根據(jù)Business Insider的數(shù)據(jù)，制造業(yè)即將看到物聯(lián)網(wǎng)（IoT）和AI（人工智能）應用再度大幅增長，到2027年，物聯(lián)網(wǎng)市場的年估計額將達到2.4萬億美元。

　　除了自動化和機器人等明顯的用例之外，人工智能系統(tǒng)還能夠優(yōu)化制造流程，發(fā)送早期警報，促進質(zhì)量檢查和質(zhì)量控制并預測機械設備的故障。關鍵是收集正確的數(shù)據(jù)，然后制造商可以開發(fā)創(chuàng)新的AI應用，從而使其與眾不同。

　　許多組織在其工業(yè)物聯(lián)網(wǎng)（IIoT）應用中采用了各種AI算法來做出實時決策。了解基于AI的應用中的數(shù)據(jù)是至關重要的。聚集、清理和準備獨特的數(shù)據(jù)是利用AI來優(yōu)化組織并獲得見解的最重要方面。

　　在AI工程師開始訓練他們的機器學習模型之前，他們通常只花費75％的時間來簡單地處理起始數(shù)據(jù)。請記住，要訓練在IIoT設備上運行的機器學習模型，必須具有一個或多個數(shù)據(jù)集，以反映應用上線時的實際條件。

　　創(chuàng)建數(shù)據(jù)集的過程是多部分的-從經(jīng)常收集多年的數(shù)據(jù)開始，工程師將需要確定數(shù)據(jù)的總體結構。他們需要消除數(shù)據(jù)中的任何缺陷、差異或差距，然后將這些數(shù)據(jù)轉(zhuǎn)換為算法需要與之進行有效交互的形式。

　　嵌入式系統(tǒng)的邊緣人工智能

　　邊緣人工智能是制造業(yè)整體AI開發(fā)的重要組成部分。 Edge AI在硬件設備上本地處理數(shù)據(jù)，而不是依靠通過互聯(lián)網(wǎng)連接的集中式數(shù)據(jù)庫或處理節(jié)點。

　　對于大多數(shù)物聯(lián)網(wǎng)解決方案，后端服務器通過多個設備和通過互聯(lián)網(wǎng)連接的傳感器接收數(shù)據(jù)。一臺或多臺服務器托管用于處理數(shù)據(jù)的機器學習算法，從而創(chuàng)造AI解決方案提供的任何價值。

　　這種AI架構的問題在于，許多設備可能開始超載網(wǎng)絡流量，或者您可能正在使用已經(jīng)大量使用的網(wǎng)絡。在這些情況下，將數(shù)據(jù)發(fā)送回中央服務器會導致處理時間過長，這是令人無法接受的。這是Edge AI發(fā)揮其價值的地方，因為可以在硬件設備上本地執(zhí)行較不復雜的機器學習和AI流程。

　　Edge AI對許多行業(yè)至關重要。一個例子是自動駕駛汽車，其中Edge AI可以減少電池的電量消耗。監(jiān)視系統(tǒng)、機器人技術和其他幾個行業(yè)也將從Edge AI模型中受益。

　　知識蒸餾的概念具有極大地改善Edge AI解決方案的潛力。

　　知識蒸餾通過知識壓縮的原理進行。使用諸如強化學習之類的技術，神經(jīng)網(wǎng)絡可以學習如何產(chǎn)生預期的結果。在這一點上，較小的網(wǎng)絡將學習創(chuàng)建與較大的網(wǎng)絡已經(jīng)開創(chuàng)的結果相似。較小的網(wǎng)絡規(guī)模更適合移動設備、傳感器和類似硬件等邊緣設備。知識蒸餾可以將邊緣設備的空間負擔減少多達2000％，從而減少了運行網(wǎng)絡所需的能源、物理約束以及設備本身的成本。

　　正在應用的知識蒸餾的一個實例是使用視頻源在監(jiān)視系統(tǒng)上實時檢測性別。通常，識別性別需要相當大的基于云的神經(jīng)網(wǎng)絡。但是在實時系統(tǒng)中，跳回云并不總是一種選擇。知識蒸餾可以將整個過程精簡為一個較小的網(wǎng)絡，該網(wǎng)絡可以在安裝到邊緣設備的同時準確地識別性別。如果沒有知識蒸餾技術，這可以實現(xiàn)幾種不可能的應用。

　　機器學習以進行預測性維護

　　預測性維護是機器學習和AI對制造產(chǎn)生影響的特別富有成果的領域。實際上，根據(jù)凱捷（Capgemini）的研究，將近30％的制造業(yè)AI實施與機械和生產(chǎn)工具維護相關。這使得預測性維護成為當前制造中使用最廣泛的用例。

　　基于ML的預測性維護的兩個最重要的好處是它的快速性和準確性。 AI可以足夠快速、準確地識別機械問題，以便在發(fā)生故障和故障之前進行糾正。例如，通用汽車使用安裝在裝配機器人上的攝像頭，通過使用，它能夠在5000多個機器人中檢測出數(shù)十個組件故障，從而避免了停機的可能性。

　　機器學習預測性維護方法可以使用各種模型和方法，從使用歷史數(shù)據(jù)來預測故障的回歸模型和分類模型到分析系統(tǒng)和組件以尋找應變或異常跡象的異常檢測模型。

　　用于質(zhì)量控制的計算機視覺

　　汽車和消費品行業(yè)面臨監(jiān)管機構的苛刻要求，而遵守這些法規(guī)是AI和機器學習的一大亮點。高質(zhì)量攝像機的成本每年都在下降，而AI圖像識別和處理軟件仍在不斷快速改進。因此，基于AI的檢查方法對企業(yè)越來越有吸引力。

　　特別是在汽車行業(yè)，德國汽車制造商寶馬（BMW）率先采用了這項技術。寶馬將AI應用作為檢查過程的最后一步，將新制造的汽車與訂單數(shù)據(jù)和規(guī)格進行了比較。日產(chǎn)是另一家在將AI視覺檢查模型納入其質(zhì)量檢查流程方面取得顯著進步的汽車制造商。

　　視覺檢查算法越來越受歡迎的部分原因是這些算法的發(fā)展日趨成熟。現(xiàn)在，基于神經(jīng)網(wǎng)絡的系統(tǒng)可以識別出各種潛在問題，例如裂紋、泄漏、劃痕、翹曲以及許多其他異常。根據(jù)復雜的規(guī)則映射，可以調(diào)整或調(diào)整應用程序要檢查的參數(shù)以適合給定的情況。與GPU和高分辨率攝像頭搭配使用時，基于AI的檢測解決方案在準確性和速度上可以大大超過傳統(tǒng)的視覺檢測系統(tǒng)。

　　制造業(yè)的未來

　　毫不夸張地說，制造業(yè)的未來幾乎是基于物聯(lián)網(wǎng)的AI的同義詞。在2019年，估計有80億個IoT設備，但到2027年，預計將有410億個（https://www.businessinsider.com/internet-of-things-report），增長的最大份額將在制造業(yè)。制造業(yè)中AI的估值將增長15倍以上，從目前的約11億美元增長到2026年的160億美元以上。

　　機器學習和人工智能解決方案大大提高了高效生產(chǎn)的所有標志-標準化、規(guī)模經(jīng)濟、任務自動化、專業(yè)化。因此，在未來幾年中，嵌入在物聯(lián)網(wǎng)設備中的AI將不可避免地繼續(xù)緊密地融入所有主要制造流程中。