人工智能并不能解決所有問題，但如果應用得當，它可以在短時間內產生很大的變化。

您或許已經聽說過機器學習和人工智能(AI)的前景。這兩個技術概念，已經引起了全世界的關注。自動駕駛汽車、人形機器人、設備預測維護——這些應用不僅僅限于消費者領域，工業界也開始瘋狂了。看看最近主要工業出版物的諸多頭條新聞就知道了。這種趨勢仍將繼續，實際上，未來它可能無處不在。因此，您不妨了解一下。

AI的興起

傳統上，分析是統計學家的專長。在工業領域普及計算機之前，分析師使用鉛筆和紙完成分析工作。而現在的分析，是描述數據科學的總稱。

例如，沿著一條簡單的線找到一個點，通常屬于標準數據分析的范疇。該線被認為是“回歸”。沿著線找到點是“回歸分析”。執行簡單的回歸分析司空見慣。

機器學習可以看作是AI 的子集，盡管這兩個術語通常可以互換使用。機器學習是AI的統計方面，其中還包括認知計算和建模。每個類別的邊界可能是模糊的。

表征AI的另一種方法，是使用真實世界數據得出結論的計算機代碼。如果以此方式建立系統，則可以根據這些結論自動做出決策。然后，可以將更多信息輸入系統并做出更多的決策。對AI 的描述，反映了當今流行文化的對AI 的理解，它反映了人類的思想方式。我們接受信息，得出結論并做出決定。

人類思想常常可以用“如果，那么”的形式來表達，當然也可以用其它形式表示。與此類似，我們也可以用用其中一種算法來實例化AI。根據功能對算法進行分組很有用。我們來了解一下機器學習算法的主要類別。

聚類分析

一些算法將事物進行“分組”。例如，假設正在生產零部件。質保部門或在線測量系統將把兩個測量功能與零件關聯：寬度和高度。將這些數據用于生成圖表。可以使用顏色來明確分類方案。如果您使用的是Excel 向導，則可以自己生成圖形，在新零件通過時將其繪制到圖表上(見圖1)。

圖1 可以使用顏色對零件進行分類，但是如果相關參數太多而無法使用傳統的可視化技術顯示，該怎么辦?本文圖片來源：inductiveAutomation

隨著將更多信息添加到架構中，集群功能變得更強大。假設添加了有關次品的信息。結果顯示，藍色組代表的次品占比將近80%，而綠色組則占大約20%。

但是為什么要停在那里?假設我們也開始收集長度信息。想象一下在三個維度上繪制圖表。先進的繪圖程序可以做到這一點，因此可以繼續手動輸入和分組信息。當分組得到改善后，藍色組顯示的次品占比達到85%。

此時，如果使用機器學習算法完成聚類，它將執行分類，但是只能自動執行可以手動完成的操作。那為什么機器學習是更好的選擇?

更多維度

這個時候，如果需要增加另一個維度怎么辦?也許電導率是有意義的參數，或者是濕度讀數，或者是陽極氧化電流。但是3D 圖只能具有三個維度。另一方面， 使用機器學習算法意味著可以繪制四個、五個、六個甚至一百個維度的圖形。

聚類算法根據每個零件的屬性繪制圖形，將彼此接近的零件識別為一組。一旦完成此操作，就更容易看到哪些屬性或屬性的組合最有可能產生次品。

這意味著可以根據其它屬性自動對分組進行進一步細化，并且可能對藍色組進行充分細化，以預測95%或99%的次品。對于最有可能需要返工的產品，洞察力得到了顯著改善。可能的選擇是在采取不必要的步驟之前，將其從生產環節中撤出，從而可以節省時間和成本。

決策樹

決策樹是另一種在概念上具有重大意義的簡單技術。在數據挖掘中決策樹訓練是一個常用的方法。目標是創建一個模型來預測樣本的目標值。在日常生活中，我們經常會建立決策樹，以回答諸如以下問題：交通狀況如何?天氣如何?我今天應該給媽媽打電話嗎(請參見圖2)?構建一個算法是一項簡單任務。首先，確定描述過程的數據以及有關結果的信息。結果生成的算法，將構建一棵映射預測結果的樹。它會通過多種可能性(也許是數千甚至更多種)，來構想出盡可能準確的樹。

圖2 決策樹從簡單元素開始，但可以用來預測高度復雜過程的結果。

模型與訓練

其它重要的分析概念，還包括建模和訓練。當將過程數據輸入到機器學習算法中時，就會進行訓練，從而生成模型，進而識別出好的和壞的過程示例。

想象一下，有人坐下來用筆寫出一個決策樹。然后他們寫了一個又一個決策樹。之后，就可以確定最佳決策樹，然后放棄其它決策樹。最終的決策樹就是模型。對于聚類算法，該模型將僅被稱為“聚類模型”或“模型”。

換句話說，使用最佳決策樹可以利用一組數據基于處理流程來獲得預測。回到前面的示例，第一個語句可能是“如果寬度小于23.5，那么xxx”，第二個語句可能是，“如果高度大于43.3，那么xxx。”機器學習算法創建問題，以獲得它所能得到的最佳答案。

決策樹在預測性維護應用中具有很大的實用性。如前所述，回歸分析可能很簡單。但當涉及到機器學習算法時，它可能會很復雜。

回歸分析

同樣，回歸分析的基礎可以通過在一條線上找到一個點來說明。要畫一條線，首先要確定畫一條什么類型的線。它是曲線嗎?是直線嗎?它有很多曲線嗎?如果將其繪制在x-y 二維平面中，這很容易做到。當將機器學習應用于復雜數據和更多維度時，它會大放異彩。手工繪制100 個維度，永遠是不切實際的，但是一種算法可以輕松地解決這一問題，并且可以輕松找到最佳擬合回歸(如果存在的話)。

回歸分析在過程調整和生產預測中非常有用。并非所有數據都適合進行回歸分析(例如，聚類數據)，但是對于那些某個因素會影響其它因素的項目可能非常有用。

深度學習

也許您聽說過深度學習和神經網絡，那您真的了解它們是什么嗎?深度學習是機器學習的分支，是一種以人工神經網絡為架構，對數據進行表征學習的算法。神經網絡是包含數千或數百萬個節點的模型，這些節點是計算機代碼的小塊，每個塊都可以接受輸入并產生輸出。所謂神經網絡是因為它們旨在模擬神經元在大腦中的工作方式。就像我們大腦中的神經元一樣，節點之間的某些連接相對較強，其它可能相對較弱。

圖3 可以將神經網絡設計為大致類似于大腦的工作方式。

對于神經網絡，算法不只是配置節點。它們自我構建，從而可以建立具有數百萬個節點的模型來處理數據。

當神經網絡“消化”數據時，它會變形和變化，直到在預測結果或提供分類方面達到設定目標為止。經過訓練，它可以做幾乎所有事情。可能需要獲取最近的傳感器讀數并經計算獲得問題出現的可能性。或者，它可以評估一組1 和0，以確定是否描繪了一只貓。所有這些數百萬個節點，都以某種方式“理解”了圖像。對每個節點只是簡單的數學運算，但節點的排列和權重都可以以某種形式用于獲得結論。

這就是為什么很少能有人真正理解它們的原因。要求數據科學家解釋神經網絡，他們可能能夠解釋數學問題。如果請同一位數據科學家解釋如何在這些字節中識別“怪獸”，他可能會用“魔法”來解釋。

神經網絡如此令人印象深刻，它們在工業領域也提出了難題。如果算法告訴您要做某事，您會做嗎?如果是決策樹、回歸分析或聚類模型分配建議，則可以跟蹤獲得結論的方式。但是，神經網絡可能不會讓你了解獲得系統的“原因”。它只是給出一個可以相信與否的答案。如果這些決定可能會導致停機或生產瓶頸，則可能會遭到質疑，為什么要使用算命先生的魔法水晶球來制定決策。

未來就在這里

世界正在變化，人工智能和機器學習技術將不斷發展，并且在更多行業得到應用。人工智能技術已經證明了其價值，采用的企業看到了已經獲得的領先優勢。人工智能并不能解決所有問題，但如果應用得當，它可以在短時間內產生很大的變化。所以放開手腳，大膽的去建立模型吧，你會在過程中找到答案的。

實施AI項目的7個注意事項

如果你正在學習或計劃實施機器學習或人工智能項目，有一些事要優先考慮。

01識別問題

首先選擇要改進的過程、區域或技術。在機器學習或AI 似乎可以提供幫助的地方，找到最需要解決的問題和目標。

02收集數據

數據越多越好。成千上萬的數據點，盡可能多的幫助訓練模型。確保使用高質量的數據。不良數據很容易引發算法失敗。數據預處理和數據清理，是影響成功的關鍵因素。

03整理統計數據

了解采樣技術以及因果關系和相關性。了解結果的質量，有助于避免發生錯誤。

04具有專業知識

了解過程或技術對于了解結果是否合理至關重要。數據科學家很棒，但是僅僅關注某些數據，不會取得好的結果。

05創建模型

這可以與現有的任何機器學習軟件一起使用。現代的監控和數據采集(SCADA)系統，內置了一些流行的機器學習算法。許多云產品和平臺都將這種類型的算法作為選項。

06部署模型

通常，可以在機器旁邊或內部運行模型，甚至構建在云上或利用其它工具。尋找運行模型的最佳方法。如果是關鍵過程的一部分，則在本地運行是理想選擇。

07監控是否成功

如果無法衡量成功，就沒有人會知道它的存在。可以將先前的過程數據與最新數據進行比較。如果模型需要改進，請返回到第5 步。請記住，有時嘗試幾種模型或將幾種模型組合會產生更好的結果。