人工智能是我们这个时代被认为是最有前景的发展方向。它吸引了有科技企业，科幻小说作家，政府、工程师和金融风头注意力。实际上，人工智能在许多方面是数据革命的催化剂，影响现代生活的各个方面。与所有新技术一样，有些更快地接受它们，而另一些则慢得多。其中RPA就是人工智能未来能作为抓手的一项有利工具，或者说是商业变现的途径之一。
汽车制造领域的人工智能
人工智能（AI）涵盖了多种技术，包括机器学习（ML），深度学习（神经网络），计算机视觉和图像处理，自然语言处理（NLP），语音识别，上下文感知处理以及预测性API。但是，这对制造和供应链运营有多大影响？值得考虑的三个“智能”，即智能机器，智能质量保证和智能物流。
首先，智能机器很重要，因为提高资产利用率是AI转换为直接节省资金的最大机会之一。由于总体设备效率（OEE）已成为比较机器性能的事实上的标准，因此汽车公司开始采用AI和机器学习（ML）算法来压缩机器的每一盎司性能。典型的用例包括瓶颈检测和预测性/规范性维护。动态瓶颈检测对于有效利用有限的制造资源并减轻短期和长期生产限制是必不可少的。在我们的案例中，我们开发了基于神经网络的AI预测来确定未来的瓶颈。
全面的AI战略对于汽车制造商的成功和竞争力至关重要，无论今天的管理人员看来用例有多牵强
在预测性/规范性维护方面，现代制造机器基础设施采用3V设计，可处理大数据：数量，可变性和速度。通过将机器学习算法整合到数据云中来利用大数据的潜力，为技术人员和管理人员提供持续的反馈，以确保零停机时间。与边缘计算一起，根据输出参数为机器提供恒定的反馈。这将导致更智能的机器根据各个周期自动进行自我校正。
智能质量保证非常重要，因为质量控制（例如质量门）通常由工人执行。该过程通常是高度主观的，并且取决于操作员的技能和培训水平。基于计算机视觉和图像处理的智能助手可以提供帮助，在某些情况下，还可以代替检查过程。而且，AI系统会根据反馈不断改进自身。
预测分析可用于帮助进行需求预测，而AI正在帮助网络规划人员获得对需求模式的更多见解，从而提高了预测准确性。在准确的预测模型中获得的效率会在整个供应链中产生牛鞭效应。
智能仓库是库存系统，其中库存过程是部分或完全自动化的。这包括互连技术以提高生产率。智能仓库使用IIOT（工业物联网）和AI连接每个流程，在每个节点上收集数据，并且智能仓库不断学习和优化流程。
现在的行业在哪里？
大多数汽车制造商尚未采取有意义的步骤将人工智能集成到其制造过程中。即使是已经存在的项目，也大多是与提供非汽车应用定制产品的大学和公司合作。
先行者采取了许多举措（批量生产，而不是试点举措），包括投资从其制造业务和供应链集中收集数据；使用NB-IoT等技术集中连接各种传感器以预测维护，正常运行时间和其他关键信息的项目；整个供应链中的资产跟踪计划；基于供应商报告的KPI和其他来源数据的先进供应链风险预测技术；以及对初创公司的投资以预测设备问题。
有哪些挑战？
汽车制造商通常对新的，未经验证的技术会厌恶风险，并且由于包括投资回报率在内的许多因素，人工智能不太可能首先在汽车制造中得到应用，这尚不明确，并且可能需要一段较长的时间; 缺乏人工智能方面的专业知识和有限的资源来致力于这项计划；组织和流程挑战；以及基于非AI方法的可用性，结果令人满意。
除了AI，还可以试试RPA
汽车制造商制造业高管对具有强大、可证明的回报潜力的技术机会感兴趣，这在供应商的情况下尤其如此。对于这个多年来收获丰厚回报的行业来说，一个熟悉的概念是自动化和机器人技术。自从1959年第一台工业机器人Unimate安装在通用汽车工厂以来，自动化一直是汽车工业生产和效率指数增长的驱动力之一。如今，数以百计的机器人在生产线上忙着组装零件，一种新型机器人正在幕后掀起波澜，为下一次汽车工业革命做准备。
所谓的“软机器人”或“数字劳动力”是一种编程软件，可以帮助自动化许多规则驱动、重复和涉及重叠系统的过程。随着在人力资源、IT和财务方面的成功，这些软件机器人可以24/7地进行枯燥、重复的手工工作，而这些工作通常需要几天的时间才能完成。这可能会显著降低成本，同时大大提高效率。除其他行业外，汽车行业将通过改造各种消费者和企业应用程序，从机器人流程自动化（RPA）中受益匪浅。
随着公司意识到可以解决全球物流复杂性的潜力，供应链中的AI应用正在迅速发展，并且在汽车行业中扮演着特别重要的角色
除了人力资源，IT和财务等业务支持功能外，RPA还可以在汽车制造业的许多领域做出贡献，包括库存管理，生产监控和平衡，纸质文档数字化，供应商订单和付款处理，数据存储和管理，以及数据分析和预测。
RPA可以接管其中一些或大部分流程，以降低资源成本。更重要的是，它可以与其他现有技术集成，例如对象字符识别（OCR），文本挖掘和自然语言处理（NLP），以使车间中的更多数据可用于高级和预测性分析。然后可以开发应用程序以更快地检测或预测质量问题，并根据历史数据和专家知识来建议纠正措施。
除了制造业以外，RPA还通过帮助汽车公司构建系统来自动处理数百万用户的数据请求，从而对提高法规遵从性（例如GDPR或CCPA）产生影响。
对于大多数汽车公司而言，RPA是下一个合乎逻辑的步骤，也是一个起点。即使RPA是基于规则的并且不涉及情报，它也将有助于引发思维方式的转变，这是未来在汽车环境中采用AI所必需的。此外，RPA通过在实施后立即降低成本和减少错误方面的优势，提供相对更快的ROI。
汽车AI切入方向
数据密集型制造业带来了数据湖、强大的计算能力和高效算法的可用性，使人工智能更容易融入汽车制造商的技术路线图。将人工智能应用于目前规模较小的制造业并不需要大量的资本投资。可培训的数据随时可用，有助于强化测试和深入学习。云计算和弹性计算提供了根据需要扩展计算能力的机会。与来自学术机构以及汽车制造商产品开发团队的人工智能和多用途语言专家合作，以维持数字化转型之旅，可能是有效的。
拥有一个全面的人工智能策略对于汽车制造商的成功和竞争力至关重要，不管这些用例在当今的管理人员看来有多牵强。
原文链接：https://www.51rpa.net/rpanews/4238.html
