当前位置:首页|资讯|生成式AI

制造企业如何用好生成式AI,加速创新与转型?

作者:智能进化论发布时间:2024-02-09

原标题:制造企业如何用好生成式AI,加速创新与转型?

2023年,在大模型的推动下,生成式AI对各行各业的重塑过程已经开启。制造行业也不例外。

根据Gartner发布的《2022年人工智能技术成熟度曲线》报告,到2027 年,30%的制造商将使用生成式AI 提高产品研发的效率。

然而,生成式AI与大模型在制造行业的应用却有其独特的挑战。最典型的是,制造业有很多行业壁垒很高的应用场景,这些场景的特点是长尾化、碎片化,从而导致制造业核心工艺公开数据相对较少,相对比较难进行大模型的训练。

近日,亚马逊云科技向国内媒体分享了生成式AI在制造行业落地的初步探索。

从三大优先场景切入:工业设计、市场营销、职能支持

任何企业构建生成式AI应用的步骤都可以分为四部分:找准场景,选择模型,模型适配和模型调整,应用开发和部署。

“生成式AI跟其他的IT技术不一样的地方在于,会给一个行业带来巨大的想象空间。”亚马逊云科技大中华区战略业务发展部总经理顾凡表示。

具体到制造行业,从研发、供应链,生产制造,到销售、营销、服务,整条价值链中存在众多可以被生成式AI重塑的场景。

如果按应用的成熟度来看,哪些场景是当前最具落地价值的优先场景呢?

亚马逊云科技通过与众多制造企业的合作共创,探索出一个初步的制造业应用生成式AI的场景地图,并提出三大优先场景:工业设计、市场营销、职能支持。这三大场景是生成式AI在制造业最早落地的场景,相对来说应用更广。

其中,制造行业的概念图设计和市场营销内容生成,是生成式AI文生图、图生图的天然适配场景。而生成式AI的知识增强、检索增强等能力,又让企业内部知识库成为员工赋能、提升办公效率的利器。

围绕企业级需求:一站式方案集成

与生成式AI在C端应用时的工具属性不同,生成式AI在B端的落地,除了通过AI生成内容,往往还需要一套完善的集成方案,并与企业原有业务流程融合。

比如,在工业产品设计这一场景下,传统流程一般是先进行概念设计,再将概念图进行渲染,最后筛选评估,整个过程需要大量人工参与,还涉及多次返工,时间周期长,工作效率相对低下。

基于亚马逊云科技的服务,海尔创新设计中心与计算美学Nolibox合作,打造了全国首个 AIGC 工业设计解决方案,大幅缩短设计周期,并降低概念设计成本。整体概念设计提速了83%,集成渲染效率提升了约90%。

该方案中的概念图生成是计算美学Nolibox基于开源大模型Stable Diffusion进行应用开发。除了利用大模型做概念图的生成,亚马逊云科技还携手合作伙伴负责将概念图与云上的渲染平台连接起来,再把成图等数字资产,用数字化资产管理系统进行对接。

我们经常说‘最后一公里’,在生成式AI场景下应该说‘最后三公里’更为合适,因为生成式AI落地需要大量的工程化资源与投入。”顾凡表示。

在职能支持场景下,利用生成式AI技术构建企业级智能知识库,助力企业员工快速找到更精准和更具实效性的内容,有效提升生产与办公效率,成为很多大型企业的刚需。

过去,西门子中国面临企业内部信息分散、数据信息传递不足、知识运营能力缺乏等挑战。在亚马逊云科技的帮助下,西门子中国3个月构建了基于自有模型的智能知识库——智能会话机器人小禹。小禹具备自然语言处理、知识库检索、通过数据训练大语言模型等核心关键能力,极大地提升了内部员工信息的获取效率,目前企业员工超过90%的问题可以由小禹直接提供答案。

以业务价值为驱动:“大模型+小模型”两条腿走路

“现在大家往往会觉得大模型好厉害,干什么都需要大模型,这其实是一种技术思维。企业用好大模型,要从实际的应用出发。尤其是制造企业,需要找到模型精准度和推理成本之间的平衡点。如果推理成本控制不了,只是一味追求模型越大越好,企业很难负担得起。”

顾凡认为,制造业用好生成式AI,需要“大模型+小模型”两条腿走路。

一方面, 工业领域有太多碎片化场景以及非常深的行业知识,面对这些行业壁垒很高的应用场景,小模型的存在有其必要性。另一方面,大模型可以对小模型的训练与精度有辅助性的提升。比如在工业质量检测场景中,大模型可以通过图生图,快速帮助生成大量缺陷样本,增强模型训练中识别精度。

亚马逊云科技大中华区战略业务发展部总经理 顾凡

过去,亚马逊云科技借助Amazon SageMaker等云服务帮助施耐德、西门子等众多制造企业打造过不少垂直场景的小模型,用低成本、高效率的方式解决了特定业务难题。大模型的到来,对原有小模型并不是替代关系,而是模型质量升级的好帮手。

在亚马逊云科技的协助下,西门子成都工厂构建了一套云端训练本地推理的工业废料分拣系统,使得废料分类的准确率大于95%,危险废料达到了100%,模型训练时间从 10 多个小时缩短至 2 小时,极大节省了人工成本。

施耐德电气的全球供应链在全球拥有187家工厂,在中国拥有20多家工厂。借助亚马逊云科技的AI基础设施,施耐德电气可以大幅降低模型管理训练的复杂度。“亚马逊云科技的数据库、计算服务,以及Amazon SageMaker 机器学习服务,可有效帮助施耐德电气在云端实现对全球工厂的中央化部署、管理与监控。”施耐德电气全球供应链中国数字化转型总监冒飞飞表示。

对于企业在亚马逊云科技上使用大模型的路径,顾凡将其总结为两条路:

第一,对于没有模型开发能力、工程化能力和AI人才的中小企业,可以通过Model as a Service(模型即服务)的Amazon Bedrock,直接使用已经预训练好的模型。

第二,对于具备一定工程化能力和AI团队的企业,可以在Amazon SageMaker上针对开源或者闭源的大模型做微调,实现模型对自身业务场景的适配。

“大模型不会吞并小模型,而是相辅相成的概念。短期内,小模型会随着大模型推陈出新,并长期存在。永远不会是一个大模型打天下,一定是一种最佳组合。”

文中图片来自摄图网

END

本文为「智能进化论」原创作品。


Copyright © 2024 aigcdaily.cn  北京智识时代科技有限公司  版权所有  京ICP备2023006237号-1