根据 Business Insider 的数据，制造业即将看到物联网 (IoT) 和 AI(人工智能)应用再度大幅增长，到 2027 年，物联网市场的年估计额将达到 2.4 万亿美元。

除了自动化和机器人等明显的用例之外，人工智能系统还能够优化制造流程，发送早期警报，促进质量检查和质量控制并预测机械设备的故障。关键是收集正确的数据，然后制造商可以开发创新的 AI 应用，从而使其与众不同。

许多组织在其工业物联网 (IIoT) 应用中采用了各种 AI 算法来做出实时决策。了解基于 AI 的应用中的数据是至关重要的。聚集、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，他们通常只花费 75% 的时间来简单地处理起始数据。请记住，要训练在 IIoT 设备上运行的机器学习模型，必须具有一个或多个数据集，以反映应用上线时的实际条件。

创建数据集的过程是多部分的 - 从经常收集多年的数据开始，工程师将需要确定数据的总体结构。他们需要消除数据中的任何缺陷、差异或差距，然后将这些数据转换为算法需要与之进行有效交互的形式。

嵌入式系统的边缘人工智能

边缘人工智能是制造业整体 AI 开发的重要组成部分。 Edge AI 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。

对于大多数物联网解决方案，后端服务器通过多个设备和通过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，从而创造 AI 解决方案提供的任何价值。

这种 AI 架构的问题在于，许多设备可能开始超载网络流量，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会导致处理时间过长，这是令人无法接受的。这是 Edge AI 发挥其价值的地方，因为可以在硬件设备上本地执行较不复杂的机器学习和 AI 流程。

Edge AI 对许多行业至关重要。一个例子是自动驾驶汽车，其中 Edge 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 Edge AI 模型中受益。

知识蒸馏的概念具有极大地改善 Edge AI 解决方案的潜力。

知识蒸馏通过知识压缩的原理进行。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。在这一点上，较小的网络将学习创建与较大的网络已经开创的结果相似。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源、物理约束以及设备本身的成本。

正在应用的知识蒸馏的一个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，跳回云并不总是一种选择。知识蒸馏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。如果没有知识蒸馏技术，这可以实现几种不可能的应用。

机器学习以进行预测性维护

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，根据凯捷 (Capgemini) 的研究，将近 30% 的制造业 AI 实施与机械和生产工具维护相关。这使得预测性维护成为当前制造中使用最广泛的用例。

基于 ML 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，以便在发生故障和故障之前进行纠正。例如，通用汽车使用安装在装配机器人上的摄像头，通过使用，它能够在 5000 多个机器人中检测出数十个组件故障，从而避免了停机的可能性。

机器学习预测性维护方法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

汽车和消费品行业面临监管机构的苛刻要求，而遵守这些法规是 AI 和机器学习的一大亮点。高质量摄像机的成本每年都在下降，而 AI 图像识别和处理软件仍在不断快速改进。因此，基于 AI 的检查方法对企业越来越有吸引力。

特别是在汽车行业，德国汽车制造商宝马 (BMW) 率先采用了这项技术。宝马将 AI 应用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。日产是另一家在将 AI 视觉检查模型纳入其质量检查流程方面取得显着进步的汽车制造商。

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。根据复杂的规则映射，可以调整或调整应用程序要检查的参数以适合给定的情况。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

毫不夸张地说，制造业的未来几乎是基于物联网的 AI 的同义词。在 2019 年，估计有 80 亿个 IoT 设备，但到 2027 年，预计将有 410 亿个 (https://www.businessinsider.com/internet-of-things-report)，增长的最大份额将在制造业。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。

机器学习和人工智能解决方案大大提高了高效生产的所有标志 - 标准化、规模经济、任务自动化、专业化。因此，在未来几年中，嵌入在物联网设备中的 AI 将不可避免地继续紧密地融入所有主要制造流程中。