圍繞人工智慧(AI)和機器學習(ML)的大肆宣傳，讓人們認為這些技術就像一根魔法棒，能夠給英國製造業帶來立竿見影的變化。IFS全球行業總監Colin Elkins寫道，人工智慧是一種能力，而不是一種速效產品。然而，通過集成人工智慧和用戶接受度、智能規劃和預測工具可以幫助優化運營並提供更準確的業務決策。
今年夏天，熱浪襲人，英格蘭隊正處於世界盃決賽階段。一年中時間、天氣和積極的公眾情緒這些影響銷售業績的因素已得到製造商和經銷商的普遍認可，並被納入到了他們的生產計劃之中。由於這是四年一次的固定場景，預測得到了電子表格和ERP(企業資源規劃)資料庫中的歷史數據的支持，因此製造商們為啤酒、漢堡、英格蘭國旗和明星球員足球的需求激增做好了準備。
但如果在同一周，某位明星球員的不光彩過去在社交媒體上曝光，醜聞襲來，並且熱浪的壽命很短時，情況會怎樣呢?如果在過去的幾個月裡，有健康意識的消費者不再喝啤酒，而是用低熱量的葡萄酒替代，情況會怎樣呢?如果有環保意識的場館已經禁止使用塑料旗幟，新法律限制在白天銷售酒精，並且在主要的交通線路上已經安排了道路施工，情況又會變得如何呢?
英國一家超市的三分鐘電視廣告就足以激勵家庭廚師們嘗試複製迪麗婭.史密斯的最新食譜——大黃和姜布丁。
繼2010年廣告播出後，超市在四天內售出了和以往12周銷量相同的大黃——足夠製作大約6.1萬份甜點。該配方中使用的其他配料，包括中國乾薑、有機生薑粉、希臘酸奶和雙層奶油的銷量也一路飆升。這並不是廚師第一次影響銷售和消費者行為，類似事件發生後，「迪麗婭效應」一詞就被《柯林斯英語詞典》收錄了。
工業領域的人工智慧:為何會有所不同?
未雨綢繆
在規劃未來和預測需求時，必須考慮到大量的因素和成千上萬的可能變量。例如，今年早些時候，銀行假日、母親節和溫暖的天氣使雜貨消費增加了近6%。記錄這些因素對銷售、庫存水平和需求量等的影響是一項重大任務。實時跟蹤它們的影響，同時利用所有信息預測未來，幾乎是不可能的。
因此，準確的預測仍然是供應鏈管理中最具挑戰性和最複雜的問題之一。加劇這些的是供應鏈管理的多面性。它遠非一個孤立的學科，而是整個企業的一部分，在財務、製造、採購和銷售之間存在多重依賴關係——所有這些都依賴於需求預測。正確的做法意味著準確地知道消費者或客戶想要什麼、什麼時候想要、想要多少。如果預測錯了，你的企業就會面臨生產過剩、銷售不足、不得不轉移過剩庫存和管理過剩浪費的風險。
準確預測的核心是可靠的數據，包括歷史數據和來自大量內部和外部的實時數據。企業需要從社交媒體、當地天氣預報、地區公共和宗教節日、消費者人口統計、政治事件、消費行為等方面獲取信息。即使是最聰明的人類也缺乏足夠的腦力來匯總、分析和處理這些數據。目前行之有效的方法是利用人工智慧來增加人力，並採用具有嵌入式人工智慧功能的ERP工具。在智能預測和材料需求規劃引擎的驅動下，這些解決方案允許用戶從數據中提取真正的價值。
關於工業人工智慧的五個神話
餵養人工智慧巨獸
人工智慧統治世界的巨大潛力，除了處理和從數據中獲取洞察力之外，人工智慧可以每周7天，每天24小時工作，而且可以通過不斷地自我學習，在未來為未來更準確的決策提供信息。
智能數據管理和準確的預測可以減少製造業的浪費，帶來更多的收益，並且人工智慧技術能夠為組織帶來價值(保證ROI)已得到廣泛認可。到2020年，供應鏈和製造過程中的人工智慧(AI)和機器學習(ML)將為企業創造高達2萬億美元的額外價值。此外，僅僅就製造業強國德國而言，人工智慧技術被預計可以為它的製造業增加320億歐元的產值。反觀從2018年陷入困境的英國汽車行業能否利用人工智慧為近6年跌至冰點的國民經濟的復甦打上一劑強心針呢?
在全球範圍內，汽車行業實際上是人工智慧的早期採用者，並且預計將佔人工智慧在製造業中的最大比例：預計到2025年市場將達到172億美元。例如，奧迪正在使用ML用於檢測鈑金零件中的微小故障，實現質量控制過程的自動化和最優化。預計未來幾年將有更多知名企業採用基於人工智慧的技術：根據福布斯調查，44%的汽車和製造業受訪者表示人工智慧對於製造業而言非常重要。在未來五年裡，幾乎有一半的人將會認同這一觀點。
然而，在汽車和裝配行業，只有11%的企業真正將人工智慧應用於供應鏈管理。人工智慧可以更高效地工作、更好地提供預測，從而為企業帶來強勁的效益增長。那麼，為什麼沒有更多的製造企業採用並受益於人工智慧解決方案呢?
不要忘記數據
問題是雙重的。首先，一個組織可以是人工智慧(AI)和機器學習(ML)的最大支持者，同時也最渴望將這些集成到ERP中。但如果它沒有捕捉到足夠的數據量和多樣性來支持這些技術，就不會成功。沉迷於人工智慧的宣傳很容易，但企業必須事先奠定基礎，而不是盲目跳入新的領域。想想你想要考慮哪些參數，哪些因素在過去影響了銷售和預測，並且這些因素對現在和未來將會產生哪些潛在的影響?
一旦捕捉了必要的數據，組織就可以查看ERP解決方案，這些解決方案將來自不同部門和來源的數據集成到一個統一和集中的視圖中。最後，解決方案必須能夠從每個端點、設備和傳感器實時收集(及其用戶訪問)數據——隨著企業內部物聯網端點數量的增長，這一點變得更加關鍵。到2020年，每秒將產生大約1.7MB的新數據——這對於任何人類大腦來說都是難以處理和利用的。
數位化轉型準備:準備IIoT和AI的7個步驟
人類的問題
第二個問題與技術或數據無關——它與我們人類有關。我們中有太多的人仍然對人工智慧(AI)和機器學習(ML)的決策能力持懷疑態度，這可能是因為缺乏對實現這一功能的複雜算法的理解，也可能是因為我們不信任機器人!根據最近一項關於使用人工智慧來確定銀行貸款的研究顯示，只有四分之一的消費者相信人工智慧系統做出的決定比人類的決定更加準確。儘管如此，人工智慧處理和使用數據的能力比任何人類對手都要大得多，速度更快，準確度也更高。
對人工智慧技術缺乏信心也延伸到員工對有效利用人工智慧解決方案的感知能力。據統計，英國製造業69%的受訪者認為，缺乏內部技能是採用人工智慧的最大障礙。這一比例略高於美國同行業50%的受訪者。這是言之有理的，儘管英國圍繞人工智慧大肆宣傳，但作為一個國家，其落後於包括美國和中國在內的地區，這兩個地區的投資分別是英國的50倍和8倍。
我們能跟上節奏嗎?人工智慧是將盈利能力和生產力重新注入我們製造業市場的靈丹妙藥嗎?規劃者們會相信人工智慧預測嗎?我們不指望人們對人工智慧的態度會立即徹底逆轉，也不指望製造業及其它行業的企業家突然成為數據科學家。然而，作為更廣泛的數位化轉型戰略的一部分，可以跨公司集成的人工智慧技術如今確實存在。我們有現成的ERP解決方案可以被配置，用來適合任何業務或流程，並且所有級別的員工都是可以訪問和使用它的。我們可能無法100%準確地預測未來，但我們可以學會使用和信任這些工具，幫助我們人類非常接近未來。
來源: 飛象網