用AI解锁制造业：企业如何发现应用场景和应对挑战.docxVIP

VIEWPOINT

用AI解锁制造业：

企业如何发现应用场景和应对挑战

摘要

当前，各行各业正在构建机器学习能力，以实施或增强其数字业务场景。我们认为，现实中企业所实施的机器学习项目存在较高的失败率，主要的失败模式可以归纳为以下十类：设立了错误的目标、忽视业务原则、资金和资源投入不当、急于求成、项目路线图有较大缺陷、项目缺乏治理、采用了错误的技术平台和路线、对场景所需的数据缺乏了解、数据质量不高、人才培养计划与实际的需求偏离。

本文分析了这些失败因素如何对机器学习项目产生了较大的影响，以及如何通过一套最佳实践来规避这些问题。

在本文中，我们以PAM公司为例，采用端到端的方法，从业务能力矩阵出发，逐步确定业务、应用、数据和技术解决方案，通过这个例子，我们阐述了如何规避以上问题的有效方法，以及如何通过架构的演进方法来持续关注和采用最新的AI技术。

这个分析过程和解决方案适用于多个行业，尤其是制造业，包括B2C

和B2B业务模式，它涵盖了基于深度学习、联邦学习、大模型以及相关的行业问题。

机器学习项目中的常见问题

企业不断寻找机器学习相关的解决方案的目的是来带来价值，很多是现有ML服务的用例，例如产品推荐、MFA人脸识别和停车服务的车牌识别、使用ChatGPT提供客服等等。

然而，现实当中，企业往往会步入失败模式而导致一系列挑战，以下对此做出归纳：

1.设立了错误的目标:某些技术在某些任务中可以替代人类工作，但实际上，由于AI需要大量数据进行训练，需要许多人力进行数据收集和预处理，并且一旦有疑问，需要更多的人来调整和诊断系统，因此节省人力成本的目标难以实现。

2.忽视架构原则:加快生产，节约成本，导致质量损失或者产生安全隐患，以及对当地环境的破坏；滥用机器学习技术，出现客户等敏感数据外泄；出现违反道德风俗甚至法律问题的行为，例如不当利用隐私数据进行欺诈、引起社会偏见或歧视等问题，降低客户的信任度，降低企业品牌价值。

3.资金和资源投入不当:投入的资金过少，能力的培养没有长期的目标，不能满足开发和二部署AI平台和能力建设的需求，导致能力的缺陷，长期不能看到期望的产出。

4.急于求成，缺乏系统性规划:企业将机器学习模型设置为短期投资，过快地追求投资成果，而无法有效地了解和利用机器学习模型潜在的知识和技能，影响投资结果。

5.错误的项目路线图:企业在没有有效地对目标需求进行分析和规划的情况下，启动了一些项目举措，例如，将时间和资源花费在数据收集和框架建立等可能无效的任务上。

6.项目缺乏治理:无法及时发现原则及合规性的偏离，没有用有效的度量手段检查项目是否能够实现既定的目标和需求，没有动态跟踪最新趋势并实施相关的技术。

7.人才培养计划与实际的需求偏离:企业在能力规划不明确的情况下盲目开启人才培养计划，从而导致培养出的能力结构不能满足和适应业务的要求，使项目受到较大的影响。

8.采用了错误的技术平台和路线:采用的技术平台不符合技术趋势和发展情况，没有根据自身的需求对机器学习模型有深入的研究和理解，尤其在B2B集成等复杂的情况下，所选技术不符合整体的IT环境，从而导致投资效果不佳、甚至项目失败，或者被迫更改技术路线，带来时间和投入的损失、并且付出机会成本。

9.对场景所需的数据缺乏了解:缺乏足够的有价值的数据，不能支撑人工智能系统运算，从而导致系统不能达到设想的效果。

10.数据质量不高:企业缺乏有效的数据治理，数据的质量不高，无法满足通过机器学习实现业务场景的需求。

我们认为，采用一套成熟的架构方法可以有效地规避以上问题。

我们从分析企业的业务战略、价值流及架构原则出发，着重解决以下问题：要解决的业务问题是什么？如何创造端到端的价值？业务和IT能力的差距在哪里？成本和收益是什么？路线图是什么？什么是正确的技术解决方案？

解决这些问题涉及企业架构方法和应用技术能力做出一系列决策。我们想通过一个例子阐述这个过程。

机器学习能力建设示例

机器学习能力建设示例

这是一个制造业案例。

场景：棱镜合金机械（PrismAlloyMachinery–PAM）公司是一家制造合金材料设备的公司。客户来自世界各地，其中大部分客户直接使用PAM的维修服务。

三年前，PAM公司逐步更新了业务战略，其中包括：使用机器学习技术为客户带来更多价值并降低运营成本。

在经历了多次的失败之后，PAM公司在业界最佳实践的启发下，采用了以下措施，确保了能力建设沿着正确的方向前进。以下是CIO和企业架构师团队采取的步骤：

CIO授权架构师团队启动该计划，并且制定一个完备的计划来转变企业架构。该项目的代号是“SmartWork”。

第一，回顾和更新架构原则

第一，回顾和更新架构原则

这些原则涉及了业务及IT层面，其