根据Business Insider的数据显示，制造业即将迎来物联网（IoT）和人工智能（AI）应用的再度大幅增长。预计到2027年，物联网市场规模将达到2.4万亿美元。
除了自动化和机器人技术等领域显而易见的应用外，AI系统还能够优化制造流程，发送早期警报，提升质量检查和质量控制，并预测机械中的设备故障。
优化制造过程的关键是收集正确的数据。通过这样做，制造商可以开发出创新的AI应用程序，使自己从竞争中脱颖而出。
许多制造企业开始在其工业物联网（IIoT）应用中采用各种AI算法以进行实时决策。了解基于AI的应用中的数据为王是至关重要的。汇集、清理和准备独特的数据是利用AI来优化组织并获得见解的最重要方面。
在AI工程师开始训练他们的机器学习模型之前，他们通常花费多达75％的时间来简单地处理起始数据。请记住，要训练一个可以在IIoT设备上运行的机器学习模型，必须要有一个数据集或一系列数据集来反映应用程序运行时的实际情况。
创建一个数据集的过程需要分几个步骤实现。通常是从收集多年的数据开始，工程师需要确定数据的总体结构。接下来，他们需要消除数据中的任何缺陷、差异或缺口，然后将这些数据转换成算法需要的形式，以便与之有效地交互。
嵌入式系统的边缘AI
边缘AI是制造业整体AI发展的重要组成部分。边缘 AI能够在硬件设备上本地处理数据，而不是依靠通过互联网连接的集中式数据库或处理节点。
在大多数IoT解决方案中，后端服务器通过多个设备和互联网连接的传感器接收数据。一台或多台服务器托管用于处理数据的机器学习算法，以创建AI解决方案提供的任何价值。
这种AI架构的问题在于，许多设备可能导致网络流量超载，或者您可能正在使用已经大量使用的网络。在这些情况下，将数据发送回中央服务器可能会导致处理速度慢得令人无法接受。而这正是边缘AI发挥其价值的地方，因为可以在硬件设备上本地执行一些不太复杂的机器学习和AI过程。
边缘AI对许多行业至关重要。一个例子是自动驾驶汽车，其中边缘AI可以减少电池的电量消耗。监视系统、机器人技术和其他几个行业也将从边缘AI模型中受益。
激发边缘AI的潜力
知识蒸馏（Knowledge Distillation）技术的引入具有极大的改善边缘AI解决方案的潜力。
知识蒸馏是通过知识压缩原理进行的一种模型压缩方法。使用诸如强化学习之类的技术，神经网络可以学习如何产生预期的结果，从而使一个较小的网络也可以学习创建出与较大的网络创建出的相似结果。
这种较小的网络规模更适合移动设备、传感器和类似硬件等边缘设备。知识蒸馏可以将边缘设备的空间负担减少多达2000％，从而减少了运行网络所需的能量、物理约束以及设备本身的成本。
一个应用知识蒸馏技术的实例是使用视频源在监视系统上实时检测性别。通常，识别性别需要相当大的基于云的神经网络。但是在实时系统中，返回到云端并不总是最好的选择。通过知识蒸馏技术可以将整个过程精简为一个较小的网络，该网络可以在安装到边缘设备的同时准确地识别性别。
基于机器学习的预测性维护
预测性维护是机器学习和AI对制造产生影响的特别富有成果的领域。实际上，根据Capgemini咨询公司的一项研究，将近30％的制造业AI实施与机械和生产工具的维护相关。这使得预测性维护成为当前制造业中使用最为广泛的应用领域之一。
基于机器学习的预测性维护的两个最重要的好处是它的快速性和准确性。AI可以足够快速、准确地识别机械问题，以便在发生故障甚至故障之前进行纠正。
例如，通用汽车使用安装在装配机器人上的AI摄像头，通过摄像头的使用，它能够检测出一组5000多个机器人中的数十个组件故障，从而规避了可能出现的故障。
基于机器学习的预测性维护可以使用各种模型和方法，从使用历史数据来预测故障的回归模型和分类模型，到分析系统和组件以寻找应变或异常迹象的异常检测模型。
用于质量控制的计算机视觉
汽车和消费产品行业面临着监管机构的苛刻要求，而维持这些法规的合规性是AI和机器学习可以大显身手的领域。高质量相机的成本每年都在下降，而AI图像识别和处理软件也在不断快速改进。因此，基于AI的检测方法对企业的吸引力越来越大。
特别是在汽车行业，例如，德国汽车制造商宝马率先采用了这项技术。宝马将AI应用程序作为检查过程的最后一步，将新制造的汽车与订单数据和规格进行了比较。另一家汽车制造商日产，在将AI视觉检测模型纳入其质量保证流程方面也取得了显著进展。
视觉检查算法越来越受欢迎的部分原因是这些算法的发展日趋成熟。现在，基于神经网络的系统可以识别出各种潜在问题，例如裂纹、泄漏、划痕、翘曲以及许多其他异常。
而应用所要检查的参数可以根据复杂的规则映射进行调整或适应到给定情况。当与GPU和高分辨率摄像头搭配使用时，基于AI的检测解决方案在准确性和速度上可以大大超过传统的视觉检测系统。
制造业的未来
从某种角度来说，制造业的未来几乎就是基于IoT的AI的未来的代名词。在2019年，估计有80亿个IoT设备，但是到2027年，预计将有410亿个IoT设备，而这一增长的最大份额将是制造业。预计制造业中AI的估值将增长15倍以上，从目前的约11亿美元增长到2026年的160亿美元以上。
高效生产的所有特征——标准化、规模经济、任务自动化和专业化，都在很大程度上得益于机器学习和AI解决方案的实施。因此，在未来几年，嵌入IoT设备的AI将不可避免地继续紧密地融入到更多的制造过程中。