习变革制造业的10种方式：
>1<
据统计预测，人工智能将给全球企业的市场营销和销售创造1.4万亿美元到2.6万亿美元的价值，给供应链管理和制造创造1.2万亿到2万亿美元的价值。对此，麦肯锡也预测，基于人工智能的预测性维护可能会给制造企业带来0.5万亿美元到0.7万亿美元的价值。
麦肯锡提到，人工智能的海量数据处理能力（包括音频和视频），将帮助企业快速识别异常以防止故障的发生。而机器学习可以检测某个特定声音是来自在质量测试中正常运行的飞机发动机，还是装配线上即将发生故障的设备。（资料来源：麦肯锡/哈佛商业评论，《人工智能的大多数商业用途将集中在两个领域》，作者Michael Chui、Nicolaus Henke和Mehdi Miremadi。2019年3月）
>2<
制造企业正在尝试通过使用云平台上的机器学习和预测分析让业务更具可持续性。比如，有部分制造企业就在使用Azure Symphony Industrial AI从模板库部署设备模型，这个模板库中包括热交换器、泵、压缩机以及制造企业常使用的其他资产。Symphony AI的Process 360 AI可以帮助用户创建流程的预测模型，其中，高级别流程将被定义为通过设备生产的物品（如化学品、燃料、金属、其他中间产品和成品），而工艺模板实例将包括氨工艺、乙烯工艺、LNG工艺和聚丙烯工艺。我们发现，流程模型有助于预测过程扰动和跳闸，而这是单独设备模型无法预测的。（来源：微软Azure博客，《使用Symphony Industrial AI实施制造预测分析》）
>3<
波士顿咨询集团（BCG）发现，制造企业使用人工智能可以将生产商的转换成本降低多达20％，同时由于劳动力生产率提高，成本降低可能达到70％。BCG发现，生产商正在通过使用人工智能来开发和生产为客户量身定制的创新产品，并在更短交付周期内进行交付，从而创造额外的销售收入。
下图说明了人工智能是如何根据BCG的分析为生产流程带来更高灵活性和规模的。（资料来源：波士顿咨询集团，《AI未来工厂》，2018年4月18日）
>4<
那些依赖重型资产的离散制造企业和流程制造企业正在利用人工智能和机器学习来提高吞吐量、改善能耗和利润。拥有重型设备（包括大型机械）的制造企业正在探索使用算法来提高产量、可持续性和良率。
麦肯锡发现，人工智能可以自动执行某些复杂的任务，并提供一致性和精确的最佳设定点，让设备能够自动运行，这对于采取一班制或者多班制的自动化制造来说至关重要。（资料来源：麦肯锡，《生产中的人工智能：重型资产制造企业的重大变革》，作者Eleftherios Charalambous、Robert Feldmann、GérardRichter和Christoph Schmitz）
>5<
基于人工智能和机器学习的产品缺陷检测和质量保证能够将制造生产率提高到50％甚至更多。机器学习在发现产品及包装异常方面有天然的优势，在提高产品质量和防止次品流出方面同样有着巨大潜力。与人工检查相比，基于深度学习的系统能够将缺陷检出率提高达90％。
如今有不少可以使用的开源人工智能环境，再加上低成本的摄像头和强大的计算机，这一切让小型企业也能够越来越多地使用人工智能进行视觉检测。在使用人工智能进行视觉质量检查的过程中，从不同角度对良品和次品进行视觉成像来创建参考示例，将为学习算法训练监督提供强大的支持。（资料来源：麦肯锡，《用人工智能（AI）变得更智能——德国工业都做了些什么？》）
>6<
机器学习有助于缓解制造业的长期劳动力短缺问题，同时寻找留住员工的新方法。如今制造业面临严重的劳动力短缺问题，每一次制造企业调查都反映出这个问题是影响制造业增长的三大因素之一。
举个例子，一家名为Eightfold的公司，他们打造了一个基于人工智能的Talent Intelligence Platform平台，该平台依赖于一系列监督和无监督的机器学习算法来匹配候选人独有的能力、经验和优势。除此之外，包括ConAgra等在内的许多制造企业也都采用了Eightfold的平台来改善招聘，发现他们配备团队和实现增长所需的人才。下图解释了Eightfold人才智能平台的工作原理：
>7<
机器学习正在帮助制造企业解决以前更多难以解决和从未遇到的问题，包括隐藏的瓶颈或者无利可图的生产线，提高车间每台机器的预测性维护精度，发现提高每台设备和相关工作流程的产量/吞吐量的方法，优化系统和供应链等等。
下图说明了机器学习是如何从设备级别开始提高车间生产率，然后扩展到工作流程及其所依赖的系统。（资料来源：麦肯锡，《制造业：分析提升生产率和盈利能力》，作者Valerio Dilda、Lapo Mori、Olivier Noterdaeme和Christoph Schmitz）
>8<
机器学习可以显着改善产品配置，以及制造商按订单生产产品所依赖的配置-定价-报价（CPQ）工作流程。比如，西门子的销售、设计和安装铁路联锁控制系统采用了人工智能和机器学习，它们可以帮助西门子从1090种潜在组合中找出最佳配置。这是机器学习所擅长的，即找出既能够满足客户需求、同时也是最有可能制造出来的产品的最佳配置。（资料来源：《西门子，知识图谱和数据思维支撑的下一级人工智能》，西门子中国创新日，Michael May，成都，2019年5月15日）
>9<
未来五年内，预计人工智能和机器学习在制造业的应用将多过于机器人技术，成为制造业的主要用例。由于算法可以提供推荐的解决方案，因此供应链操作的复杂性和局限性正在成为机器学习算法的“用武之地”。许多制造企业正在寻求进行预测性维护试点，而那些能够带来明显收入增长的试点项目最有可能被投入生产。（资料来源：MAPI基金会，《制造业发展：人工智能将如何改变制造业和未来劳动力》，作者Robert D. Atkinson、Stephen Ezell、信息技术与创新基金会）
>10<
机器学习正在彻底改变制造企业的安全策略，依靠零信任安全（ZTS）框架来保护和扩展企业的业务运营。许多制造企业正在转向采用零信任安全（ZTS）框架，以保护供应链和生产网络中的每个网络、云和内部部署平台、操作系统和应用。在这个领域有几家值得关注的公司：MobileIron，打造了一个以移动为中心的、零信任的企业安全框架；Centrify，它的身份访问管理方法可以防止特权帐户滥用，而这正是当前各种泄露事件的主要原因。Centrify最近的一项名为Privileged Access Management in the Modern Threatscape的调查显示，有74％的数据泄露事件涉及访问特权帐户。利用特权访问证书是黑客最常见的手段，让他们可以从制造企业那里获取有价值的数据并在暗网上售卖。
