人工智能和機器學習已經為黃金時間做好了準備，并且現在已經由工業物聯網支持，為制造商和工業設備制造商提供了利用豐富信息流的潛力，以進行從提高視覺檢查的一致性和質量到獲得對操作的關鍵見解的一切工作。

　　人工智能已經成為一個流行詞匯，并包含各種各樣的寄望和承諾。但實踐中人們卻常常發現它十分棘手，在現實運用中難以達到預期目標。這使得許多業內人士對人工智能心存疑慮。

　　事實是，許多企業需要數年的時間才能認識到人工智能和機器學習的真正潛力，但現在需要為人工智能驅動的未來打下基礎。事實上，如果企業開始采用人工智能戰略，那么可能在行業競爭中領先一步。所以在企業開始使用人工智能和機器學習時，需要考慮五個要點。

　　提出正確的問題

　　當涉及到面向未來的數據策略時，企業需要考慮四件事：組織內部有哪些可用數據?需要從外部獲取哪些數據來推動差異化?企業的數據是否可用機器學習和人工智能隨時可用的方式提供?也許是最重要的一點：在哪里可以提高業務技能?采用數據科學和人工智能技術需要什么，以及IT部門可以管理什么?這些問題的答案應作為企業策略的基礎。

　　采用多年使用的方法

　　人工智能/機器學習的成功實施并非一蹴而就。明智的企業對數據獲取和策略采用了多年使用的方法，重點是編譯來自不同來源和孤島的數據(通常圍繞卓越中心建立)，并通過適當的技術和人員來奠定基礎。同時，這些組織希望借助AWS、Microsoft等公司的基于云計算的產品來創建中間數據存儲，以隨著策略的發展而支持各種用例。

　　創新，有的放矢

　　成功的人工智能和機器學習計劃的關鍵是找到合適的合作伙伴，并采用經過驗證的解決方案。一種較好的方法就是從已經成功采用人工智能的其他領域中借鑒經驗。例如，有些B2C公司已經開始使用人工智能來跟蹤客戶的興趣和需求。這個過程尚處于起步階段，但它證明了人工智能/機器學習技術對工業環境的吸引力。例如，通過對控件和制造設備進行預測性資產分析，然后將這些知識推廣到制造環境中，將可以為流程設計帶來重大創新。

　　人工智能和機器學習可以通過對機器操作分析提供詳細、實時的業務洞察，這種新的手段能發現新的洞見，這是在缺乏統一數據的條件下無法實現的。

　　如今，人工智能和機器學習在制造業中變得越來越受歡迎，一些高級運營分析通常都采用人工智能技術。許多企業正在采用這些技術并將其應用到運營支出分析中，以了解在何處可以節省成本。所有企業都希望盡可能節約支出，而人工智能讓這一切成為可能。這些企業通常會積極繼續投資更多數字化技術。成功部署人工智能或機器學習技術可以顯著降低運營支出，并進一步推動整個企業的數字化轉型。

　　縮小技能差距

　　不論技術水平如何，對于數據工作者的需求都越來越大，他們需要更多地處理數據，并且企業需要尋找提高技能的方法，以可理解和透明的方式構建模型，并彌合整個組織的技能差距。由于人工智能數據設計需要“數據說話”來幫助構建工作流程，因此組織必須實施諸如增強分析之類的技術，以使數據準備、洞察發現和數據科學(即autoML)自動化，同時與人工智能知識較少的工作人員進行通信。

　　建立多學科團隊

　　由人工智能專家、數據科學家和業務分析師組成的多元化團隊提出一種更全面的人工智能/機器學習建模方法，因為整個項目包括數據收集過程，一直到數據挖掘活動、機器學習和自動化。那些能夠參與數據收集、處理和培訓的人員將能夠優化他們對組織的貢獻，并提高他們個人或公司實現目標的能力。

　　人工智能、機器學習和預測性維護技術使在生產線中建立新的連接成為可能，從而可以針對未來的運營提供新的洞見和建議。

　　現在正是企業利用這項創新技術提高整個生產周期透明度的大好時機--開發新的方法來增加產能，加快產品產出速度，并削減運營成本和資本支出。這是一個充滿機遇的時刻。