利用低代码重新构想工业 AI

苏巴拉奥
2024 年 6 月 19 日
分钟阅读

AI、ML、GenAI。如今，这些术语随处可见。这让你想大喊：“Alexa、Siri、ChatGPT，谁来告诉我这些是什么意思。”

好吧，我只是个凡人，但请允许我给你提供一些定义。然后我将向你介绍第四个术语，你将来会经常看到这个术语。

AI（人工智能）：一种可以执行类似人类任务的技术。（对于许多消费者来说，Alexa 和 Siri 是他们第一次接触人工智能。）
ML（机器学习）：人工智能技术的一个分支，使用算法分析数据，从数据中学习，并利用数据对未来数据进行预测。（Alexa 和 Siri 使用机器学习以提高其性能并适应用户的偏好。
GenAI（生成人工智能）：人工智能的另一个分支，使用机器学习来创建新内容。（ChatGPT 可能是 GenAI 技术最著名的例子。）

很简单，对吧？（也许下次我们会深入研究真正有趣的东西，比如深度学习、神经网络以及监督学习和无监督学习。）

我已经为您定义了这三个术语，因为它们都与我承诺的第四个术语相关：工业人工智能.

工业人工智能简介

工业人工智能是指人工智能技术在工业中的应用。这些用途可能包括：

扩大劳动力
加强客户服务
创造更多可持续产品
设计更可持续的流程

当我与人们谈论制造商使用工业 AI 的方式时，我喜欢将其用途分为四类：优化、预测、发现和透明度。让我们仔细看看每个类别。

优化

制造商不断寻找优化系统的方法。每次优化都可以促进整个流程链的发展。

装配线优化导致生产计划优化导致制造优化
物料处理优化导致库存优化，进而导致供应链优化

厂家使用模拟技术优化流程。这些技术创造了数字双胞胎工厂的所有操作都进行建模。这些模拟可以揭示阻碍生产的瓶颈。

然后，人工智能会将数字孪生生成的合成数据和工厂生成的真实传感器数据进行整合。它使用这些数据来绘制出消除这些瓶颈的最有效路径。

预测

制造商不断展望未来。他们需要预测以下事情：

市场需求将如何变化
这些需求将如何影响他们的生产
他们的设备如何适应生产转变

对于制造商来说，为未来做好准备的最好方法就是准确预测未来。

预测基于因果模式。机器学习程序非常擅长检测模式。它们调查庞大的数据集，猜测数据如何相互作用，测试它们的猜测，并根据它们所学到的知识做出更多猜测。最终，它们成为这些数据集中模式的专家。然后，它们可以使用这些模式在该数据集内进行预测。

例如，制造商从装配线的某个部分收集传感器数据。这些传感器数据可能包含从传送带速度到滚珠轴承温度再到电机振动等所有内容。制造商将所有这些数据以及该部分维修历史的数据输入到机器学习程序中。

然后，程序可以搜索数据，找出部件何时发生故障以及导致故障的因素。一旦找出这些模式，它就可以预测部件何时以及为何最有可能再次发生故障。

然后，制造商可以制定维护计划，防止故障发生。预测性维护不仅可以节省大修成本，还可以节省因停产而损失的收入。

药物发现

从我们目前的例子可以看出，制造商可以访问大量数据，几乎是太多了。为了使用这些数据，他们使用仪表板以一百种不同的方式可视化这些数据。但最复杂的仪表板也无法解决没有足够的眼睛或时间来发现这些数据在说什么的问题。

这就是 GenAI 可以提供帮助的地方。我们了解到机器学习是分析数据的专家。GenAI 擅长的是从分析中创造有意义的知识，并以易于理解的方式分享它。

就像 ChatGPT 可以立即为您提供帝王企鹅筑巢习惯的三段摘要一样，工业 GenAI 程序可以为供应链经理提供新加坡港口航运积压影响的快速而全面的摘要。

使用 GenAI 进行数据发现的主要好处之一是，您无需使用特殊编码来表达您的发现请求，也无需成为图形分析专家来理解您的请求的结果。GenAI 能够理解自然语言并进行交流。提出一个简单（或复杂！）的问题，即可获得一个简单的答案。

而且 GenAI 并不局限于简单的自然语言摘要，它还可以生成不同格式的文本信息（如指令集）和图形信息（如图表和图形）。

用户评论透明

只有当数据透明，或者说易于查找时，数据才对制造商有用。但当制造商也可以共享数据时，数据是最有用的。我们已经看到人工智能如何帮助制造商让自己的数据透明。GenAI 和机器学习工具还可以帮助制造商及其合作伙伴让彼此的数据透明。

例如，电动汽车电池制造商必须密切关注非常复杂的供应链。其电池有来自众多供应商的一千种不同部件。制造商还需要从全球各地获取镍、钴和铜等原材料。为了遵守其所受的众多法规，电池制造商需要对其合作伙伴的运营方式保持透明。

但即使供应链合作伙伴公开共享数据访问权限，在其他人的数据流中找到所需信息也比在自己的数据流中找到所需信息更加困难。机器学习工具再次成为我们查找、排序和分类数据的专家。我们的 GenAI 工具使我们无需为每个传入数据流投资一套不同的仪表板。我们只需请求我们正在寻找的内容，GenAI 就会以我们需要的格式将其提供给我们。

使用低代码检查所有数据和民主化框

所有这些在文章中总结起来可能听起来很简单。但现实是，工业人工智能依赖大量数据。数据管理从来都不是一件简单的事情。您需要让人工智能系统可以自由访问您的数据，同时仍要遵守安全、监管和数据共享政策的限制。

因此，想要充分利用工业人工智能的制造商需要找到让其数据易于以下操作的方法：

Access
格式
治理
整合
确保安全和隐私

低代码应用程序开发平台可以检查所有这些框。 Mendix 通过以下方式简化您的数据管理它本身就运用了人工智能。

MxAssist 是我们的 AI 辅助开发机器人套件，可帮助您构建直观且功能强大的低代码数据管理应用程序。它通过分析超过 12 万个匿名应用程序逻辑进行训练，可在您编写应用程序时提供实时、上下文驱动的建议。

MxAssist 提供：

人工智能辅助应用建模和逻辑
人工智能强制最佳实践审计
人工智能自动验证逻辑

和 Mendix 是唯一可轻松实现 AI/ML 与外部认知服务集成的低代码平台。 Mendix 无缝连接到亚马逊、微软、谷歌、OpenAI、Stability AI 等第三方认知服务。您可以嵌入到您的 Mendix 应用 TensorFlow、Caffe 和 PyTorch 等机器学习训练框架的结果。

Mendix 让您能够特别轻松地与亚马逊市场领先的 AI 服务集成，其中包括：