概要：每個製造商都有潛力將機器學習集成到自身的業務上，並通過獲得可預測性的洞察投入生產從而使企業變得更具有競爭力。
機器學習的核心技術與製造商每天要面對的複雜問題相一致。從努力保持供應鏈的高效運行，到按時生產專門定製的產品，機器學習算法有能力在生產的每一個階段帶來更高的預測準確性。許多正在開發的算法都是疊代的，旨在不斷的學習，以尋求最優化的結果。這些算法以毫秒為單位進行疊代，使製造商能夠高效的尋求優化結果。
正在變革製造業的機器學習方法包括以下10個：
1.產品生產量增加了20％，而材料消耗率只降低了4％。
智能製造系統旨在利用預測數據分析和機器學習提升機器、生產單元和設備水平的綜合收益率。下面是通用電氣引自國家研究所標準（NIST）提供的圖表摘要，列出了當今製造業中正在使用的預測分析和機器學習的優勢分析。
Focus Group: Big Data Analytics for Smart Manufacturing Systems
2.提供了更多的相關數據，以便財務、運營和供應鏈團隊可以更好地管理工廠和需求方面的制約因素。
在許多製造企業，IT系統並不集成，這使得跨職能的團隊很難實現共同的目標。機器學習可以為他們的團隊帶來一個全新水平的洞察力和智慧，使他們優化生產流程、庫存、WIP和價值鏈的決策目標成為可能。
GE Global Research Stifel 2015 Industrials Conference
3.通過對組件及級別提供更高的預測準確度，以改善預防性維護和保養、修理和大修（MRO）的表現。
亞馬遜、谷歌和微軟的公告顯示，集成機器學習資料庫、應用和算法到雲平台正在變得無孔不入。下圖說明了機器學習整合到Azure平台的過程。微軟正在通過Microsoft Azure製造業務的自動化方面，使Krones能夠實現其工業4.0的目標。
Enabling Manufacturing Transformation in a Connected World John Shewchuk Technical Fellow DX, Microsoft
4.啟用狀態監測流程，它可以為製造商提供規模管理，並將整體設備效率（OEE）在平均性能上從65％提高到85％。
一家汽車OEM為了提升生產效率與Tata諮詢服務公司合作，該公司生產過程中已經明顯出現了衝壓生產線的整體設備效率（OEE）低至65％，與斷裂時間點只差17-20個百分點的現象。進行了對傳感器數據中15個操作參數的集成（如油壓、油溫、油的粘度、油泄漏和空氣壓力等），這些數據來自於12個月間每15秒對設備數據的收集。該解決方案的組件如下所示。
Using Big Data for Machine Learning Analytics in Manufacturing
5.機器學習正在變革與智能的關係，Salesforce正在迅速成為領導者。
Salesforce的一系列收購造就了他們在機器學習和人工智慧（AI）領域的全球領導者的地位。Cowen和公司研究報告中指出，Salesforce：起步早；2016年6月23日順利發布的增長引擎總結了一系列Salesforce對機器學習和人工智慧的收購，其次是新產品發布，並對預計營收貢獻進行了分析。由Alex Konrad進行分析的價值28億美元的 Salesforce最近對電子商務提供商Demandware的收購是他最拼的動態，Salesforce將獲得Demandware 的28億美金進軍數字商業。隨著Demandware出售成為一個重要的貢獻者，Cowen和公司預測雲商務部將通過FY18貢獻出3.25億美元的收入。
機器學習算法上的革命化產品和服務質量，確定了哪些因素最多和最少的影響全公司範圍內的產品質量。
製造商通常都面臨著生產產品和服務要匹配於公司核心部分水平的挑戰。通常，質量是單獨的。機器學習是通過確定內部流程、工作流和因素貢獻對目標質量得到滿足的多少，成為革命性的產品和服務質量。使用機器學習製造商將能夠通過在定義、測量、分析、改進和控制（DMAIC）框架內預測其質量和採購決策是如何協助提高Six Sigma水平的，這將有助於實現更強大的製造智能。
機器學習已經應用於通過優化團隊、機器、供應商和客戶的要求來提高生產產量。
機器學習已經在當今的航空航天與國防、分立元件、工業和高科技製造業等方面做出顯著影響。製造商正在利用自己的生產能力轉向生產更複雜的、定製的產品，並通過機器學習做出對機器、訓練有素的員工和供應商的最佳選擇。
8.「製造業是一種服務」的願景將成為現實，這得益於機器學習使訂閱模式為生產服務。
生產工藝旨在支持快速、高度定製化生產運行的製造商，由其良好的地位推出全球規模服務訂閱率的新業務。包裝消費品（CPG）、電子產品供應商和零售商的製造成本飛漲，使他們將不得不訂閱製造服務，並在品牌、營銷和銷售上投入更多的精力。
9.機器學習非常適用於優化供應鏈和創造更大的規模經濟。
對於許多大型的生產廠家，他們70％以上的產品銷售來源是首先滿足顧客需求的小型供應商。使用機器學習，買家和供應商可以更有效地協作，減少缺貨現象，提高預測的準確性，並達到或提前於更多客戶的交貨日期。
給固定客戶在合適的時間設定合理的價格，以獲得最大的利潤和封閉銷售，將是機器學習的家常便飯。
機器學習正在擴展服務到提供企業級的價格優化應用程式。其中最顯著的差異將是如何根據給定策略優化定價，從而達成交易並加快銷售周期。
2016/07/04 來源：CSDN博客
-- 
No comments:
Post a Comment