工业运营中人工智能的大多数商业案例在收益上都是诚实的，在成本上却是不诚实的——不是出于恶意，而是因为在试点中没有出现的成本是最难提前估计的，也是最容易留到以后的。生产线上的异常检测试点可在六个月内将计划外停机时间减少 30%。这个数字出现在董事会的幻灯片上。幻灯片上没有提到的是将模型与 MES 集成的成本，将三年的维护历史记录清除到无文本字段以创建培训基地的成本，在生产流程发生变化时重新训练模型的成本，以及说服运营团队相信系统警报而不是高级操作员的直觉的成本。这些成本是存在的，是可预测的，诚实的商业案例也包括这些成本。
飞行员测量什么以及不测量什么
工业人工智能试点旨在回答一个具体问题：该技术是否适用于公司的技术环境？对于验证技术可行性来说，这是正确的问题，但对于预测规模投资回报率来说，这是错误的问题。试点在受控条件下运行——精心准备的培训数据集、可供实时调整的供应商工程师、选择最有利于演示的设备或流程范围。试点结果衡量的是技术在最佳条件下的潜力，而不是内部团队正常运行时的预期结果。
试点结果与规模化结果之间的折扣系数因项目而异，但很少为零。在用于质量检测的计算机视觉项目中，模型通常在使用供应商图像集的试点中达到 98% 的准确率，并在实际运行的第一周内达到 80%，因为真实环境中的照明条件、产品变化和摄像机角度与受控环境不同。这种偏差不是技术故障，而是任何机器学习模型面临的测试条件和生产条件之间的差距。业务案例需要包括调整期的成本以及调整期后的预期结果，而不是试点的峰值绩效。
顾问未包含在幻灯片中的成本
与现有系统的集成通常是最昂贵且最被低估的项目项目。在独立服务器上运行并在自己的仪表板上生成警报的人工智能模型不是集成——它只是操作员检查的另一个系统。为了让异常检测模型产生运营价值，需要在 ERP 中创建工单，出现在维护管理系统中，或者通过与 PLC 集成来暂停生产线。这些集成中的每一个都具有开发成本、验证成本和 API 许可成本，而这些成本很少包含在初始预算中。
数据：大多数工业人工智能项目低估了数据准备成本二到五倍。供应商提出的论点是，公司已经拥有数据——SCADA 系统多年来一直在记录一切。该论点遗漏的是，这些数据采用控制系统的专有格式，存在维护或系统故障期间的间隙，时间戳不一致，以及从未检测到的不正确的传感器值，因为没有对此历史记录进行系统分析。清理、构建和标记这段历史以创建培训基地是一项数据工程工作，需要了解数据和工业流程的人员——这是一种罕见且昂贵的配置。
持续再训练：当数据分布发生变化时，机器学习模型会随着时间的推移而退化。在工业运营中，分配会随着流程的变化而变化——新产品、新的原材料供应商、设备的逐渐磨损、流程的修改。在实施当年效果良好的模型在一年后开始产生更多的误报或漏报。定期再培训的成本（收集新的标记数据、重新运行培训管道、验证新模型）需要包含在项目的 TCO 中。
变更管理：说服运营团队信任和使用系统的成本可能是最难量化的，也是最关键的回报。一个在生产线上有二十年经验的操作员不会因为他不明白它是如何生成的仪表板警报而改变他的行为。不包括结构化培训、建立对系统信任的后续时间以及操作员到模型的反馈流程的项目通过无人使用的工具达到了规模。无论模型的准确性如何，未使用的系统的投资回报率为零。
诚实投资回报率计算的结构
工业人工智能投资回报率有两个方面。可量化的效益包括减少计划外停机成本（平均停机成本乘以每年避免的事件数量）、减少废品或返工、减少适用的能源消耗，以及由于更换的可预测性更高而减少备件库存。这些好处中的每一个都需要用置信区间而不是具体数字来估计，因为它们都取决于对模型准确性和具有真正不确定性的运营团队行为的假设。
成本包括软件和平台许可、边缘硬件和额外的传感器（如果需要）、与现有系统的集成、历史数据的准备和构建、定期模型再训练、运营团队的培训和变更管理以及解决方案的持续维护。在与外部供应商合作的项目中，它还包括前两年实施后参与的成本，这是对模型进行最重大调整的时期。
大多数工业人工智能项目的实际投资回收期（包括所有成本）在 18 个月到 4 年之间。预计投资回收期低于 12 个月的项目通常会低估集成和变更管理成本，或者根据试点结果高估收益。这并不是反对投资的声明，而是对预期的校准，以防止项目因在不切实际的时间范围内未提供承诺的回报而被取消。
负责任的项目批准需要什么
获得行政部门批准的工业人工智能提案应包括：按阶段描述完整的成本模型——试点、规模、持续运营；与现有系统的集成计划，包括成本估算；数据平面，包括现有数据与模型需求之间的差距；具有采用指标的变革管理计划；以及估计年度成本的再培训和维护模型。
是否批准该项目的决定应在这些要素可用的情况下做出，而不是事后做出。如果项目仅在集成和数据成本被低估时才具有财务意义，那么该项目就没有财务意义。能够带来一致回报的工业人工智能项目是那些商业案例在效益方面保守且在成本方面完整的项目——因为当现实与预测一致时，人们对项目的信心就会得到维持，扩张就会得到批准。具有乐观业务案例的项目在第二阶段被取消，因为第一次回报没有按承诺到达，组织失去了继续下去的兴趣。
另请阅读
- 【克劳德码要多少钱，什么时候才真正值得0
- [生物制造：当生物成为一条生产线1
- [推理芯片和 ASIC：当专业战胜通用2
- [专用芯片和通用CPU时代的终结3
- [神经拟态和仿生计算：芯片何时开始向大脑学习4
- [人工智能能源与主权：政府现在需要规划什么5