数字化第 6 步｜数字化运营和流程自动化
时间：2019-12-05 来源：新闻网 人浏览 -
机器在业务流程中得到越来越多的运用。人与机器将会一起设计业务，共同制定总体业务战略，并增强关键的单个流程。
机器可以完成人类的工作：感知（使用廉价的数据传感器），记住（使用云和数据湖），做出决策（使用AI和高级分析），在现场（通过移动设备）提供输入并采取行动（利用机器人）和自动驾驶汽车。所有这些都可能在不远的未来实现。
一旦开发完成，机器和AI自动化或增强的流程将胜过人类，因为它们更便宜，也更坚固。最重要的是，与仅靠人工操作相比，从这些过程中获得的学习将更加系统和有效地被捕获。学习的速度将使采用这些流程的组织获得真正的竞争优势。
随着机器和AI流程接管公司的运营，人类的角色将发生变化。人们将创造更多新的工作机会来设计增强/自动化流程，并不断对其进行改进。随着时间的流逝，我们期望看到从人为操作的过程向人为设计和审核的过程的转变。但是，要使AI或高级分析正常工作，他们需要“训练”一组数据。
未来工厂中的AI——机器中的幽灵人工智能（AI）是商业技术中的热门话题，工业公司已经注意到这一点。正确部署AI技术组合，生产商可以提高效率、灵活性，加速流程，甚至实现自我优化的运营。BCG分析发现，使用AI可以将生产商的成本降低多达20％，其中高达70％的成本降低源于更高的劳动力生产率。
生产者可以使用AI开发和生产针对特定客户的创新产品，并以更短的交货时间交付这些产品，从而产生更多的销售。因此，AI是未来工厂不可或缺的一部分，其先进的技术将增强工厂结构和流程的灵活性。
全球和各个行业的公司都在探索在其业务中应用AI的可能性。然而，一些高管仍然对AI能否兑现其承诺的利益表示怀疑。为了更好地迎接机遇和挑战，BCG最近针对人工智能的期望以及人工智能在工业运营中的采用状况做了一次研究。
BCG的研究重点是对来自全球多个生产行业的1000多名高管和经理进行调查。总体而言，我们发现生产者期望AI成为提高生产力的关键杠杆，但事实差强人意。这很大程度上是因为许多公司缺乏AI的四个关键推动因素：战略（包括全面的路线图）、执行的治理模型，员工能力以及IT基础架构。
调查显示，运输和物流、汽车和科技公司处于采用AI的最前沿，而流程行业（例如化学药品）则落在其后。与日本、法国和德国等国家/地区的同行相比，美国、中国和印度的公司在采用率方面取得了令人瞩目的领先地位。各国对AI采纳速度的差异反映了对AI收益的不同期望。
调查结果表明，工业生产商要想实现AI的雄心壮志，就必须加大执行力度。光靠技术是无法实现的。为了充分发挥AI的潜力，公司必须在组织层面考虑所有必要的推动因素。
AI使计算机和机器能够以智能方式执行任务，帮助生产者确定实现目标的最佳操作顺序，并使他们能够实时远程管理操作。
人工智能在运营中的基础作用许多行业领导者期望AI在价值链中端到端地转变流程，包括工程、采购、供应链管理、工业运营（生产和相关功能）、市场营销、销售和客户服务。最近的一项研究表明，工业公司的高管认为运营是受AI影响最大的领域。
虽然人工智能是工业4.0的主要技术组成部分之一，但提高生产力的杠杆不是通过发展人工智能取代人工来实现。此外，生产商可以应用人工智能来增强传统的效率杠杆，例如自动化和精益管理。
例如，通过识别质量问题的根本原因，从而帮助消除缺陷，人工智能支持精益管理工作以减少浪费。实际上，我们的研究参与者中有40％的人期望AI成为2030年生产力提高的非常重要的推动力，而29％的人认为AI对当今生产力的提高非常重要。（见图1）
采用AI将大大改变劳动力的组成，降低转换成本，因为它减少了生产流程中对手工劳作的需求。例如，当今需要大量人员参与质量控制有关的任务将高度自动化，并具有广泛的AI支持。但是，即使消除了现有工作，也会出现需要与AI相辅相成的技能的新工作机会。总体而言，调查参与者对期望AI的净效应将是总劳动力的减少表示出一些偏见。
来自中国公司的调查受访者认为采用AI会大大减少他们的总劳动力（反映出替代是对低技能工人的替代），而德国公司的受访者则期望，如果有的话，其技术水平更高的劳动力也会减少。
人工智能的用例AI代表了工厂的范式转变（长期形成的思维习惯、价值观的改变和转移）。如今的工厂通过树立规则来自动化流程和机械设备，而如今的机器人编程解决了一组固定的场景。
相比之下，未来的工厂将使用AI来自动化流程和机械设备，以通过做出明智的决策来应对不熟悉或意外情况。结果，技术系统将更加灵活，适应性也更强。
例如，在基于规则的方法下，机器人无法从未分类的零件箱中识别和选择所需的零件，因为它缺少应付零件的多种可能方向所必需的详细编程。相反，AI机器人可以从未分类的物料中挑选所需零件。
在调查参与者中，有37％将生产定为工厂运营领域，其中AI是提高生产力的最重要手段，而25％将质量评为最高，12％选择物流。AI用例能实现机器的自我优化、检测质量缺陷和预测效率损失。
尽管各个公司会发现不同的用例特别有价值，但生产者只有通过应用AI并跨职能跨供应商和客户集成数据池才能获得全部收益。
工厂外：
在工厂之外，工程和供应链管理是AI最重要的应用领域：
工程：生产者可以使用AI促进研发工作，优化设计，提高对客户需求和期望的响应速度并简化生产。AI支持生成设计，其中算法根据定义的目标和约束探索所有可能的方案。通过迭代测试和学习，AI算法可以优化设计，并提出可能对人脑而言非常规的解决方案。一些航空航天公司正在使用生成设计来开发具有全新设计的飞机部件，如仿生结构，其功能与传统设计相同，但重量却大大减轻。 供应链管理：需求预测是在供应链管理中应用AI的关键主题。通过更好地预测需求变化，公司可以有效调整生产程序并提高资源利用率。AI通过分析和学习与产品发布、媒体信息和天气状况相关的数据来支持预测客户需求。一些公司使用机器学习算法通过将来自仓库和企业资源计划（ERP）系统的数据与客户见解进行整合来识别需求模式。工厂内：
在行业内部，人工智能将为生产以及维护、质量和物流等功能带来各种好处：
生产：我们的研究涵盖了整个生产环境，包括连续过程（例如用于生产化学品和建筑材料的过程）和离散生产（例如组装任务）。在所有环境中，生产者都将使用AI来降低成本并提高速度，从而提高生产率。他们还将使用AI来提高灵活性来应对生产的复杂性，如生产客户定制产品。人工智能将使机器和单元成为自我优化的系统，通过不断分析当前和历史数据，实时调整参数。保养：生产者将使用AI来减少设备故障并提高资产利用率。AI支持预测性维护，例如，通过根据磨损的实际情况更换磨损的零件来避免故障。AI将不断分析并学习机器和单元产生的数据（例如，传感器数据和产品组合）。质量：生产者可以使用AI来帮助尽早发现质量问题。视觉系统使用图像识别技术来识别产品特征中的缺陷和偏差。由于这些系统可以不断学习，因此它们的性能会随着时间的推移而提高。汽车供应商已开始将视觉系统与机器学习算法一起使用，以识别存在质量问题的零件，包括用于训练算法的数据集中未包含的缺陷。人工智能还可以持续分析机器和生产环境生成的数据并从中学习。例如，AI可以将钻孔机的设置与材料特性和行为进行比较，以预测钻孔超过公差等级的风险。 后勤：我们的研究重点是工厂内部物流和仓储，而不是外部供应链上的物流。人工智能将实现行业内部的自动移动和有效的物料供应，这对于管理随着制造多种产品变型和客户量身定制的产品而变得日益复杂的情况至关重要。在工厂和仓库内运输物品的自动驾驶汽车将使用AI感应障碍物并调整汽车路线以实现最佳路线。卫生保健设备的生产商已开始在维修中心使用自动驾驶汽车。无需依靠磁条或传送带的引导，如果车辆遇到障碍物就可以停车，然后自主确定最佳路线。机器学习算法将使用物流数据，例如有关物料流出和流入，库存水平和零件周转率的数据，以使仓库能够自我优化其运营。例如，一种算法可能会建议将需求量低的零件移动到更远的位置，并建议将需求量高的零件移动到附近的区域，以加快访问速度。一些AI用例适用于多个操作领域。例如，能够进行语言生成和处理的虚拟代理（类似于Apple的Siri和亚马逊的Alexa）将为运营商提供来自IT系统的特定于上下文的信息。一些公司已经在使用按声音拣货系统来处理拣货，包装，接收和补货操作。在这些应用中，连接到ERP系统中物料清单的语音系统将操作员引导至正确的料仓。
AI系统将根据事件报告（例如照片和书面报告）为事件（例如机器故障、质量偏差和性能损失）提供解决方案，并不断进行分析和学习。飞机制造商已经使用了一种自学式算法，该算法使用事件报告来识别生产问题中的模式，然后将当前事件与过去的类似事件进行匹配并提出解决方案。
在研究参与者中，对上述每种用例到2030年将变得非常重要的期望范围为81％至88％，但认为该功能已在多个生产领域中得到充分应用的信念相当低（6％至8）。％）。图表2概述了被调查者对未来工厂最重要的用例。
野心与现实之间的鸿沟许多公司计划很快就应用AI。研究发现，中国、印度和新加坡的公司对在生产中短期应用AI野性最大。在接受调查的离散行业中，医疗保健和能源是近期最雄心勃勃的行业，加工行业和工程产品紧随其后。
参与研究的大多数公司都表示，他们认为AI越来越重要。但是，他们的投资、计划和应用并没有达到他们的目标。尽管87％的研究参与者表示计划在未来三年内在生产中应用AI，但只有28％制定了全面的使用路线图。其余72％的公司缺乏详细的计划，32％的公司正在测试选定的用例，27％的公司仅具有初步想法，13％的公司将AI取消优先级或尚未考虑。
使用程度有限反映了全面计划的不足，也显示了雄心与现实之间的巨大差距。
过去，只有约50％的公司在应用AI用例时实现了目标。因此，如今只有约16％的公司在多个工厂区域完全应用了一个以上的AI用例，根据我们对AI使用的定义，这项成就使他们有资格成为早期使用者。
在我们研究的12个国家中，采用率较高的公司所占的百分比为：美国（25％）、中国（23％）和印度（19％）最高，而后依次为日本（11％）、新加坡（10最低） ％）和法国（10％）。（参见图表3。）在接受调查的德国公司中，只有15％是早期采用者。
美国公司的高采用率可能反映了那里AI技术的广泛可用性。即便如此，中国在人工智能方面的资金投入已超过美国，去年占了全球人工智能初创公司投资总额的近一半。
同样在2017年，中国国务院发布了《下一代人工智能发展计划》，制定了三阶段发展战略，以实现到2030年人工智能的卓越地位; 北京附近的天津市政府宣布了一项50亿美元的基金，以支持AI产业。同样，其他新兴国家（如印度）也认为采用AI对于保持其制造业具有国际竞争力至关重要，并已在AI上进行了大量投资。
相比之下，日本等一些工业化国家仍将重点放在常规杠杆上（例如，在我们研究的八个行业中，运输和物流（21％）和汽车（20％）在采用率较高的公司中所占比例最高，而工程产品（15％）和加工行业（13％）则滞后背后。（参见图4）这些差异反映了行业对数字化的不同起点和相似性。汽车和技术公司跻身最先进之列也就不足为奇了。其他行业尚未学习到许多数字策略，这些策略多年来已成为这些行业价值链的组成部分。
公司招聘人数也会影响AI的应用。与大型企业相比，小型企业更不可能成为早期采用者-也许是因为小型公司通常预算有限、精力不够。尽管近来技术的进步以及数据存储和数据处理成本的下降将降低为AI投资提供资金的门槛，但总体能力差距可能仍将持续。
缩小差距
四个促成因素对于AI在运营中的成功应用至关重要：战略和路线图，治理模型，员工能力以及IT基础架构。与落后的公司相比，早期采用者在使AI支持者充分发挥功能方面取得了显著进步。（见图5）
战略和路线图：为了提供AI的使用指导，公司需要制定清晰的战略。人工智能策略应专注于最有价值的用例（那些可以满足公司特定业务需求和挑战的用例），并使它们与公司的整体数字战略保持一致。公司还需要明确的使用路线图，以建立业务案例和可衡量的投资目标。调查者认为拥有明确的AI经营策略最为关键。
治理模型：管理层的清晰承诺对于实现潜在的改进很重要。高层管理人员应使用结构化的沟通方式，以确保对组织内的AI有清晰的了解。公司应为AI应用建立明确的角色和职责，并设计清晰的组织结构。有效协作和沟通对于克服文化对应用AI的抵制至关重要。
员工能力：要采用AI（通常是数字化），公司必须拥有在编程、数据管理和分析等方面有较强技能的员工。公司还应该对其所需技能有清晰的认识，并应评估这些需求与员工当前拥有的技能之间的差距。
对于诸如了解运营中的AI基础知识等主题，员工可以通过公司内部或外部培训计划获得所需的技能。对于需要更正式的与IT相关的学习课程的主题（例如高级分析），公司必须雇用新型的工作者，包括数据科学家。
在研究参与者中，有93％报告称其公司内部没有足够的能力来在运营中应用AI。超过四分之一（29％）的人表示，他们的公司增加了AI专用员工的数量，而近一半（47％）的员工预计这一数字将在未来几年增加。
IT基础设施：应用程序编程接口和网络标准促进了旧版IT系统和机械设备的互操作性，这对于AI应用的成功至关重要。一般而言，网络安全是使用AI和Industry 4.0的从业者的另一个重要关注点。
在应用AI时，公司应考虑采用敏捷的工作模式，使其能够根据需求的变化调整其策略和路线图。在应用AI技术时，该公司应该采取快速失败，最小可行产品的方法，在这种方法中，它会在小规模范围内测试新想法，然后在致力于全面推广之前先进行快速迭代以完善它们。与落后的公司相比，早期采用者更可能采用这种敏捷的工作模式。
该研究的发现指出，工业公司以及工业机械和自动化生产商都需要采取行动。
对机械和自动化领域的影响
为了赶上应用AI的竞争，工业公司应采取结构化的三步走方法：
评估现状：公司应首先评估其痛点和AI成熟度，然后再将其当前状态与同行或行业平均水平进行比较。由于强大的IT基础架构对于AI应用至关重要，因此公司必须评估其IT操作的当前状态。进行车间评估的一个先决条件是在移动设备上拥有评估主题和基准的存储库。
选举推动者：公司应制定一份完整的AI用例清单，以解决检查期间发现的痛点。所有利益相关者都应在研讨会上开会，深入讨论用例并确定应优先考虑的用例。在评估优先使用案例的财务和非财务收益时，公司应计算业务案例以进行投资。在此阶段，来自具有量化收益和所需投资经验的AI专家的意见非常有价值。在确定了优先使用案例之后，该公司可以为运营中的AI制定目标图片并创建应用路线图。
公司的治理模型应明确界定AI应用的角色和职责，并应建立一致的组织结构。该公司还需要将其现有员工的资格与应用AI用例所需的资格进行比较，并确定如何缩小差距。此外，它应该定义用例实现的IT要求，并开发第二个治理模型以进行有效和高效的数据管理。具有AI专业知识的数据科学家和IT专家应参与定义需求。
测试和扩展解决方案：公司应在工厂的特定部分测试AI用例。为了加快这一过程，它应该在定义愿景和建立推动力的同时启动其第一个试点计划。每个飞行员的目标应该是快速开发一个最小可行的解决方案，然后通过敏捷开发方法，通过多次迭代来改进飞行员的设计。通过与飞行员互动，员工可以体验AI用例的触感。为了给飞行员提供便利，该公司必须能够使用能够快速产生影响的技术工具，例如资产监控传感器和智能眼镜。公司应扩大已在试点中成功测试的解决方案。最后，为充分发挥AI的潜力，公司应全面实施集成解决方案。