应用AI的最大障碍竟然是这个！如何解决制造企业的AI技能差距？

在工业应用中使用人工智能和机器学习技术，往往需要专业和广泛的知识储备。如何改善人工智能和机器学习的培训，使得更多的制造企业受益于此？

人工智能（AI）人才稀缺，很少有工业企业在其内部拥有足够的AI人才。人工智能将改变很多工作岗位，企业应为每位员工提供所需的知识和培训，以适应新的AI增强角色。AI资源有助于企业实现新的业务模型，提供更好的服务。

在过去十年中，人工智能的设计、开发和实施，已经扩展到很多领域。制造企业正致力于理解AI的商业潜力以及寻找合适的AI人才。

越来越多的国家开始认识到人工智能带来的机会，着手制定国家级人工智能战略。2017年芬兰启动了人工智能计划，是最早启动该项计划的国家之一。该AI计划确定了一小部分公司作为人工智能实施的先行者；大多数公司都处于在运营中使用数据和人工智能的早期阶段。

解决AI的技能差距

解决AI技能差距的一种方法是增加数字、数学和技术教育的资源。以芬兰为例，目前的教育体系对AI在不同领域的应用还不够重视。学术和培训项目无法跟上AI快速创新的步伐。AI教育应尽早开始，并在每个阶段都开展这方面的教育。学术界、公司和公共部门的官员必须共同努力，确保提供全面的AI课程。大规模在线公开课程（MOOC）提供了一种新的路径，可以为大众提供基本的AI教育，这是非常好的方法。但是，更深入的了解通常需要量身定制的教育模块。

与很多其它行业相比，在AI和机器学习（ML）应用方面，制造业目前相对落后。采用新技术，特别是在过程工业中，需要冗长的规划，这很费时间。制造企业在优化生产方面拥有悠久的历史，而且投资生命周期可能持续数十年，因此无法迅速做出改变。此外，安全和环境法规也要求严格监管。

根据普华永道AI影响指数的行业预测，到2023年，一些行业部门营业利润率（扣除商品成本和运营费用后，每一欧元收入中剩下多少钱的百分比）可能会提升60％至100％。不同行业的“AI提升曲线”可能存在差异，这主要受到两个因素的影响：1）行业采用不同AI应用的速度；2）开发能够解决特定行业问题的AI解决方案。

AI制造的收益和挑战

在制造业中，短期收益预计主要来自过程自动化和基于生产率的解决方案。中期收益则来自于智能自动化所具有的巨大潜力，可以实现更复杂过程的自动化，而预测性维护和优化应用则可进一步提高性能。

　　��Dimecc公司的机器学习学院，展示了人工智能和机器学习项目的周期性。图片来源：Dimecc

AI和ML带来的生产率提升，不仅取决于技术本身的引入。还需要改变工作的组织形式并扩展员工的知识。

研究表明，采用AI和ML的最大障碍是技能差距。大多数时候，调查会指向开发AI和ML解决方案所需的技术。但是，AI和ML中最大的技能差距遍布整个组织。

芬兰AI计划的最终报告指出，芬兰为那些旨在成为AI专业人士（信息技术、数学）的人提供了高质量的教育，但是AI应用领域存在差距。在这些领域中，AI的效果将最快显现。工作组表示，要实现雄心勃勃的AI目标，最重要的是确保提供多样化的教育，对新的教育方法进行投资，并制定新的人才吸引计划。

对员工进行持续教育是一个挑战，不同的运营和机制可以解决这些问题。一个关键因素是要提高管理人员对AI机会的认识和了解，以确保有足够的投入用于新的、更灵活得教育方法。

对员工AI技能的要求

员工能力要求受就业市场工作需求变化的影响。在开发和应用AI的任务中，对新人才的需求正在快速增长。普通的教育途径无法解决这一需求。需要新的运营方式和机制，来帮助有效地提高现有员工的AI技能。

通常来说，员工的大部分能力都是通过在职学习获得的，因此企业对员工的能力发展负有更多责任。企业应积极寻求通过内部或与其它组织合作来对员工进行教育和培训的机会。

教育方法很多，但很少有工业4.0环境下的现场学习。企业需要适当的绩效评估策略和员工培训，以及自我调节、反思、协作和混合学习，以降低将员工排除在工业4.0环境之外的风险。未经适当培训的企业，会影响其生产效率、产品多样性和质量。

企业需要使现有专业人员具备AI技能，才能在AI驱动的环境中运用他们的知识。2018年对“未来工作环境”和“学习家庭”的一项研究成果支持此论点，该研究指出，对员工进行AI和ML技能培训，可能是填补技能差距的有效方法。

员工培训能否成功，将取决于其灵活性和解决问题的能力以及参与终身学习的意愿；否则，员工可能将无法跟上工作场所和工作程序变化的需求。这一挑战也可以解释，为什么许多企业不愿投资于通常包括AI的网络物理系统（CPS）。企业层面的技能管理以及公共教育改革，是引入CPS的重要因素。

机器学习课程和培训

可以从主要技术提供商（例如IBM、微软、亚马逊和谷歌等）或由知名大学组织的MOOC课程那里，获得关于AI和ML的免费、通用的在线培训。

例如一个名为“Elements of AI”的在线课程，它由芬兰技术公司Reaktor公司和赫尔辛基大学合作创建。通常，此类培训的目的是“揭开AI的神秘面纱”，以鼓励更多的人了解AI是什么、它有什么用处以及它的局限性。

来自Dimecc公司的机器学习学院，与Futurice 公司合作，专注于行业定制方案，利用有针对性的方法来消除、至少是缩小AI能力差距。机器学习学院的主要目标受众包括管理和参与AI/ML开发项目的研发主管和工程师，以及业务和产品所有者。为了完成这些任务，他们需要了解如何定义、规划、评估和管理包含AI和ML元素子实体的开发或内包。例如，对于研发工程师来说，重要的是要了解这些新技术的引入，将如何改变其产品开发流程的功能、边界、调度和接口。课程结束后，参与者可以了解AI和ML的基础知识，并具有识别和管理旨在从这些新方法中受益的开发任务的能力。

在整个课程中，会介绍各种类型的业务和技术，并将其用作学习工具。他们的主要目的是帮助参与者了解在数据科学项目的不同阶段中，需要关注的重点以及需要与哪些利益相关者进行互动。例如，第一个模块中使用的“业务目标和情境”，可指导其用户与业务所有者以及为该项目提供资金的人员一起工作，回答诸如“该项目的业务目标是什么”， 以及“如何与我们的业务战略相适应”之类的问题。

参加者很高兴能更多的了解ML项目是如何推动和塑造实际业务的。此外，与准备和运行实际ML项目有关的主题也受到关注，例如数据准备（收集、清理、预处理、过滤、分析等）以及不同ML方法的比较。一位参加者表示：“很多情况下，我们做的很多工作，只是确认了我们无法获得足够的数据。”

一个具体的例子是Ponsse PLC的现场项目，该项目侧重于售后服务，尤其是农作物收获设备的现场维护，在该项目中使用ML来识别所需的换油间隔。目前，液压油和过滤器每隔1800小时就更换一次，而优化的更换间隔则意味着可以节省大量成本。

机器学习应用和培训中的技能差距，对制造和机械制造行业有影响。尽管在可预见的将来，这些技能差距仍将存在，但显然需要量身定制的AI/ML培训计划，以帮助公司培训员工并鼓励他们开始尝试AI。

改善AI/ML培训的4个建议

　　为了更好的提升AI培训的效果，让更多的制造企业受益于此，对于提供AI和ML培训的企业、行业协会和其他组织，有如下4个建议：

为您所在的行业定制课程

我们建议不要与Google等领先的科技公司在AI领域展开全面竞争，而建议成为您所在行业领先的AI公司，在该行业中开发独特的AI功能将使您获得竞争优势。AI如何影响您公司的战略将取决于行业、公司和具体情况。

将重点放在企业的全员教育上

我们建议不要在组织内部建立独立的AI部门，而是应该在各个层级（从管理层到车间）提高AI能力和理解力。

AI培训应鼓励具体试点和用例

建立鼓励具体应用的AI培训课程，这有助于将AI概念转化为实际价值。

改进现有的AI教育

探索建立AI教育专项账户的机会，以推进成人教育市场的正常运转。增加基于网络的培训课程的数量，并为所有人开放大学课程。将AI教育与职业学校课程相集成。

关键概念：

■ ML应用存在AI技能差距。

■ 对于工业4.0，需要更多的AI和ML知识。

思考一下：

吸引下一代进入制造业，需要改进用于ML和 AI的教育和培训机制。