客服热线：
近年来，机器学习（ML）是AI的 个子 域，它为系统提供了无需进行明确编程即可自动从经验中学习的能力，并且在几乎每个行业中都变得越来越普遍，但它才刚刚起步潜力，特别是在制造业中。由于ML模型需要大量的训练数据，因此持续的制造数字化（尤其是通过工业物联网（IIoT））为ML产生巨大影响创造了理想条件。
随着制造商继续将ML应用于其日常运营中，我希望该技术在未来的 年中可以通过以下四种方式改变行业：
改造质量控制
由于通常需要肉眼检查，因此质量控制通常由人来完成。但是，由于人类的感觉（和注意力跨度）有其局限性，因此错误仍然可能发生。机器学习减少了出错的可能性，同时改善了制造商的质量控制工作。可以训练图像识别和其他ML程序来分析产品的图像并检测异常，从而显着减少缺陷并确保正确包装和标记产品。工厂还能够有效地识别出这些缺陷的可能原因。 项涉及钢铁制造的案例研究 揭示了ML在流程早期发现缺陷时所产生的减少废物的影响，从而减少了浪费并节省了资金。
改善库存管理
库存管理是供应链管理的关键财务组成部分， 因为存储库存的成本很高。持有未售出或未交付的产品意味着要为存储空间付费，虽然这听起来似乎不是 个大问题，但其对现金流的影响可能很大- 根据Wasp Barcode的说法，通常约为 产品成本的20-30％。即使将持有成本略微降低10％，也可以将每单位成本降低2-3％。在这部分业务中，机器学习的作用是计算保留或出售存货以及增加或减少生产在什么经济意义上。这是通过监视上述供应链要素以及市场价格，持有成本和生产能力来完成的。
预测消费者需求
在当前的新型 状病毒大流行中，预测消费者需求可能会变得越来越困难，而且并不总是成功的。尽管需求预测不是 种新方法，但是通过利用AI程序，制造商现在可以以无与伦比的准确性来预测需求。机器学习模型从资源计划系统，销售点（POS）系统和社交媒体营销计划等来源中获取新的历史数据，可以突出显示哪些因素驱动需求，以及企业如何适应现场变量。可以将这些数据与其他相关变量组合在 起，包括原材料价格，供应商问题和天气干扰，以帮助您了解当前产品的热度，以及如何确保将产品移交给买 。机器学习使企业能够识别这些变量与驱动需求的特定因素之间的关系。 重要的是，与传统的预测解决方案不同，模型会不断使用新数据进行更新，从而使制造商在 变化时能够灵活地进行调整。
释放非结构化数据的力量
制造商可以利用机器学习以无数种方式更好地利用从库存到运输的核心生产数据。实际上，任何适合电子表格的制造数据（称为结构化数据）都可以输入到 机器学习软件中， 以创建能够产生积 影响的AI模型。但是，机器学习 未被赞赏的应用是分析非结构化数据-这种原始数据无法完全容纳在电子表格中，但在解锁时可能会非常有价值。例如，可以分析书面维护报告以查找设备故障的反复原因，或者可以挖掘车间的图像以查找不规则之处和其他问题。使用ML和自然语言处理 （NLP）之类的工具 ，可以像处理结构化数据 样对待这些大量信息，从而为发现问题和开发解决方案提供了更多的可能性。
机器学习使制造的每个阶段更加高效
简而言之，机器学习可以在制造周期的每个阶段（从购买原材料到维护设备）节省大量成本。由于该技术比以往任何时候都更加用户友好，因此您不需要全天候的数据科学 团队来实施它，这就是为什么 如此多的制造商将在2021年越来越多地利用ML取得重大成就的原因。
关于Ingo Mierswa博士。（RapidMiner创始人兼CTO ）
Ingo Mierswa自从在德国多特蒙德大学的人工智能系开始开发RapidMiner以来， 直是 名资深数据科学 。科学 Mierswa已撰写了许多有关预测分析和大数据的获奖出版物。企业 Mierswa是RapidMiner的创始人。他负责战略创新，并处理有关RapidMiner技术的所有重大问题。在他的 导下，RapidMiner在 初的七年中每年增长300％。2012年，他在美国，英国和匈牙利开设了 ，率 实施了国际化战略。经过两轮的筹款，收购了Radoop，并支持RapidMiner与Gartner和Forrester等 的分析公司的定位。
