在最近一项关于人工智能的制造业实际调查中，44％的汽车和制造业受访者认为AI在未来五年内对制造业的“非常重要”，而近49％的人表示是“成功的关键。”
制造商实际上可能认为人工智能非常复杂和昂贵，需要整个公司的端到端系统才能正常工作，这意味着对整个IT / OT操作进行了昂贵的改造。实际情况是，人工智能更加专注和可实现。AI可以在工厂车间工作，结构最少，并通过工业物联网与机器连接。
在实现AI时，OEM需要了解的第一件事是零用例的用例类型。制造车间的大多数边缘机器正在重新组装，以通过无线传感器发送数据，作为物联网的一部分。然后，这些数据将输入到软件套件中以进行“处理”。数据馈送过程将成为一个持续创建不断扩展的数据网络的过程。所有这些数据都可以存储在云端以获取洞察力，从而使AI驱动的模型成为可能。
以下三个用例可以帮助消除制造商对AI功能的疑虑：
1.机器正常运行时间
消费品包装生产线以24×7的速度运行，生产数百万种不同尺寸的纸箱，用于包装不同的消费品。在没有任何故障或任何质量问题的情况下继续生产它们至关重要，速度和质量至关重要。手动监控容易出错，成本高且效率低下。
通过IIoT系统收集的数据通过定制的可视化和警报提供关于生产线吞吐量和设备故障的24/7实时洞察。AI最终可以帮助您理解您将要收集的大量数据，此数据在边缘网关上处理，以便快速识别异常并发送即时警报。较大的数据汇总在基于云的物联网平台中，用于进一步的预测分析和定义的基于行为和规则的模型。系统将提供自定义仪表板并报告机器空闲时间，故障原因代码和总体OEE数据。这样，管理就能更好地规划操作，以避免机器空闲时间并应用预测性维护。
2.成本优化
作为一个过程，在远程油井中，当油和水被泵入油罐时，需要测量油和水的水平。关于这样的石油钻探业务，明确需要通过利用IIoT数据来更加经济地延长边际油井的使用寿命，从而持续进行成本优化。鉴于石油产量不高，最大问题是井没有产生足够的油来值得在数据传感器上进行统一投资，并且必须为它们降低成本模型。这些井也位于远处，增加了成本和时间的挑战。这些井的传感器安装成本也非常高，增加了60％的成本。对于较小的操作和更偏远的废弃井，快速的ROI是证明物联网实施合理性的关键。
为多个油井建立了一个用于存储和处理所有机器数据的IIoT软件平台。它创建了一个“数据库”，相关数据存储在云中。使用AI驱动的机器学习分析的数据已成为专注于业务的定制应用程序的推动者，该应用程序专门用于评估井性能，并通过AI分析进行状态监控。因此，所有利益相关者都可以获得特定的报告，并且优化了汽提井的正常运行时间和性能。
流量卡之家认为，在考虑人工智能如何提高制造智能时，关键是从一个可实现的方向开始，如此处的三个用例所示。无论是希望实现机器正常运行时间，降低成本还是提高运营效率，通过云托管数据进行机器学习都可以发挥重要作用。
