|
一家炼油厂想要预测和避免一个重要的气化炉发生故障停机（该气化炉负责将精炼过程中的残余产物转化为用于发电的、有价值的合成气）。如果该气化炉意外故障停机会导致发电暂停一个月，必将造成巨大损失。尽管炼油厂已经积累了大量有关日常运作的数据，但是并未清楚地了解哪些具体因素会导致该气化炉的故障停机。传统的工程模型无法完全描述上千种可能导致故障的变量之间所存在的复杂的相互依赖关系。 炼油厂的工程师与数据科学家密切合作，使用人工智能来确定故障原因。通过机器学习算法导入六年的运行数据和维护信息，人工智能模型成功量化了所有关键因素（包括原料种类、产出质量和温度）对整体性能的影响，工程师们从而能够判断该气化炉是否可在计划维护的间隔时段内继续运行。 工程师们根据机器学习算法产生的洞察，设计了一个基于规则的透明系统，用于调整蒸汽和氧气等变量的关键运行设置，使设备能够在计划维护间隔时段内保持运行。该系统可以最大限度地减少机组意外停机的风险，并减少维护计划的短期变化，从而产生显著的经济效益。 预测性维护的解决方案对于人来说也同样适用。一家从美国联邦医疗保险收取固定费用的美国保险公司，希望利用人工智能来减少医保患者不必要的看诊。该保险公司将病史数据（例如药物不良反应）和病例管理记录提供给机器学习系统。该系统将客户进行智能分类，并为预防措施提供了实用的建议。例如现已证实，近期内丧偶的患者将来需要医疗干预和预防性护理的几率会很高。这些洞察使得支付方能够重新设计保险项目，从而每年节省6.5亿美元的潜在支出。 除了维护之外，一位冶炼厂还利用人工智能和非线性优化来提高铜的纯度，这是工程师们多年来都在尝试的事情。工程师们与数据科学家团队合作，将五年的历史数据录入到一个神经网络中。该系统建议改变生产，结果铜纯度提高了2%，冶炼厂的利润也随之增长了两倍。而这一工作仅耗时六周，且无需额外的资金或运营开支。 采购和供应链管理 在采购领域，结构化的数据和重复交易属于常见现象，因此人工智能具有巨大潜力，但在很大程度上还未实现应用。今天的机器能够击败世界顶级扑克玩家，还能进行证券交易，但是至少在公开场合，机器还未显示出其在企业采购中智胜供应商的能力。（企业可能会使用支持人工智能的采购系统，但不会告知供应商或其它任何人，从而保持其竞争优势。）为人所知的采购应用人工智能包括聊天机器人、半自动的合同设计和审查，以及根据新闻、天气、社交媒体和需求分析提出的采购建议。人工智能的增强应用甚至是自动化采购现在才开始出现。 供应链管理和物流则截然不同。这些流程可以直接使用历史数据，从而自然成为机器学习应用的目标。 一家全球化的金属公司最近建立了一系列机器学习引擎，用于协助管理其整个供应链，并预测需求和定价。该公司将40多个数据库、ERP系统和其它报表系统集成到一个数据湖中。基于这些变化，系统现在能够识别和预测复杂且难懂的需求模式将如何影响整个供应链。例如，美国玉米一周的收成变化会对铝供应链产生全球性影响，因为铝是一种常见的玉米包装材料。该公司的这一项目还帮助客户服务水平提高了30%至50%。此外，该公司还将在三年内实现2%至4%的利润率增长，并在两年内减少4至10天的库存时间。 这个案例突显出数据、数据准备和数据集成对于实现人工智能的重要性。相对于构造机器学习模型而言，收集数据和构建数据基础结构需要花费更多的时间。 后台职能 企业通常会外包部分后台职能，这一现象在各个机构中都很相似。如今企业很快就可以为这些流程购买人工智能解决方案。IBM、埃森哲和印度四大巨头（HCL、Infosys、Wipro、Tata）等外包巨头正在进行大规模的人工智能开发。这些公司将重点从强调降低劳动力成本和规模转向建设智能和自动化平台，以提供更高附加值的服务。 许多服务机构开始认识到人工智能与机器人流程自动化（RPA）相结合的好处。他们使用基于规则运行的软件机器人来代替人类常规工作，然后通过人工智能增强灵活性、智能性和学习能力。这种方法结合了机器人流程自动化的成本迅速回收和人工智能的高阶潜能（参阅BCG于2017年6月发表的文章《用RPA和AI驱动服务型经济》）。 （责任编辑：晨鸿） |
