很少有行业能比制造业更受益于人工智能。该行业产生了大量的数据，涉及重复性的人工任务，并提出了许多传统工具无法解决的多维度问题。无论是提高质量、减少停机时间还是优化效率，AI都是解决许多复杂制造问题的完美工具。
在德勤（Deloitte）最近一份关于AI在制造业应用的调查报告中指出，93%的企业认为AI将成为推动该行业增长和创新的关键技术。然而，绝大多数制造企业必须克服很多阻碍实施AI计划的障碍。
·缺少AI人才：有经验的人工智能专业人员很难聘请，这对于所有行业的企业来说都是个难题。数据科学家通常集中在少数财富500强企业的研发部门，而雇佣这些数据科学家的成本可能是大多数企业无法企及的。
实施AI项目通常需要组件一个由数据科学家、ML工程师、软件架构师、BI分析师和中小企业组成的跨学科团队。鉴于人工智能项目的多样性和所需的大量数据处理，建立和保留这种类型的团队是相当具有挑战性的。
对于制造业来说，这个问题更加棘手，因为对于年轻人来说这个行业通常并不被认为是很酷的。此外，由于很多有经验的高级工程师即将退休，制造企业很可能面临更严峻的劳动力短缺。例如像AutoML2.0之类的技术将有助于解决这一技能差距并加速制造业数字化转型。
·数据质量和数据管理：鉴于人工智能项目对高质量数据的高度依赖，数据质量和数据管理问题至关重要。AI和机器学习工具依赖于数据来训练基础算法。获得清洁、有意义的数据对于AI计划的成功至关重要。但是，制造业数据可能是有偏差的、过时的、甚至充满错误的。尤其是生产车间、繁重的制造环境中，其特点是极端、恶劣的操作条件。
温度、噪声和振动的波动会导致传感器数据不准确并产生数据不准确。制造现场可能位于远程位置，这给数据存储带来了额外的复杂性。安全策略可能不允许与云共享数据，因此需要本地解决方案。
运营数据以多种格式分布在多个数据库中，不适合直接分析，需要进行预处理。例如，预测性维护应用程序将需要访问计算机化维护管理系统或过程历史数据库。可能还需要连接器或自定义脚本来检索和处理数据。解决方案在于利用自动化进行以AI为重点的数据准备。
·技术基础架构和互操作性：工厂车间有各种各样的机器、工具和系统，它们往往使用不同的、甚至是相互竞争的技术和产品。基础设施可能运行的是旧版本的软件，与其他系统不兼容，并且缺乏互操作性。
在缺乏标准和通用框架的情况下，客户必须仔细考虑机器与机器之间的通信，以便连接旧机器以及要安装的新传感器或转换器。一个由提供兼容组件的生态系统，使用标准规则和框架连接到ERP、MES和PLC/SCADA系统，将有助于解决互操作性问题。OPAUA正在成为工业4.0通信和数据建模的关键协议。
·实时决策：制造业中的许多应用程序对延迟都很敏感，需要超快速的响应。这些应用程序不能等待往返云端的时间来执行数据处理并获得可行的见解。必须实时做出决策，在几分钟内，有时甚至是几毫秒内立即采取行动。
如此快速的决策需要流式分析（streaminganalytics）功能和实时预测服务。实时数据处理使制造商可以立即采取措施并防止不良后果的发生。例如，使用预测分析技术进行质量分析，制造商可以识别有缺陷的组件，并进行返工或更换有缺陷的组件，防止产品召回。
·边缘部署：边缘计算的概念在制造中至关重要。更快地在数据源附近进行本地数据处理变得更加高效。实时决策和智能化的本地控制系统需要基于边缘的计算。在机器设备、本地网关或服务器等边缘设备上部署预测模型的能力，对于实现智能制造应用程序至关重要。
·信任与透明度：阻碍人工智能广泛采用的一个关键障碍是技术背后的复杂性和缺乏信任，这造成了人工智能的透明度"悖论"。虽然生成有关AI的更多信息可以带来真正的好处，但也可能带来新的风险。为了解决这一矛盾，组织将需要仔细考虑他们如何处理AI风险，生成的有关这些风险的信息，以及如何共享和保护这些信息。
对于绝大多数人来说，AI技术栈异常复杂，具有挑战性。没有数据科学背景的人很难理解预测性建模的工作原理，也不信任AI技术背后的抽象算法。透明度意味着提供有关AI流水线（pipeline）的信息，包括过程中使用的输入数据、选择的算法以及模型如何做出预测。
增加信任的一种方法是提供有关AI工作流程的细节。这包括提供将原始数据转化为机器学习的输入（也就是特征工程）的详细过程，以及ML模型如何通过结合数百个甚至更多的特征产生预测。通过深入了解预测模型是如何工作的，以及预测背后的原因，可以帮助制造企业建立信任并提高透明度。
借助AI技术工程师们可以专注于日常职责，自动化数据预处理功能使他们只需单击一个按钮即可构建预测模型。端到端的AI自动化平台可提供分析灵活性以解决多个用例，将大大改善运营人员的工作效率。标准化的预测模型提供实时预测功能，并加速了AI在制造车间边缘的部署。使制造和生产中小型企业能够利用AI以更少的成本做更多的事是加速制造数字化转型的正确方法。
