新浪财经

AI浪涌不息,工业企业如何驭“AI”有方,不再望“AI”兴叹?

市场资讯

关注

随着传统制造业提质增效日益艰难以及AI技术快速发展,用AI赋能工业企业突破效率瓶颈势在必行。去年以来,BCG联合WEF(世界经济论坛)共同发起了一项关于AI赋能工业发展的全球研究。在调研过程中,我们发现那些成功应用了AI技术的工业企业,生产效率提高了20%以上。这促使近九成的工业企业都努力将AI纳入整体业务规划。但现实却是,只有六分之一的企业实现了目标,大部分仍在望“AI”兴叹。

今年10月,BCG和WEF共同发布《把握工业领域AI革命新机遇》白皮书,作为过去一年多来深入调研的成果,我们总结出了一套行之有效的“3+2”方法论——三个阶段、两大基础(参阅图1),以期帮助工业企业加速AI应用,更实现AI的规模化落地,为传统制造业效率提升难题提供破解之道。

纵向开跑——三个阶段,

推动AI与企业运营发展全面融合

工业企业要想应用AI、成功转型,必须走好以下三个阶段:

阶段一:站上高处

从全局、长远视角出发,做好AI战略规划,科学设定以价值为导向、可持续、可落地的远景目标,并据此确定要开发的AI应用。同时,采取试点方式快速实现AI用例,不仅可以加快树立信心,还能为后续规模化应用积累经验。

阶段二:迈好“五步”

走完这“五步”,企业就基本能完成横跨整个生产网络的AI布局(参阅图2)。

  • 第一步,深入诊断。企业要分析发展现状,识别在AI技术部署过程中的挑战和机遇,认清自身的长处和短板,评估技术落地的先决条件,确定在当前技术和设备条件下可以采取的行动。

  • 第二步,科学规划。出台关于AI战略的整体规划,设定远景目标、技术路线图等。根据重要程度、所需投资等,确定成效最大的AI用例;对所需的相关技术或设备,明确“自研还是外购”;制定AI治理、能力建设等机制;制定变革管理和沟通方案,并进行技术基础设施设计相关决策。

  • 第三步,细化方案。基于前期诊断和整体规划,针对企业现状和目标间的差距,细化制定解决方案和举措。包括评估潜在的解决方案供应商,设计技术解决方案和概念验证方案,以及制定企业能力建设计划和基础设施建设解决方案等。

  • 第四步,高效落地。解决方案和举措确定后,要高效执行并检验成效。比如在试点领域对AI解决方案及其相关技术基础设施开展概念验证,检验其效果,在试点工厂验证能力建设计划、公司治理和变革管理方案等。

  • 第五步,全面推广。上述四步后,AI技术解决方案、技术基础设施以及组织转型举措等都得到验证,可以向整个企业和组织复制推广。管理者要基于整个生产网络路线图,持续督进推广成效。

阶段三:走在前沿

AI的快速迭代决定了企业要时刻保持技术敏锐,跟进技术最新进展,动态验证并更新此前设定的技术路线图和目标,并主动将最新、最前沿的AI技术为我所用。要做到这一点,可探索成立专项工作小组,通过相关技术平台、参加技术活动和大会等,及时掌握AI最新发展情况。

横向发力——两大基础,

为AI的规模化应用提供保障

AI布局向整个生产网络扩展,并有效提升工业企业整体生产力、灵活性、可持续性,是“五步”的最后一步,也是AI落地的终极目标。要实现这一目标,组织、技术——两大基础至关重要。

第一,组织基础

调研中的一个普遍观点是,企业组织对AI落地的影响,往往比技术本身大得多。主要涉及5个关键方面:

  • 良好的公司治理。这一点为AI的落地和推广提供了制度、组织、机制等一系列最基础的保障。具体表现为:企业应有合理的组织架构,以支持走完AI布局的“三阶段”(比如“总分式”架构,担任“总”职的部门/单位落实AI的跨网布局的整体协调;担任“分”职的部门/单位负责具体实施并对结果负责);科学的职责分工(通过科学合理的分工,大家各司其职、各尽其能、各负其责,确保各项工作按技术路线图持续推进);健全的流程机制(比如定期会议机制,可用来督进工作进度、监控实施流程;定期审查机制等,用来审查操作过程、优化操作标准等);相应的激励和考核指标(通过对各层级、各方面利益相关者设置激励举措和KPI等硬约束指标,提升各方工作积极性和工作质效)。

  • 过硬的技术实力。主要包括企业自身的数据分析能力数据体系结构搭建能力(能定义AI相关的数据需求和数据体系结构,提升数据可用性);数据工程能力(通过与AI相关的必要技术、数据平台与数据管道集成,实现大数据、实时数据自动交付);数据科学能力(设计开发统计算法和模型);以及软件开发、机器学习、自动化技术等能力。当然,技术之外,企业员工学习积极性、问题解决能力和适应能力等,也是不可或缺的软技能。

  • 有效的变革管理。AI在工业企业难以落地,和失败率高、员工担心被替代等有关。因此,在转型初始阶段,管理者就要主动提升内部管理的透明、和谐度,减少技术落地的阻力,包括:从上至下推动,即领导层统一共识,坚定支持转型;上下共同参与,即推动全员参与变革,且每个人都清楚自身的职责、应发挥的作用等;塑造变革文化,企业内部要倡导拥抱变革、推动转型的文化;破除内部壁垒,AI技术和应用对内部员工开放,从而提高员工的接受度;畅通交流机制,领导和员工双向、真诚、顺畅沟通且氛围和谐。

  • 广泛的跨界合作。AI技术的高迭代性、专业复杂性决定了企业需要和跨领域、跨价值链的专业伙伴进行合作,努力构建一个紧密的AI合作生态,这可以带来三方面的助益:一是推动创新,通过借鉴行业内外的独到见解和成功实践,为持续创新注入动能;二是方便试点,借力相应数字工厂作为试点测试平台,在真实工厂环境中模拟应用、积累经验;三是提升能力,通过和业界、学界专家深度合作,助力企业人才培养和技术能力提升。

  • 合规的生产经营。以“欧盟人工智能法案”为代表的AI技术监管正在日趋完善和成熟,要在长期内保障技术顺利落地,合规经营至关重要。包括:及早明确要求,根据AI在企业生产网络中的应用范围和规模,及早识别和明确不同地区相关法律政策标准,确保合规开展;评估风险水平,做好技术风险评估,必要时向当地监管备案;加强维护更新,重点做好技术文档的持续更新和维护,包括从技术整体架构到风险管理策略的各类内容细节,展现企业对合规要求的遵循。

第二,技术基础

AI革命是数据技术的革命,数据是AI的关键特征,也是AI发展的根本。因此,相关技术基础重在满足AI的数据需求。主要涉及6个关键方面:

  • 可靠的数据来源。AI应用程序以数据为基,工业企业必须确保拥有随时可用、可访问的数据源,包括各类结构化和非结构化数据。来源包括:现场层(可编程逻辑控制器和物联网(IoT)设备和传感器等提供的非结构化数据,如实时的温度、振动或压力数据)、控制层(包括MES制造执行系统、SCADA监控与数据采集系统)、事务层(包括ERP企业资源计划系统、WMS仓库管理系统、TMS运输管理系统等)。

  • 高效的数据处理。包括数据摄取(从各数据源收集和导入数据)、处理(通过数据清洗、过滤等,将原始数据整理成适合机器学习和深度学习的数据)、存储(将数据存入中央数据湖,作为所有应用都可采用的可信数据源)、交付(构建数据管道,确保数据流畅通,并最终交付到数据应用环节)、存档和删除(基于数据治理等要求,确定数据的去留)。

  • 友好的应用交互。另一个关键的技术基础与AI工具和应用本身有关。在智能层,采用MLOps的最佳实践方法,纳入算法和AI模型,实现更高质量的模型开发、测试、验证、部署和服务目标。在参与层,主要由通用和专用应用程序组成,相关接口能够允许AI用户与生产结果进行交互,以更好推动经营实践与发展目标的一致。

  • 强大的计算能力。要实现机器学习和深度学习,离不开大量数据的运用和处理,数据处理速度主要依赖中央处理器(CPU)和图形处理器(GPU),要保障和提升AI数据计算效率,可以采取两种方式:本地部署或上云部署。虽然前述现场层、控制层等往往在本地部署,但相应的云端方案供应商也可圈可点。特别是随着Gen-AI的出现,以及未来用企业特有数据微调基础模型等需求的产生,企业既可以在本地部署、微调或操作一个开源基础模型,也可以成为云平台上的专用租户。

  • 实时的通信连接。机器学习和深度学习算法通常高度依赖实时通信技术和数据可得性,因此,高带宽、低延时的无缝网络连接至为关键。要做到这一点,在工厂与工厂之间,可采用云链路技术建立连接;工厂内部,可以用有线或无线通信进行连接;对各类设备,则可以采用适当的物联网协议来进行高效地通信。

  • 严密的网络安全。AI处理大量数据过程中,需要严格确保敏感数据信息安全,因此,很有必要制定一套全面、严密的网络安全策略,包括:对使用者采取严格的身份验证和访问管理;使用防火墙和入侵检测系统等加强数据保护、检测和响应;风险分析和管理;制定相关预案和恢复计划等。

结语

在BCG和WEF共同推出的《把握工业领域AI革命新机遇》白皮书中,我们为工业企业如何进一步加强AI赋能、释放AI价值提出了行之有效的建议:工业企业通过依次走好站上高处、迈好“五步”、走在前沿三个阶段,扎实建设组织、技术两大基础,从而实现AI在企业内的高效落地,并在全生产网络内规模化推广。

展望未来,BCG将继续依托深刻的行业洞察和强大的专家团队,揭示工业制造和供应链领域最前沿的AI创新和行业机遇,助力工业企业在AI浪潮中勇立潮头,驭浪而行。

(BCG波士顿咨询)
加载中...