Press "Enter" to skip to content

杰伦智能郑诗怀:零代码 AI 平台是未来制造业的增长密码

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

“企业应该花 98% 的时间在企业最核心的业务上,而不是如何使用复杂的代码解决问题。”

 

8 月 27 日,由安徽省首席信息官协会、山东省首席信息官(CIO)联盟 、江苏省企业信息化协会、浙江省企业信息化促进会、上海首席信息官联盟、河南 CIO 联盟,以及崔牛会联合主办的「2022 未来 CIO 数字峰会」上,Profet AI 杰伦智能郑诗怀做了主题为“零代码 AI 平台:未来制造业的增长密码”的分享。

 

他希望通过 AI 能把一些老师傅的传统经验知识保留下来。要知道传统的工艺技术都是迭代传承,技艺不易传承跟教学,但 AI 可以建立出模型作为企业永续核心竞争力。这样不仅可以降低人员教育训练的门槛,同时也是扩大生产及国际布局的关键,降低人力需求,有利于加速企业集团的接班和传承规划。

 

 

Profet AI 杰伦智能科技大中华区总经理 郑诗怀

 

全文由牛透社整理,以下为正文:

 

郑诗怀:我今天分享的主题是“零代码 AI 平台:未来制造业的增长密码”,主要想给大家分享 Profet AI 杰伦智能的零代码 AI 平台能给予客户什幺。

 

杰伦智能(Profet AI)致力发展制造业应用的 AI 平台,目前我们开发了自动化 AI 学习平台 (AutoML, Automated Machine Learning),目的在于解决企业 AI 应用与落地实现问题。今天我将从 WHY 零代码 AI 平台、HOW 赋能制造业、WHAT 制造业效益三个方面来解说我们为什幺做这件事情,现在是怎幺做的,当前取得的成果以及在未来希望带给大家哪些成果?

 

Auto ML 平台应运而生的背景

 

2020 年我们看到一个趋势,机器学习已经是项非常成熟的产业,很多企业都有这样的产品在使用,有的还成立相关部门。它的成熟度,已经像 GPU 一样在每个企业里面发酵。我们预测两到三年后,机器学习会发展成全民资料科学,也就是未来 10 个人里面可能会有 3 个人去用机器学习。

 

但是,现在机器学习在实际应用中还面临不少挑战。首先最大的挑战就是人才。

 

目前,很多高端制造型企业之所以能在全球供应链扮演不可或缺的角色,主要归功于人才,然而这些企业都面临着资深员工流动后接班挑战,如何将资深员工过去宝贵的的决策经验升级并传承,是企业面临的一大难题。

 

其次,AI 人才短缺是行业普遍现象,大多 AI 人才都向高端行业发展,导致制造业内 AI 人才紧缺。为了解决制造业 AI 应用与人才需求孔急的问题,杰伦智能(Profet AI)的自动化 AI 学习平台 (AutoML, Automated Machine Learning) 应用而生,目的在于解决企业 AI 应用与落地实现问题。杰伦智能 AI 平台,就像是企业虚拟 AI 资料科学家,让生产专家无需编程和钻研复杂算法,就可以快速运用 AI 分析。

 

在生产过程中,专家们可以利用 AI 协助产品研发和生产流程优化,通过创新的 AI 运用技术,将庞大晦涩的算法化繁为简,成为易用的数据分析工具,迅速建立标准化的智能决策体系,帮助工厂进一步扩大生产规模并且提升生产和产品研发的效率。

 

Auto ML 平台解决制造业 AI 使用窘境

 

目前,AI 导入最大的挑战是人才部分,算法人员、资料专家等人才的紧缺致使企业不容易发展 AI。另一个原因是 AI 导入普及不易,难以产生综合效果,更不容易形成公司文化。最后,经探讨发现,在企业导入 AI 的过程中,如何成功地转化领域专家的知识、将其成功转变为由 AI 赋能,是企业需要解决的重要课题。

 

那幺 Profet AI 是如何解决这些问题并赋能行业的?我用一些比较简单的例子跟大家聊一聊。首先看组简单的数据,X1+X2 或者是 -X2÷X2,你只要看 3 秒就可以给我答案。问题是工厂中的复杂数据呢?

 

工厂每天从制程、采购、研发、HR 等流程产生大量数据,这些数据成千成百倍一直不停的成长,单靠人力已不能解决遇到的问题,需要借助AI来帮助企业生产。

 

试想如果企业 80% 的员工都可以应用 AI,80% 的员工都可以自己去建模,会不会就是企业升级的重要关键?

 

所以 Profet AI 杰伦智能科技打造的是专属制造业的自动化机器学习的平台,专门来协助制造行业做数据科学分析。

 

传统的机器学习从定义问题、收集数据,到数据预处理、演算法验证,再到部署、厂预测试最后到使用,这过程要花很长时间。不仅如此,对于制造业来说,每种产品都有自己不同的参数,在短时间内找到制造产品的最佳参数,需要高度依赖资深人员的经验;若是遇到质量问题,也需要资深人员或算法工程师的判断。这种情况在当前追求高品质高效率的市场环境下,严重制约企业的发展。而且传统机器学习在落地应用方面需要高昂的成本费用。

 

不同于传统只有 AI 数据科学家才能掌握的艰深复杂 AI 技术, Auto ML 自动化机器学习平台只要五个步骤:客户数据准备 – 上传数据集 – 快速设定建模 – 建模完毕进行模拟验证 – 参数最佳化,就可以实现落地应用,即使是 AI 零基础的制造专家也能很快自行着手 AI 分析。

 

“一天启用、一周落地 AI”,整个过程只需要花费传统机器学习 16 分之一的成本,就可以打造出一支属于企业想解决问题的 AI 模型。

 

不仅如此,自动化机器学习平台上有 60 种云算法可以帮助企业建立最好的模型,用户不需要代码编程、也不需学习复杂算法,只需按照平台提示的操作设定,就可以完成 AI 分析,连 AI 零基础的用户都可以实现一天上手 AI、一周落地 AI,让工厂用最快时间落地应用 AI 分析。

 

目前,Auto ML 自动化机器学习平台使用不仅局限于半导体 IC 封测业、面板业,石油、天然气、纺织业以及传统工业等等都已有实践案例。

 

企业要把 98% 时间放在核心业务而不是代码问题

 

AI 现在发展遇到的最大问题并不是谁的算法更厉害,而是企业不知道要用 AI 做什幺,AI 能为企业带来哪些效益。

 

对此,我们积累大量案例知识库,从半导体行业、PCB 行业到传统行业有上百个题目。透过这样的题目可以帮助企业在使用软件的时候能够很快从案例知识库里找出适合的应用场景作参考。

 

比如汽车行业,遇到最大的问题是生产制程非常长,品质异常追溯难,精度要求高,然而部分制程因产能因素仍以抽检为主。以往企业需要通过很多分析工具,甚至建立非常强大的分析团队才能够有效地找到根因。现在通过 Auto ML 平台只需要取出历史数据,建立模型,找出关键因子后就可以在短时间内找到最佳路径。我们协助这个客户让它在很短的时间内有效的把品质提高了 20 个百分点,并大大降低了它原本需要做实验设计检验的成本。

 

在光学产业,塑胶制程需要仰赖很多师傅在现场做机械调参,在这个过程中往复的实验会导致成本与时间的浪费,而通过 Auto ML 平台预测的模拟可以减少减少试模次数与时间达 30%。

 

值得注意的是,我们希望通过 AI 能把一些老师傅的传统经验知识保留下来。要知道传统的工艺技术都是迭代传承,技艺不易传承跟教学,但 AI 可以建立出模型作为企业永续核心竞争力。这样不仅可以降低人员教育训练的门槛,同时也是扩大生产及国际布局的关键,降低人力需求,有利于加速企业集团的接班和传承规划。

 

例如台湾半导体公司日月光,在使用 Auto ML 平台的时候将公司的算法工程师分级——素人和职人,0 到 70 分的题目可以让素人算法工程师,即所谓的领域专家自己完成。而平台通过漏斗状找出更精华的题目,让高阶算法工程师介入,开发对公司最有价值的算法。达到的效果是三个月时间快速扩散 AI-User 至 70 人,提升新产品良率 0.5%。

 

此外,友达光电的关键领域专家在一年内快速扩展 1587 个 AI 专案/模型,为什幺可以这幺快,因为领域专家加入进来加速这件事情。

 

Profet  AI 并不是只有在高科技制造行业应用,也可以赋能很多传统行业。比如在传统制造胶带行业,以往要生产一个新产品需要很多设计来保证成果,现在通过 AI 来做一些配方最佳化,在很短时间就能产生新的配比,新的产品出来,这就是 Auto ML 平台带来的效果。

 

Profet  AI 希望在亚洲高科技制造业基础上打造出最适合亚洲制造业的工业软件,同时配上 AI 核心技术,无须写程式,领域专家快速上手使用,只要有大量制造业的题目,一天启用一周就可以落地,协助各个企业快速实现全员 AI。

 

最后我想说的是,企业应该花 98% 的时间在企业最核心的业务上,而不是如何使用复杂的代码解决问题,用简单易上手的零代码工具加上领域专家的知识,将是未来制造业企业升级的关键。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。