与通用汽车公司的杰夫·阿贝尔一起提高员工的人工智能技能

在这是我们对人工智能领导者的A3系列访谈的第五次Jeff Abell，全球制造首席科学家兼材料与制造系统研究总监通用汽车(General Motors)，解决了围绕工业人工智能改善劳动力教育的问题。Abell是A3公司人工智能技术战略委员会的成员，他推荐了基于基础培训和初始学科的各种策略。看看他关于如何提高现有员工在工业人工智能方面的技能并开始人工智能项目的建议。

企业如何成功解决劳动力中缺乏训练有素的人工智能专业知识的问题?

劳动力中缺乏训练有素的人工智能专业知识是大多数公司目前面临的共同挑战。我们有一批才华横溢的领域专家，一批知识渊博的人工智能开发人员和数据科学家。这里真正的挑战是我们如何弥合差距并协同人工智能专家和领域专家之间的专业知识。公司可以采用几种可行的选择和策略来形成多方面的方法并解决这个问题。最终，通过建立培训和发展计划，可以缩小甚至消除差距，使技术人员接触到可以获得领域专业知识或增强人工智能相关技能和能力的情况和角色。考虑到人工智能工具的开发速度之快，并将其提供给那些接受过更广泛、更多样化的数学和计算机科学培训的人，挑战不在于在这些学科中获得更大的深度，而是在于理解在何处、何时以及如何最好地部署这些技术来解决手头的问题。从这个意义上说，拥有强大领域专业知识的员工首先需要在人工智能方面获得坚实而广泛的基础，然后专注于寻找最适用于其专业领域的培训。例如，从事检测系统的制造质量工程师可能需要微调他们的深度学习知识，因为它与高级视觉系统有关。

对于拥有强大的人工智能技术背景，甚至可能拥有研究生水平的技能和能力的员工来说，如何缩小差距的挑战在更大程度上取决于具体情况。当最初面对一个需要深厚的科学或工程知识的技术问题时，工作人员不能在不首先熟悉给定过程或操作的基本制造“物理”的情况下单方面或盲目地开发人工智能解决方案。可以采取许多策略，包括寻求相关学科的基础培训，保留该领域专家的服务，或者通常非常有效的方法，创建多学科团队，通过与领域专家的合作可以抵消给定主题的任何缺陷。最后，对这两种技术专家进行持续和有针对性的教育，辅以频繁和密切的合作，最终可以产生最可行和可持续的方法，以确保整体劳动力不仅精通人工智能技术，而且知道如何最好地将它们部署到困难和具有挑战性的工业问题中。

你会建议公司如何选择他们的人工智能项目——在开始之前他们需要回答哪些问题?

当我们开始谈论在开始任何人工智能项目之前要考虑什么时，有几个关键因素浮现在脑海中。如果我们考虑效率边界，公司必须仔细评估可实现的性能和与每个潜在人工智能项目相关的可能风险，以了解权衡，并选择与公司风险回报容忍度一致的项目。这类似于股票投资组合和优化中的有效前沿分析。

另一个相关的考虑是完全理解潜在的人工智能项目的影响。人工智能项目可以有多种应用，从自动化日常任务、改进决策、增强客户体验、优化运营到启用新的商业模式。然而，人工智能并不是“一刀切”的解决方案，可能并不总是最好的方法。了解人工智能项目对公司目标和目的的潜在影响至关重要，以确保它与商业战略保持一致并创造机会。例如，与预期的努力相比，如果引入人工智能，我们是否看到进一步改进的空间?如果答案是肯定的，那么我们需要进一步评估每个人工智能项目为我们公司带来的价值，而不是必须进行的投资。

在估计了潜在的人工智能项目的影响之后，下一个要回答的问题是人工智能的准备情况，其中包括支持人工智能解决方案的数据和基础设施的准备情况。数据是人工智能项目的关键组成部分，数据准备就绪是确保人工智能解决方案能够开发、启动和持续的重要考虑因素。这需要对每个潜在AI项目的数据质量、数量和可访问性进行评估。高质量、相关和精心策划的数据对于训练和验证人工智能模型至关重要。需要评估组织的数据收集、存储和处理能力，以确保必要的数据基础设施和资源到位，以支持正在进行的人工智能项目。此外，人工智能数据准备并不完全取决于是否有足够的好数据，还取决于是否有足够的“坏数据”来代表人工智能模型和解决方案必须理解的所有场景和情况。制造应用程序中的数据基础设施尤其重要，因为各种工厂系统和设备数据采集点需要以一种内聚的方式聚合在一起，以便通过网络、数据库、服务器和应用程序传输到最终的人工智能解决方案中。该基础设施的连接性、路径和健壮性需要能够支持AI解决方案需求，否则模型的潜在有效性、功能和准确性可能会面临风险。

公司应该提出一个有趣但相关的问题，即选择次优策略以适应未来人工智能解决方案的可能性。以一种短视的方式手动记录过程的活动，如维护、记录保存等，可能是最优的。毕竟，绘制手绘图表并将其挂在黑板上需要的资源更少，而且成本效益更高。我们预计不会在生产需要之外使用这些信息。因此，我们不需要长期管理这些信息。然而，如果我们超越今天，我们可以看到所有的生产信息和行动都有我们可以学习的教训。当收集到一组这样的信息时，就可以得出趋势和信息。为了实现这种智能，需要在数字记录保存和随后的可视化方面进行投资。板上的手动绘图需要被功能更强大的显示器和仪表板取代。用笔做标记将不得不被数字数据输入所取代，这需要软件和硬件，以及必要的维护，这些都伴随着增加的基础设施。 This investment does not improve charting or communicating information that would impact the immediate production. If we can make this investment, we would enable AI that could provide us more future value on the investment today.

你对哪个行业的人工智能应用最感兴趣，为什么?

虽然人工智能在制造业中并不一定那么新，但它并不十分普遍。最基本的人工智能是通过基于计算机的反馈机制实现传统的统计过程控制技术。今天，我们能够从非常复杂的伪平稳过程中做出非常复杂的决策。大数据和人工智能的范例产生了一种新的理念，我们称之为“质量过程监控”，这种技术已成功应用于焊接应用等多个质量预测场景。这些方法不仅支持质量预测，而且为提取有关过程本身的深入信息铺平了道路。这可以提供有关过程稳定性的信息以及根本原因信息。我们设想这些技术将在未来广泛应用于各种制造过程中。除了将人工智能用于数字获取和整理的数据之外，我们还对自然语言处理的大型语言模型感兴趣。工厂操作员逐字逐句地报告过程问题、纠正和维护事件，可以提供大量关于工厂车间如何运行的见解。解析这些信息以生成可操作的项目以提高生产产量和质量的能力可能对汽车行业有重大好处。

---

Jeffrey Abell博士是通用汽车公司全球制造首席科学家和材料与制造系统研究总监。他负责全球制造业研究，专注于汽车电气化、轻型系统制造、自动化和智能制造。他领导的研究团队在将雪佛兰Volt先进电池投入生产中发挥了关键作用，并在通用汽车、德尔福和戴姆勒克莱斯勒担任过产品开发和制造方面的其他领导职务，其中包括两次国际任务。他撰写了许多技术出版物，获得了多项专利，并在成功的制造技术实施方面有着良好的记录。他曾两次获得通用汽车对技术创新的最高认可——Boss Kettering奖。Jeff拥有General Motors Institute(现为Kettering University)的机械工程学士学位，以及Oakland University的系统工程研究生学位，并且是一名持牌专业工程师。