借鉴日本经验推动人工智能与制造业深度融合

2019-08-16王哲安晖

机器人产业 2019年4期

王哲安晖

日本已涌现出一批面向制造业需求的人工智能企业，它们多以知识图谱和深度学习为基础技术，面向制造业领域典型应用场景开发人工智能产品与服务，并已在化解制造业领域人工智能应用面临的问题方面积累了一定经验。我国可以借鉴日本经验，加强技术供给能力定制和工业需求特点适配，推动人工智能与制造业深度融合。

从实践看，日本企业注重分场景

部署人工智能技术

从2019日本人工智能展（AI EXPO TOKYO 2019）的情况看，人工智能技术在制造业的应用集中在设备、生产线、供应链等场景，能够实现生产现场协作优化、产品质量监测管理、物流供应能力优化;所展现的人工智能与制造业创新，大多以知识图谱和深度学习技术为基础，开发能够满足设备监测、质量管理、生产协作、产能优化、生产经营管理、产品全生命周期优化等需求的产品或服务。制造业系统包含设备级、车间级、企业级、协同级等层级，其对应的关键从实践看，日本企业注重分场景

部署人工智能技术

一方面，知识图谱在处理工业机理明确、精确度高、关联性强的问题上效果良好。例如，NTT推出的生产管理优化工具“WinActor”、SOPPRA开发的供应链管理系统“AgentSOPPRA”、 Macnica.ai推出的企业经营管理优化工具“企业语义网”，均利用知识图谱技术，优化了制造企业或大型生产组织的生产和管理效率。由此可见，知识图谱是解决已知工业机理问题的重要手段，适用于工业企业库存管理、生产成本优化、用户需求管理、供应链优化等场景。

另一方面，深度学习能提升对工业机理模糊、计算高度复杂问题的解决能力。例如，伊藤忠株式会社开发的生产过程模拟软件“WITNESS”采用深度学习方法，对生产设备运行、工艺参数等数据进行综合分析，找出最优参数，量化生产指标随时间的变化，大幅提升运行效率与工业品质量;富士集团通过收集工业互联网和传感器等数据，利用深度学习算法，挖掘更深层次隐藏结构与特征的抽象关系，精准识别工业质量指标，打破传统机器学习模型的泛化能力界限，实现对物体的分析和识别;AI Hayabusa帮助中小制造业企业在生产线上安装人工智能检测系统及镜面检测机器人，通过深度学习算法拟合设备运行复杂非线性关系，提升设备故障预测准确率，减少设备故障率，降低损耗成本。从日本企业的实践中可以发现，深度学习适用于工业品复杂缺陷质量检测、设备微小故障的检测和预测性维护、设备自执行、不规则物体分拣、制造工艺优化、流水线指标软测量等场景。

从供需匹配看，技术定制化是发展“AI+制造”的关键

知识图谱和深度学习是两大主要技术抓手。制造业领域发展人工智能有“一强一弱”两方面的现实约束。“一强”指制造业各环节具有专业性强、关联性强、流程性强、时序性强等特点，对制造工艺精确度的要求高、约束性强，需要严谨、可控、透明的系统科学加以支撑;“一弱”指工业领域的数据输入有限，工业数据处理过程参数量大，工业机理隐匿。从日本实践来看，知识图谱基于专家系统和认知科学，适用于机理明确但影响因素繁杂的场景;深度学习基于数据科学和深度神经网络算法架构的新突破，多用于解决复杂度高、机理未知的难题。知识图谱和深度学习技术从不同维度提升了生产效率，降低了生产成本。

为不同场景量身定制部署方式是应用发展路径。不同制造业场景产生的计算難度和影响因素数量不同，人工智能技术规律也有差别。从2019日本人工智能展中日本企业的实践来看，设备级和车间级工业问题的影响因素通常相对较少，但工业机理复杂程度较高、计算难度较大，适合利用深度学习方法提升对未知机理工业问题的解决能力;企业级和协同级工业问题通常响因素繁多但工业机理相对明确，适合应用知识图谱技术路线提升解决问题的效率。

从启示看，我国应从两方面深化人工智能与制造业融合

配合工业需求提供定制化的深度学习技术能力。制造业场景对严谨可控、快速反应、场景适配的要求高，应从三个方面深化深度学习在制造业中的应用。一是计算芯片方面，应推动能耗比低、处理性能高、实时性强的AI芯片应用于制造业领域，提升设备的端侧推理能力。二是算法框架方面，应加强定制化端侧专用算法框架研制，提升生产终端设备的实时反馈能力。三是计算可靠性方面，需要着力推动深度学习算法的透明化、可解释化研究，打破算法的技术黑箱，推动其在制造业中实现更广泛应用。

构建规范化的知识图谱通用技术体系。我国可以借鉴日本经验，按照不同应用场景的现实需求，建立包括知识建模、知识抽取、知识融合、知识存储和知识计算等在内的规范化的知识图谱部署策略、标准体系和建模方法，推动知识图谱技术在制造业领域的应用走向通用化、体系化、成熟化。