“

　　在工業應用中使用人工智能和機器學習技術，往往需要專業和廣泛的知識儲備。如何改善人工智能和機器學習的培訓，使得更多的制造企業受益于此？

　　”

　　人工智能（AI）人才稀缺，很少有工業企業在其內部擁有足夠的AI人才。人工智能將改變很多工作崗位，企業應為每位員工提供所需的知識和培訓，以適應新的AI增強角色。AI資源有助于企業實現新的業務模型，提供更好的服務。

　　在過去十年中，人工智能的設計、開發和實施，已經擴展到很多領域。制造企業正致力于理解AI的商業潛力以及尋找合適的AI人才。

　　越來越多的國家開始認識到人工智能帶來的機會，著手制定國家級人工智能戰略。2017年芬蘭啟動了人工智能計劃，是最早啟動該項計劃的國家之一。該AI計劃確定了一小部分公司作為人工智能實施的先行者；大多數公司都處于在運營中使用數據和人工智能的早期階段。

　　解決AI的技能差距

　　解決AI技能差距的一種方法是增加數字、數學和技術教育的資源。以芬蘭為例，目前的教育體系對AI在不同領域的應用還不夠重視。學術和培訓項目無法跟上AI快速創新的步伐。AI教育應盡早開始，并在每個階段都開展這方面的教育。學術界、公司和公共部門的官員必須共同努力，確保提供全面的AI課程。大規模在線公開課程（MOOC）提供了一種新的路徑，可以為大眾提供基本的AI教育，這是非常好的方法。但是，更深入的了解通常需要量身定制的教育模塊。

　　與很多其它行業相比，在AI和機器學習（ML）應用方面，制造業目前相對落后。采用新技術，特別是在過程工業中，需要冗長的規劃，這很費時間。制造企業在優化生產方面擁有悠久的歷史，而且投資生命周期可能持續數十年，因此無法迅速做出改變。此外，安全和環境法規也要求嚴格監管。

　　根據普華永道AI影響指數的行業預測，到2023年，一些行業部門營業利潤率（扣除商品成本和運營費用后，每一歐元收入中剩下多少錢的百分比）可能會提升60％至100％。不同行業的“AI提升曲線”可能存在差異，這主要受到兩個因素的影響：1）行業采用不同AI應用的速度；2）開發能夠解決特定行業問題的AI解決方案。

　　AI制造的收益和挑戰

　　在制造業中，短期收益預計主要來自過程自動化和基于生產率的解決方案。中期收益則來自于智能自動化所具有的巨大潛力，可以實現更復雜過程的自動化，而預測性維護和優化應用則可進一步提高性能。

　　▎Dimecc公司的機器學習學院，展示了人工智能和機器學習項目的周期性。圖片來源：Dimecc

　　AI和ML帶來的生產率提升，不僅取決于技術本身的引入。還需要改變工作的組織形式并擴展員工的知識。

　　研究表明，采用AI和ML的最大障礙是技能差距。大多數時候，調查會指向開發AI和ML解決方案所需的技術。但是，AI和ML中最大的技能差距遍布整個組織。

　　芬蘭AI計劃的最終報告指出，芬蘭為那些旨在成為AI專業人士（信息技術、數學）的人提供了高質量的教育，但是AI應用領域存在差距。在這些領域中，AI的效果將最快顯現。工作組表示，要實現雄心勃勃的AI目標，最重要的是確保提供多樣化的教育，對新的教育方法進行投資，并制定新的人才吸引計劃。

　　對員工進行持續教育是一個挑戰，不同的運營和機制可以解決這些問題。一個關鍵因素是要提高管理人員對AI機會的認識和了解，以確保有足夠的投入用于新的、更靈活得教育方法。

　　對員工AI技能的要求

　　員工能力要求受就業市場工作需求變化的影響。在開發和應用AI的任務中，對新人才的需求正在快速增長。普通的教育途徑無法解決這一需求。需要新的運營方式和機制，來幫助有效地提高現有員工的AI技能。

　　通常來說，員工的大部分能力都是通過在職學習獲得的，因此企業對員工的能力發展負有更多責任。企業應積極尋求通過內部或與其它組織合作來對員工進行教育和培訓的機會。

　　教育方法很多，但很少有工業4.0環境下的現場學習。企業需要適當的績效評估策略和員工培訓，以及自我調節、反思、協作和混合學習，以降低將員工排除在工業4.0環境之外的風險。未經適當培訓的企業，會影響其生產效率、產品多樣性和質量。

　　企業需要使現有專業人員具備AI技能，才能在AI驅動的環境中運用他們的知識。2018年對“未來工作環境”和“學習家庭”的一項研究成果支持此論點，該研究指出，對員工進行AI和ML技能培訓，可能是填補技能差距的有效方法。

　　員工培訓能否成功，將取決于其靈活性和解決問題的能力以及參與終身學習的意愿；否則，員工可能將無法跟上工作場所和工作程序變化的需求。這一挑戰也可以解釋，為什么許多企業不愿投資于通常包括AI的網絡物理系統（CPS）。企業層面的技能管理以及公共教育改革，是引入CPS的重要因素。

　　機器學習課程和培訓

　　可以從主要技術提供商（例如IBM、微軟、亞馬遜和谷歌等）或由知名大學組織的MOOC課程那里，獲得關于AI和ML的免費、通用的在線培訓。

　　例如一個名為“Elements of AI”的在線課程，它由芬蘭技術公司Reaktor公司和赫爾辛基大學合作創建。通常，此類培訓的目的是“揭開AI的神秘面紗”，以鼓勵更多的人了解AI是什么、它有什么用處以及它的局限性。

　　來自Dimecc公司的機器學習學院，與Futurice 公司合作，專注于行業定制方案，利用有針對性的方法來消除、至少是縮小AI能力差距。機器學習學院的主要目標受眾包括管理和參與AI/ML開發項目的研發主管和工程師，以及業務和產品所有者。為了完成這些任務，他們需要了解如何定義、規劃、評估和管理包含AI和ML元素子實體的開發或內包。例如，對于研發工程師來說，重要的是要了解這些新技術的引入，將如何改變其產品開發流程的功能、邊界、調度和接口。課程結束后，參與者可以了解AI和ML的基礎知識，并具有識別和管理旨在從這些新方法中受益的開發任務的能力。

　　在整個課程中，會介紹各種類型的業務和技術，并將其用作學習工具。他們的主要目的是幫助參與者了解在數據科學項目的不同階段中，需要關注的重點以及需要與哪些利益相關者進行互動。例如，第一個模塊中使用的“業務目標和情境”，可指導其用戶與業務所有者以及為該項目提供資金的人員一起工作，回答諸如“該項目的業務目標是什么”， 以及“如何與我們的業務戰略相適應”之類的問題。

　　參加者很高興能更多的了解ML項目是如何推動和塑造實際業務的。此外，與準備和運行實際ML項目有關的主題也受到關注，例如數據準備（收集、清理、預處理、過濾、分析等）以及不同ML方法的比較。一位參加者表示：“很多情況下，我們做的很多工作，只是確認了我們無法獲得足夠的數據。”

　　一個具體的例子是Ponsse PLC的現場項目，該項目側重于售后服務，尤其是農作物收獲設備的現場維護，在該項目中使用ML來識別所需的換油間隔。目前，液壓油和過濾器每隔1800小時就更換一次，而優化的更換間隔則意味著可以節省大量成本。

　　機器學習應用和培訓中的技能差距，對制造和機械制造行業有影響。盡管在可預見的將來，這些技能差距仍將存在，但顯然需要量身定制的AI/ML培訓計劃，以幫助公司培訓員工并鼓勵他們開始嘗試AI。

　　改善AI/ML培訓的4個建議

　　為了更好的提升AI培訓的效果，讓更多的制造企業受益于此，對于提供AI和ML培訓的企業、行業協會和其他組織，有如下4個建議：

　　1

　　為您所在的行業定制課程

　　我們建議不要與Google等領先的科技公司在AI領域展開全面競爭，而建議成為您所在行業領先的AI公司，在該行業中開發獨特的AI功能將使您獲得競爭優勢。AI如何影響您公司的戰略將取決于行業、公司和具體情況。

　　2

　　將重點放在企業的全員教育上

　　我們建議不要在組織內部建立獨立的AI部門，而是應該在各個層級（從管理層到車間）提高AI能力和理解力。

　　3

　　AI培訓應鼓勵具體試點和用例

　　建立鼓勵具體應用的AI培訓課程，這有助于將AI概念轉化為實際價值。

　　4

　　改進現有的AI教育

　　探索建立AI教育專項賬戶的機會，以推進成人教育市場的正常運轉。增加基于網絡的培訓課程的數量，并為所有人開放大學課程。將AI教育與職業學校課程相集成。

　　關鍵概念：

　　■ ML應用存在AI技能差距。

　　■ 對于工業4.0，需要更多的AI和ML知識。

　　思考一下：

　　吸引下一代進入制造業，需要改進用于ML和 AI的教育和培訓機制。