食品和饮料行业一直在转向采用更多的人工智能(AI)应用程序,以改善和解决运营效率、食品质量和安全、可持续性以及供应链挑战等问题。在最近的一次网络研讨会上,展示人工智能在食品和饮料创新中的力量sparkcognition的首席技术官Sridhar Sudarsan讨论了人工智能和机器学习(ML)如何成为解决这些问题的宝贵工具。sparkcognition是一家为工业领域(包括制造业)提供人工智能系统的供应商。
2021年制造业状况报告的调查显示,31%的制造商担心整个供应链缺乏可见性。
Sudarsan表示,在过去一年半的时间里,公司不得不认识到需求总是在不断变化,这往往会导致制造方面面临库存、生产线优化、最大限度地提高产量、最大限度地减少计划外的市中心以及提高整体效率等挑战。此外,根据为了解释人工智能如何应对这些挑战和担忧,苏达桑将供应链比作一个以制造工厂为核心的宇宙。他把上游和下游的供应链都包括在内,以闭合这个循环。供应链和工厂都涉及成千上万种不同类型的系统、数百种流程、无数资产和数百人,它们每天都与材料和产品的生产相关联,而它们之间的基本纽带就是数据。
苏达桑补充说:“仅仅生产和使用数据是不够的。这是关于以正确的方式使数据可消费和可用。而是让数据变得可操作。”Sudarsan将数据可操作的过程分为四个步骤,以及公司在这些步骤中需要考虑的因素,即数据可用性、利用数据、洞察的可用性和扩展基础设施。
1.可用数据vs.可操作数据
数据集来自各种机器、传感器、日志、维护报告、运输报告、来自摄像机的图像数据、物理文档、工人部落知识等等。通常情况下,一家公司已经掌握了暗数据。然而,可以从这些集合中收集到的原始数据,虽然是可用的数据,但并不一定是可用的。除了可用性之外,收集数据还需要金钱投资。正如Sudarsan所说,“仅仅收集大量数据并将其存储在存储系统的某个地方是不够的。收集正确的数据集很重要。”
为了在成本和回收方面提高效率,苏达桑建议采用迭代的方法,这并不一定需要升级或改变整个生产线。一家公司应该能够进行改造,以找到合适的数据来收集。尽管一家公司可能会想要花大量的钱来研究什么是正确的数据,但苏达桑的方法对此提出了警告。在快速迭代中确定关键问题,因为当问题和需求被发现时,关键领域往往会与研究结果完全不同。但请记住一个更广泛的长期目标,包括更好的当前数据管理和未来验证能力,以避免浪费金钱和资源。
蔬菜原料供应商走向数字化 |
2.利用收集到的数据生成洞察力
下一步是清理收集到的数据,使其可用于生成见解。这使得操作员、主管、工厂经理、区域经理等能够在正确的时间采取正确的行动。一家公司必须建立和使用人工智能和其他模型来处理汇总的数据,然后能够生成所需的见解。公司选择的模型必须能够快速处理并发现模式,确定异常和偏离正常的情况——正如Sudarsan指出的那样,正常情况不断变化,可以使用正常行为建模(NBM)进行监控,NBM确定了系统在特定时间的风险。
3.洞察力的可用性
然而,洞察就像可用的数据一样,如果没有在正确的时间提供给正确的人或系统,它们仍然是无用的。确保可用性的最有效方法是将AI模型集成到公司的ERP、MES或CMMS系统中。苏达桑说:“整合,这样你就不会试图破坏和取代你现有的每一个系统。
无论公司选择什么系统,苏达桑强调,它必须是一个学习系统。“就像我们不断要求我们的员工提高技能,学习和适应事物一样,我们也希望我们的系统也能这样做,”Sudarsan说。“学习系统是关键,这样当您的流程、机器等漂移时,您的模型也会继续发展。”
使用IT工具可以保护和管理运营技术吗? |
4.规模的基础设施
一旦人工智能模型在一个工厂进行了测试,或者一个地区的工厂经历了对所有公司地点和产品有用的洞察,全面推广这些变化是继续数字化之旅的下一步。苏达桑说,这可以概括为一个“良性循环”或连续循环,它由这四个步骤组成,作为一个单一单元,以“一口大小的块”进行。这既适用于规模较大的公司,也适用于那些渴望扩大业务的公司。正如苏达桑所强调的,这不是在三年或三个月内看到价值,而是通过实施良性循环方法看到立竿见影的效益。