近日，我采访了Amitron公司首席转型官Aidan Salvi。Aidan Salvi谈到了机器学习在对准方面的相互作用。Amitron一直在对其大部分制造设备进行现代化改造，Aidan指出，改进对准是关键目标。他认为对准是整体系统。要做出智能改进，需要数据。为了得到数据，需要采集数据的设备和传感器。为了理解数据，需要分析，最终还需要预测工具。
Nolan Johnson：Aidan，你正在领导Amitron进行转型，你分享了对准改进是转型的目标之一。你认为机器学习和人工智能在其中起到了哪些作用？
Aidan Salvi：让人工智能发挥影响力有几个步骤。一切都要从收集数据开始。我们使用近60种具有不同的功能的不同设备运行的制造流程。当着眼于人工智能的未来时，最大的挑战是我们如何整合这些数据，如何创建标准？我们如何创建能够存储和检索数据的可扩展硬件？数据量是巨大的；公司需要审视其数据基础设施，并评估如何将其整合在一起。这是我认为未来人工智能的首要障碍。
Johnson：当谈到将人工智能引入PCB工厂时，它是硬件处理能力和数据存储的挑战，还是软件工具、人员和技能的挑战？
Salvi：我认为至少有3点是应对这次挑战的基石。首先是与设备的集成。公司必须与相当多的制造商沟通，才能以一致的方式从设备中提取必要的数据，而这在我们的行业中并不存在。其次，这不一定是计算力的问题，更多的是基础设施设计的问题。我们正在处理大量需要通过网络传输、存储和处理的实时数据。换句话说，公司要设计能够满足未来人工智能计算需求的基础设施。最后是云集成，大部分人工智能都是在这里构建的。这开始让我们远离物理组成，转而研究如何开始大规模处理数据，并在虚拟云架构中构建数据系统。由于存在总体成本和知识差距，这些要点都是具有挑战性的。
Johnson：当然，当收集和分析数据时，是在事后或被动地操作。当涉及到对准时，它往往是预测性的、积极主动的活动——提前为变化等做好计划。我们如何从事后处理转向事前处理？
Salvi：人工智能是学习工具。我们需要收集个别公司的系统和流程如何运作的数据。随着学习和解释越来越多的信息，决策会随着时间的推移变得越来越好。在我们能够从定标点的角度存储、编目、理解并预测下一个类似作业之后，才会产生预测能力。
重要的是要切记，人工智能的力量来自于吸收如此多的可变因素的能力——人类面临着计算这些因素并将其全部放入模型中的挑战。有了这个模型，现在我们可以提取，比如说，50个独立的数据点，并为下一份作业进行计算，以获得建议，比如“这是我们需要的基于这50个数据点的所有不同排列的缩放因子。而该缩放因子就是人工智能解释超过10万种不同排列而得出的”。随着时间的推移，这些数据点会变得越来越多，并汇聚到好的解决方案中。这就是人工智能对未来的影响。
Johnson：现在有提供这种预测功能的工具吗？
Salvi：人工智能模型通常需要一些研究和工程设计，必须开发这些工具。作为工厂5.0™现代化步骤的组成部分，我们正在研究标准化数据、数据仓库，以及与每一家设备制造商集成的方法。这一切都必须是为行业定制的，因为目前还没有了解我们行业运作方式的模型。
目前已有机会，但在真正创造有影响力的价值之前仍存在挑战。我们必须克服这些挑战，将其转化为对生产线有影响力的信息，从而创造更先进的制造流程。我认为，要让它真正成为行业的一部分，需要时间、合作以及人们的大量资源和知识。
Johnson：你认为随着时间的推移向人工智能技术的过渡是强制性的吗？
Salvi：和其他任何事情一样，我们都需要在这个行业中竞争。我们必须保持相关性，有些公司希望比其他公司更自信地推进他们的技术，无论是出于需求还是愿望。最终，就像全球其他技术一样，人工智能将成为生态系统中不可或缺的组成部分，但它只是整个生态系统的一部分。世界总会有人，我们仍然必须生存。工厂总会有工程师和生产工作人员。我们只需要找到中间地带，达成人和人工智能的平衡、合作。人类要思考，如何才能更好地利用现有工具实现正在努力构建的一切？
Johnson：同意，很棒的理念。谢谢你。
Salvi：谢谢你。
