制造业的处境并不令人羡慕。 面临成本压力、供应链波动以及 3D 打印和物联网等颠覆性技术的持续冲击。 行业必须不断优化流程、提高效率、提高设备整体效能。
与此同时，还有巨大的可持续性和能源转型浪潮。 人们呼吁制造商减少碳足迹，采用循环经济实践，并总体上变得更加环保。
制造商面临着不断创新、同时确保稳定性和安全性的压力。 营销活动中人工智能预测不准确是一个小麻烦，但制造车间中人工智能预测不准确可能是致命的。
技术和颠覆对于制造商来说并不新鲜，但主要问题是理论上行之有效的方法在实践中往往会失败。 例如，作为制造商，我们创建了一个知识库，但如果不花费数小时搜索和浏览内容，任何人都无法找到任何内容。 或者我们创建了一个数据湖，它很快就会退化为数据沼泽。 或者我们不断添加应用程序，因此我们的技术债务不断增加。 但我们无法使我们的应用程序现代化，因为多年来开发的逻辑隐藏在那里。
解决方案在于生成人工智能
让我们探讨一些最受关注的功能或用例：
1. 总结
总结仍然是生成式人工智能 (gen AI) 技术的首要用例。 结合搜索和多模态交互，gen AI 成为一个很好的助手。 制造商以不同的方式使用汇总。
他们可以用它来设计一种更好的方法，让操作员从庞大的操作手册、SOP、日志、过去的事件等存储库中快速有效地检索正确的信息。 这使员工能够更加专注于自己的任务并取得进展，而不会出现不必要的延误。
IBM® 拥有专注于制造业的新一代人工智能加速器来实现这一目标。 此外，这些加速器预先与各种云人工智能服务集成，并为其领域推荐最佳的 LLM（大语言模型）。
总结在恶劣的操作环境中也很有帮助。 如果机器或设备出现故障，维护工程师可以使用gen AI根据维护手册和工艺参数分析快速诊断问题。
2. 上下文数据理解
数据系统经常给制造企业带来重大问题。 它们通常是不同的、孤立的和多模式的。 由于遗留知识的深度、不完整的文档以及几十年来产生的技术债务，创建这些系统的知识图的各种举措仅取得了部分成功。
IBM 开发了一个由人工智能驱动的知识发现系统，该系统使用生成式人工智能来解锁新的见解，并利用情境化的工业数据加速数据驱动的决策。 IBM 还开发了一个用于工业领域上下文感知特征工程的加速器。 这样可以实时了解流程状态（正常/异常），减少频繁的流程阻塞，并检测和预测黄金批次。
IBM 构建了一个劳动力顾问，该顾问使用摘要和上下文数据理解以及意图检测和多模式交互。 操作员和工厂工程师可以使用它来快速定位问题区域。 用户可以通过语音、文本和指向来提出问题，生成人工智能顾问将对其进行处理并提供响应，同时了解上下文。 这可以帮助用户更快地进行根本原因分析，从而减轻用户的认知负担，从而减少他们的时间和精力。
3. 编码协助
Gen AI 还可以帮助编码，包括代码文档、代码现代化和代码开发。 作为 gen AI 如何帮助实现 IT 现代化的示例，请考虑 Water Corporation 的用例。 Water Corporation 采用了由 IBM gen AI 功能提供支持的 Watson Code Assistant，帮助他们过渡到基于云的 SAP 基础设施。
该工具通过使用基于自然语言输入的人工智能生成的建议来加速代码开发，从而显着减少部署时间和体力劳动。 借助 Watson Code Assistant，Water Corporation 将开发工作量和相关成本减少了 30%，同时保持了代码质量和透明度。
4、资产管理
Gen AI 有能力改变资产管理。
生成式人工智能可以为资产创建基础模型。 当我们必须预测同一流程的多个 KPI 或存在大量类似资产时。 最好开发一种资产基础模型并对其进行多次微调。
Gen AI 还可以进行预测性维护培训。 如果故障数据很少，基础模型就非常方便。 传统的人工智能模型需要大量标签才能提供合理的准确性。 然而，在基础模型中，我们可以在没有任何标签的情况下预训练模型，并使用有限的标签进行微调。
此外，生成式人工智能可以提供技术支持和培训。 制造商可以使用 gen AI 技术为操作员和技术人员创建培训模拟器。 此外，在修复过程中，人工智能技术可以提供指导并生成最佳修复程序。
利用生成式人工智能构建新的数字能力
IBM 相信，生成式 AI 技术所提供的敏捷性、灵活性和可扩展性将显着加速制造业的数字化计划。
生成式人工智能为企业的业务战略核心提供支持。 两年内，基础模型将为企业环境中约三分之一的人工智能提供支持。
在 IBM 应用基础模型的早期工作中，实现价值的时间比传统 AI 方法快了 70%。 生成式人工智能使其他人工智能和分析技术更易于使用，从而帮助制造企业实现投资价值。
利用生成式人工智能构建新的数字能力
本文是否有帮助？
是的不
