必须收藏！2018年机器学习变革制造业的10佳用例
通过机器学习可以实现半导体制造产量提高30％，降低废品率，优化工厂运营。通过机器学习可以实现将供应链预测误差降低50％，通过机器学习可以实现更高的产品可用性，从而减少销售人员65％。使用机器学习自动进行质量检测可将缺陷检测率提高90％。
机器学习算法，应用和平台正在帮助制造行业找到新的商业模式，优化产品质量，并将生产操作优化到车间层面。
制造商最关心的是寻找新的增长方式，在产品质量方面表现出色，同时缩短生产运行和到达客户的时间。新的商业模式通常会带来新产品线的矛盾，这种矛盾会导致现有的ERP，CRM和PLM系统变得紧张，需要始终提高时间到客户的表现。今天制造业的新产品正在激增，交付窗口正在收紧。制造商正在转向机器学习，以提高其运营的端到端性能，并找到更好的基于性能的解决方案。
2018年机器学习正在为制造业带来革命性变化的10佳用例：
《德国及其工业部门如何使用人工智能（AI）进行智能化？》
通过机器学习可以实现半导体制造产量提高30％，降低废品率，优化工厂运营。通过机器学习分析降低废品率，并通过AI优化降低测试成本是机器学习将改善半导体制造的前三大领域。麦肯锡还发现，AI增强的工业设备预测性维护将使年度维护成本降低10％，停机时间缩短20％，检查成本降低25％。
PDF：https://www.mckinsey.de/files/170419_mckinsey_ki_final_m.pdf
《未来生产的技术与创新：加速价值创造》
资产管理，供应链管理和库存管理是当今制造业人工智能，机器学习和物联网采用最热门的领域。世界经济论坛（WEF）和A.T. Kearney最近对未来生产的研究发现，制造商正在评估如何将包括物联网，人工智能和机器学习在内的新兴技术结合起来，以提高资产跟踪的准确性，供应链可视性和库存优化。
PDF：
http://www3.weforum.org/docs/WEF_White_Paper_Technology_Innovation_Future_of_Production_2017.pdf
《数字化工厂2020：塑造制造业的未来》
根据普华永道的数据，制造商采用机器学习和分析以改善预测性维护预计在未来五年内将增长38％。分析和MI驱动的流程和质量优化预计增长35％，流程可视化和自动化34％。普华永道认为分析，API和大数据的整合有助于未来五年相关工厂的增长率达到31％。
PDF：
https://www.pwc.de/de/digitale-transformation/digital-factories-2020-shaping-the-future-of-manufacturing.pdf
《德国及其工业部门如何使用人工智能（AI）进行智能化？》
麦肯锡预测机器学习将使供应链预测误差减少50％，通过机器学习可以实现更高的产品可用性，从而减少销售人员65％。供应链是任何制造业务的生命线。预计机器学习将分别将与运输和仓储以及供应链管理有关的成本分别降低5％-10％和25％-40％。机器学习使得总体库存减少20％-50％是可能的。
PDF：https://www.mckinsey.de/files/170419_mckinsey_ki_final_m.pdf
《霍尼韦尔连接工厂：分析和超越》
使用机器学习提高需求预测准确性以降低能源成本和降低价格差异，揭示价格弹性和价格敏感度。霍尼韦尔正在将AI和机器学习算法整合到采购，战略采购和成本管理中。
PDF：
https://www.honeywellprocess.com/library/news-and-events/presentations/2017-HUG-Honeywell-Connected-Plant-Analytics-and-Beyond.pdf
《使用多级库存优化改变制造供应链》
使用机器学习实现库存优化自动化已将服务水平提高了16％，同时库存周转率增加了25％。人工智能和基于机器学习约束的算法和建模使得可以在所有分销地点扩展库存优化，同时考虑影响需求和客户交付时间的外部独立变量。
PDF：
https://enterprise.microsoft.com/en-us/articles/industries/discrete-manufacturing/transform-the-manufacturing-supply-chain-with-multi-echelon-inventory-optimization/
《未来工厂：共生生产系统，实时生产监控，边缘分析和人工智能如何使工厂变得智能和敏捷》
结合实时监控和机器学习，可以优化车间操作，提供机器级负载和生产计划性能的见解。实时了解每台机器的负载水平如何影响整体生产计划性能，从而更好地管理每次生产运行。现在可以使用机器学习算法来优化给定生产运行的最佳机器组。
PDF：http://www.hitachinext.com/pdfs/factories-of-future.pdf
《利用人工智能进行工业物联网》
提高多个制造方案中检测性能降低成本的准确性，可将成本降低50％或更多。使用实时监控技术创建捕获定价，库存速度和相关变量的准确数据集，可为机器学习应用程序提供确定跨多个制造方案的成本行为所需的内容。
PDF：http://www.hitachinext.com/pdfs/leveraging-ai-for-industrial-iot.pdf
《制造业分析中数据科学标准的价值》
通过使用机器学习准确预测校准和测试结果，制造商能够将测试和校准时间缩短35％。该项目的目标是缩短移动式液压泵生产的测试和校准时间。该方法集中于使用一系列预测测试结果并随时间学习的机器学习模型。下面的流程工作流程能够隔离瓶颈，简化流程中的测试和校准时间。
PDF：http://dmg.org/downloads/KDD_StandardsTalkSlides/Soundar.pdf
《TIBCO制造解决方案》
通过将机器学习与整体设备效能（OEE）相结合，现在可以提高资产的良率，预防性维护准确性和工作量。OEE是制造业中普遍使用的指标，因为它结合了可用性，性能和质量，确定了生产效率。结合其他指标，有可能找到影响制造业绩效的因素。在通过迭代快速学习的机器学习模型中将OEE和其他数据集合，是当今制造智能和分析发展最快的领域之一。
PDF：https://community.tibco.com/wiki/tibco-spotfire-and-tibco-streambase-manufacturing-solutions