沒有哪八個字比「董事會想看看我們的人工智慧策略」更讓製造業領導者心生恐懼。

身為一家工業維護新創企業的共同創辦人，我在過去 12 個月花了數百個小時與全國各地的第一線製造團隊進行交流。無論我走到哪裡都能聽到這種對人工智慧策略的需求。

製造業的領導者感受到了壓力；事實上，最近一項針對 1,200 名 IT 決策者的研究發現，三分之二的人認為 FOMO（害怕錯過）是其公司決定採用 AI 技術的一個重要因素。

雖然我相信未來五年內每個產業都將由人工智慧重塑，並將擁有顯著的先發優勢，但我也看到一個令人不安的模式正在出現。大多數負責在組織內推動人工智慧策略的人並不真正了解人工智慧是什麼或它是如何運作的。這種缺乏理解的情況導致了我所說的“人工智慧陷阱”，即團隊在沒有正確基礎的情況下急於採用人工智慧，導致實施失敗或無效。

當我們談論製造業的人工智慧時，我們通常指的是機器學習——人工智慧的一個子集，它使用演算法從數據中學習並做出預測或決策。雖然像人類一樣「思考」的真正的人工智慧尚未出現，但這些機器學習系統已經在改變各個產業。如果這麼多公司沒有在沒有適當基礎的情況下爭先恐後地實施人工智慧計劃，這將不會成為問題。

當面臨展示人工智慧領域進展的壓力時，許多領導者通常會選擇購買現成的解決方案並將其插入現有系統。然後，他們等待奇蹟發生——但通常，奇蹟永遠不會實現。

1. 人工智慧的失敗令人震驚，導致公司領導層完全否定了它的潛力

2. 人工智慧產生的預測看似合理，但卻不準確，導致錯誤的決策和對人工智慧可行性的懷疑。

3. 人工智慧產生的結果看似合理，但缺乏可操作的見解，導致資源浪費和挫折感。在這三種情況下，結果都是一樣的：對進一步的人工智慧措施產生了抵制。這些公司對這項可能增強它們競爭力的技術產生了免疫力。 

為了避免這些陷阱，製造業領導者必須先了解其營運過程中涉及的兩種主要資料類型：機器資料和人工生成的資料。

機器數據，通常稱為操作技術 (OT) 數據，來自嵌入在製造設備中的感測器和控制系統。此資料流提供有關機器性能、輸出和狀況的資訊。許多公司已經在物聯網感測器和 SCADA 系統上投入大量資金來即時監控設備。

機器數據只是情況的一半

人類產生的數據，即來自第一線團隊的營運數據，同樣重要，但經常被忽略。這包括維護記錄、品質控制觀察、輪班交接記錄以及經驗豐富的操作員和技術人員所做的日常決策。此類數據包含機器無法捕獲的關鍵見解和背景。

例如，感測器可能顯示機器運行時溫度很高，但有經驗的操作員知道這台機器在潮濕的日子裡運行時溫度會更高，因此這並不是立即引起警報的原因。

事實上，製造業真正有效的人工智慧系統需要機器數據和人類洞察力的共同作用。機器資料提供“什麼”和“何時”，而人類產生的資料提供“為什麼”和“如何”。

當你在同一個系統中結合機器和人類數據時，你就可以開始識別兩者之間的強大連結。例如，您可能會發現操作員的某些調整始終會帶來更高的輸出質量，或者機器故障與跳過某項特定維護任務同時發生。

只有當您的資料平台能夠將「什麼」和「何時」的機器資料與您的人員的「為什麼」和「如何」的見解聯繫起來時，才能得出這些見解。透過這種上下文集成，您可以從僅僅監控您的操作轉變為真正地理解和優化它們。

認識到整合的製造業領導者已經受益

他們並沒有等待完美的人工智慧工具的出現。

相反，他們專注於捕獲有關其運營的乾淨、全面的數據，並以結構化和一致的方式組織這些數據。這種強大的數據基礎是與我交流過的許多製造商仍然不具備的。相反，他們的營運數據不完整，分散在孤立的系統、紙本記錄和資深員工的腦海中。而這正是大多數團隊面臨的瓶頸，因為你不能直接跳到 AI 部分。你需要先建立數據基礎。

有效的數據採集需要團隊的努力。收集資料的工作流程需要切合實際，並紮根於第一線工人的日常現實。為實現這種數據採集而實施的軟體必須使員工的生活變得更輕鬆，而不是更困難。很多時候，解決方案都是由 IT 或高階主管買家選擇的，而沒有足夠考慮最終用戶的體驗。

如果軟體使用起來很麻煩，或者不是設計用於實際完成工作的地方（遠離辦公桌），那麼它就不會被使用。人類有找到解決方法的訣竅，無論是輸入最低限度的信息，不一致地使用軟體，還是發明一個並行的便利貼和電子表格系統。結果如何？沮喪的員工和糟糕的數據。

為了真正受益於人工智慧，特別是即將到來的突破，製造商首先需要建立堅實的數據基礎。我們不應該急於實施人工智慧，而應該把重點放在以可持續的方式捕獲和組織機器和人類生成的數據上。 
只有這樣，人工智慧才能實現製造商所尋求的轉型。