我们打算推出一个专门系列，探讨人工智能及其在工业中的应用。这是第一篇。

不同于其他有关人工智能的文章，我希望在这篇文章中探讨对人工智能的共识和定义，尤其是如何将其应用于资产密集型组织。

困难在于，在不同的环境下，人工智能对不同的人意味着不同的事物，因此很难定义这个概念，因为它本身不是一项真正的技术。对人工智能最贴切的描述是：人工智能是各种不同技术的集合，这些技术结合在一起，助力系统（流程、资产或机器）发挥智能作用。

如果我们扩展这个概念，人工智能支持的业务应用的目的就是通过帮助系统感知、理解、执行和学习，使系统发挥智能作用。通过机器学习（Machine Learning）或深度学习来训练系统是使系统变得智能的核心要素，这个过程在优化性能、准确性和质量方面具有强大的功能

通过与安排的生产活动直接联系，使基于活动的对话具有清晰度，从而：指定对一个批次的技术变更、标记返工指令、共享生产状态更新、标记呆滞不合格品等。这有助于使居家办公的员工与在生产工厂的人员始终保持一致。

与其过多地关注字典定义，不如探讨人工智能可赋予流程、资产、机器或系统何种能力。机器学习是使流程、资产、机器或系统智能化的核心。能够通过分析数据而不是通过硬编码来决定如何行动，是人工智能与其他形式的自动化的区别。

“人工智能星座”

许多企业开始定义自己的人工智能程序和制定数字化计划，它们需要一个框架来帮助捕捉人工智能范式转变的本质以及组织内所有业务流程的转变 – 无论是突破性创新、日常客户服务还是企业生产力计划。在用于定义和解释人工智能的众多框架中，我认为最直观、最符合逻辑的框架是“人工智能星座”，这是《人与机器：重新想象人工智能时代的工作》（作者：Paul R. Daugherty和H. James Wilson）一书中介绍的范式。

在这种范式下，企业人工智能分为三个层次。在第一层，企业定义其用例和业务应用（原因和内容），利用数据为利益相关者创造更大的价值。在第二层，我们研究支持业务应用的人工智能功能套件。最后，在第三层（核心），我们探讨可用来交付预先确定的人工智能功能（方式）的各种机器学习方法。

例如，规范性维护是人工智能在资产密集型行业中最引人注目的业务应用之一。根据此框架，在第一层，对于通过系统减少计划外停机时间、延长资产寿命和提高整体生产率的行业，这些应用变得越来越普遍。

在第二层，这些业务应用（或智能软件代理）可利用一种或多种人工智能功能预测何时维修资产。在第三层，这些功能基于各种机器学习方法 – 从使用回归和/或神经网络模型的监督学习，到用于模式检测和其他机器学习技术的半监督学习。

使用此框架从根本上解构每个人工智能用例和业务应用，从而使企业能够构建整体人工智能程序，清楚地分析每个人工智能计划的业务价值，并了解投资和指导人工智能程序所需的基本要求。

人工智能星座是企业用来构建其人工智能程序的强大框架。该框架强调用例和应用的商业价值，有助于将重点放在启用人工智能功能的前提条件上并掩盖底层人工智能和机器学习方法的复杂性。随着人工智能和机器学习民主化进程的加速，这些技术正在成为企业一级数字化转型的关键支柱。

人工智能及机器学习在资产密集型行业中的应用

虽然有令人信服的用例存在且人工智能可为企业带来可度量的业务价值，但是在人工智能采用方面，基于流程的资产密集型行业落后于许多其他行业。一个主要原因是企业的成熟度。

这类企业需要新技能，但缺乏优质数据。高德纳的最新调查表明，56%的企业领导者认为他们需要更新的技能才能完成人工智能任务，同时有34%的受访者表示，数据质量低下是实施人工智能项目的关键阻碍。（考虑到这一点，使用人工智能进行规范性维护仍然有很大价值，因为它还采用一些技术来从任何资产的当前数据状态中获得强大的结果。）

人工智能技术采用缓慢的另一个原因是对收益和用例的了解不足。在高德纳的调查中，42%的受访者表示他们不完全了解人工智能的收益或隐含的投资回报率。量化人工智能项目的收益对企业领导来说颇具挑战性。到2024年，50%的人工智能投资将实现量化，并与具体的关键绩效指标挂钩，以衡量投资回报率。

因此，整个行业仍有许多工作要做，首先要对“人工智能的定义”达成共识，并建立一个简单的框架来让企业的人工智能项目可视化。以此为基础，在后面的博文中，我将探讨应用人工智能来推动数字化进程的最佳实践，以及资产密集型行业会遇到的一些常见陷阱和关键收益。

如果您想进一步了解数字解决方案如何帮助您的企业提升绩效，请阅读我们最近的执行摘要《运用新一代运营技术在瞬息万变的世界中实现智能企业》。