北京华恒智信人力资源顾问有限公司English
咨询电话: 400-818-7856 官方微信

扫一扫,关注华恒智信,共同分享专业的人力资源管理方法和工具,与顾问专家面对面!

德国专家:传统企业寻求变革 向智能制造靠近

发布时间:2018-07-04 , 发布人:华恒智信分析员

6月1日,以“深度视野,对话未来”为主题的首届“中新人工智能高峰论坛”在新加坡•南京生态科技岛召开。本届高峰论坛由南京市人民政府、新加坡企业发展局、江苏省经信委、江苏省商务厅、江苏省人民政府外事办公室作为指导单位,南京市商务局、南京市建邺区政府、中国人工智能学会主办。
论坛上,德国、深知无限人工智能研究院院长、首席科学家,德国人工智能研究中心科学董事汉斯•乌思克尔特教授带来主题演讲:“德国工业4.0与中国AI产业发展的机遇与挑战”。
在演讲中,汉斯•乌思克尔特详细介绍了AI在工业上的概念和具体案例。他讲AI+工业原理分为三层,由内到外分别是,生产层、运行层和数据结合层。经由这三层,智能制造创造了巨大生产力。
以下是汉斯•乌思克尔特的演讲全文,亿欧在不改变原意的基础上进行了删减。
大家下午好!我在AI领域已经工作了有30多年了,使用了不同的应用,我想要跟大家分享智能制造的一个理由是因为它跟我的背景有一点关系。
首先,我会给大家介绍一下AI的一些工业应用。然后再给大家介绍工业4.0和智能制造,接下来我会简单地给大家介绍一些机器学习和深度学习,还有一些未来的展望。
在过去的十年,我建立了一个德国人工智能中心。随着AI变得越来越流行了。除了传统的IT公司,比如SAP,软件公司,微软公司等。渐渐,很多制造的企业也加入进来比如Facebook、宝马、博世、空客等。他们都是机器制造的公司,在过去的一年,这些制造企业不断地要求我们帮助他们进行变革,把他们的公司转型成一个现代化的数字驱动的公司,能够让他们使用工业4.0。
关于智能工厂,我们一共有三层。
首先,核心层,也就是智能工厂,或者说生产本身,AI在这里也能够发挥一些作用。主要概念就是通过物联网把机器联系在一起,AI根据这个传感器上传的数据来进行分析,这就是核心。
实际上,这个机器与之前的制造工厂,比如说iphone、汽车工厂、手机工厂是不一样的。区别在于,他们很多的解决方案并不是泛泛的,而是具体的。此时我们使用了一些机器人,有一些工人他们的工作已经也不再严格分工了,这就形成了工人与机器人之间进行通信,互相沟通的需求——这是智能工厂的一个核心的部分——也就是网络和实体的系统互相联系起来,即用物联网,把处理器和传感器联系在一起。
其次,有个非常重要的概念——“数字双胞胎”(指以数字化方式拷贝一个物理对象,模拟对象在现实环境中的行为,对产品、制造过程乃至整个工厂进行虚拟仿真,从而提高制造企业产品研发、制造的生产效率。)。这样一来,整个制造流程、数字产品以及系统,都有一个孪生的数字化镜像。有一些产品本身就可以让机器下达指令,从而为生产制定一个计划,对于一些中度的自动化的生产,实现人机互动,AI驱动优化的产品和流程、预防性维修,预测能耗的目标。
第二层,除了纯生产之外,我们还有运行的服务。比如说公司内部的移动性出行,还有智能的物流、智能的建筑、智能的产品和智能电网。由于有“数字双胞胎”,如果你对流程、产品和手册进行编码的话,这将会是一个非常非常复杂的内容,再加上培训,供应商、合作伙伴服务这些数据进来,体量非常庞大,因此我们需要对运行服务进行重新的设计。
最后,我们来看最外面的一层——数据结合。最外面的一层是通常被人们所忽视的,但实际上它决定一个公司成败与否。为什么呢?因为大部分最重要的那些数据来源于公司以外,比如你的客户、合作伙伴、供应商、监管当局、技术合作提供商、媒体、投资商以及股东,还有你的竞争对手。这就意味着说,我们最大的一个挑战是要把所有的数据,也就是智能工厂内部的数据与外部的数据进行结合。
要了解外部的数据是非常复杂的。因为那些外部数据的来源,并不能把数据以这种结构式的方式给你,你拿到的通常都是非结构性的数据。你需要把内外部的数据结合到一起。如果你能解决这个问题的话,你才有客户关系管理,或者说,你的供应链就比较的智能了。智能实际上意味着我们要使用互联互通,要使用物联网,使用大数据,要使用分析,要使用商业的情报,当然还要使用AI来帮助你不断地去优化整个的流程。不仅仅是优化,这个系统还能告诉我们,这些问题是否解决了。
我们为什么要使用外部的数据和知识?首先,这取决于我们到底要实现什么样的目标?要监督流程,获得早期预警,审视是否出现偏差,如果有偏差的话我们要早期介入,帮助我们尽早决策。举个例子,我们的合作伙伴之一——西门子,他们已经采取了我们主要的设备,也就是我们的公司出产的一个知识路线图。我们要做的事情是,希望从外部获得知识,与公司的图谱结合,可以知道我们生产的地点在什么地方,使用什么样的技术,在全世界各地有什么样事件的发生。再把这些信息和我们企业内部的信息结合到一起,这就形成企业的知识图谱。
不要低估这些知识。举例来说,《大英百科全书》这是世界上最丰富的《百科全书》,但这也只是它的打印版。如果你把所有知识都打印出来,应该有多大的量呢?包括维基百科在内的百科来源,都在慢慢地转化为一些结构的数据。实际上很多的知识现在正在经历着这样的一个转型:机器学习。
回到西门子的合作例子上来。西门子有19万的供应商,我们的企业知识图谱,帮助他们做供应链的观察和管理。对内外部信息进行输入、提取,在这个基础之上能够去做一些结构性的转型。就外部媒体信息而言,不仅仅包括媒体,还包括社交媒体,比方说像推特网,甚至来自铁路、警察部门、高速巡警、消防部门等。这样的一些信号整合在一起之后,我们搭建了大数据平台和研究中心。
这样的一些应用,对整个工业的流程有很大帮助。所以我们希望能够从这些未结构的信息进行学习,转化为结构的信息,并且在相应的场景下进行解读。最终希望把一些显性的知识,比如说工业的知识,行业的知识,能够通过经验来进行挂钩,使得机器学习、深度学习得以实现。如果做不到这一点,我们是无法去应对,无法满足复杂的工业现实所面临的一些需求。谢谢!
来源:亿欧网