关于工业机器智能未来发展的观点：专访DUANE S. BONING教授

产业竞争力

tec.news：您能描述一下机器智能在运营和制造转型大背景下的进展情况吗？

Boning教授：让我们先来了解一下运营与制造方法的历史。30 年前，精益制造方法改变了工业。这些方法的重点在于通过仅在需要的时候接收货物来消除多余的库存，降低存储的多余成本并提高生产率和利润。

然后，15 年前，供应链发生了重大转变，从本土采购发展到全球采购，严重依赖亚洲。新冠病毒大流行揭示了这种体系的固有弱点，全球供应链中断导致大规模严重短缺。

此外，传感技术、低成本强大计算和软件工具方面的最新进步为新的创新制造业应用带来了机遇。

新冠病毒大流行揭示了固有弱点

tec.news：您能否概述一下您认为机器智能在工业应用中的主要挑战：

Boning教授：我从自己的研究和经验中得到的结论是，将机器智能引入制造  和运营对普通制造商来说是一种挑战，需要超越这一挑战才能有望获益。由于  制造流程是定制的，现成的机器学习很  难应用于大多数制造情况，必须有完全  了解问题的用户来教学如何操作机器才  能创建有效的解决方案。我的研究重点  在于培养具备机器学习和生产流程领域  知识的“翻译”人员，以促进成功。我的工  作是教授本科生机器学习专业的基础知  识，以便他们能够给未来的雇主带去这  种必要的技能。  机器学习的第一步是要有适当的数据作  为起点。然而，对于特定的机器学习应用  来说，仅仅拥有数据并不一定足够。你需  要有相关的数据。我们有很多机器学习  的技术方法，包括统计学方法、决策树、  随机森林、神经网络、时间序列分析等，  我们应该根据工程和商业方面的实际判  断来加以应用。其他需要考虑的因素包括处理异常数据的方法、数据结构、异  常和故障检测以及模型漂移。模型漂移  是一种现象，由于工艺设备老化或制造  工艺本身随时间发生微妙变化，在某个时间点建立的数据关联性会随着时间的  推移而发生变化。  简而言之，要成功开发机器学习模型，  需要对数据建模有广泛的理解，并有正确的数据。  

tec.news: 您如何看待产学合作在帮助解决这些问题方面的作用？

Boning教授：产学合作对于为调查和测  试新方法和假设提供真实的平台和案例研究都至关重要。归根结底，要解决现  实世界的需求，二者缺一不可。  长久以来，麻省理工学院一直在开展这  种合作。通过MTL等组织以及麻省理工  学院的其他研究中心，我们能够利用产  业和学术环境的优势，践行我们“手脑并用”（MENS ET MANUS）的校训——  或者说，理论应用于实践。  

tec.news：您如何看待机器学习的未来  以及这些课程的成果？

Boning教授：机器学习对于制造流程  的下一步发展至关重要。我们今天所做  的工作有助于为未来奠定基础。这些课  程所教授的概念和技能，学生们将会带  给他们未来的雇主，雇主将会受益于他  们带来的竞争优势。