在现代制造车间中，可以看到高度自动化的设备、互联的系统以及布满数据的监视器。但看不到的是设备操作人员和维护人员所面临的挑战。越来越多的设备需要由越来越少的员工来操作。软件架构经过多年演变，设备集群由不同代际的机器组成，而当某个组件发生故障时，整条生产链都可能陷入停滞。

许多制造行业的企业都面临着相同的挑战：日益加剧的专业人才短缺和复杂的工作流程。新员工入职培训需要数月时间，而异构化的设备格局则要求员工长期掌握多个不同系统的深厚专业知识。解决方案往往已经存在，但分散在不同的系统中。全局性的概览常常无从谈起。

图1  Production Data Agent如同一位经验丰富的分析师，协助构建问题框架，自主选择合适的工具，并以易于理解的方式解释结果

为系统性地应对这些挑战，Schaeffler Special Machinery遵循Gartner（2012年）提出的4阶段Analytic Ascendancy Model（分析进阶模型）。该方法背后的思路是，逐步在生产车间建立Operating Intelligence，从单纯的数据可视化直至自动化优化。

通往智能操作的战略路径

4个阶段分别为：描述性分析（Descriptive Analytics）回答“发生了什么？”的问题；诊断性分析（Diagnostic Analytics）追问“为什么？”；预测性分析（Predictive Analytics）给出“将会发生什么？”的预测；规范性分析（Prescriptive Analytics）最终提供具体的行动建议“我们如何才能实现最优解决方案？”。

针对每个阶段，Schaeffler Special Machinery的专家团队开发了专门的解决方案：用于描述性分析的Machine Cockpit、用于诊断性问题的Machine Copilot、用于预测性分析的Production Data Agent，以及展望未来用于规范性、全自动决策的Production Pilot。其中有一点常常被忽视：尽管人工智能如今已大大降低了进入更高分析层级的门槛，但只有当先前各阶段的基础已经具备时，这些高层级分析才能真正发挥其全部潜力。

可靠的数据可视化是第一步，它提供了线索，指示哪里需要进行针对性的诊断。如果没有结合人类专业经验的深入根因分析，下一阶段的预测也将建立在不可靠的基础之上。

作为基石的Machine Cockpit构成了一个中央信息枢纽。它让生产车间员工能够一目了然地查看生产线运行所需的所有相关数据，例如节拍时间、故障信息和故障排除提示。Machine Cockpit的开发紧密贴合生产员工的实际需求：快速、直观以及聚焦核心信息。无需在3个不同的系统中查看设备是否在运行，只需看一眼即可。

然而，需求很快便明确了：员工不仅想要看到发生了什么，他们还想要理解为什么。

当问题出现时，仅有可视化的数据并不总是足够的。关键问题在于：“为什么会发生这种情况？”Machine Copilot在Machine Cockpit的基础上扩展了一个AI辅助的诊断组件。它检索设备手册，分析历史数据，并主动提示异常情况。以往仅少数专家才掌握的专业知识，如今可供所有员工使用。

Production Data Agent生产数据分析中的AI辅助

随着Production Data Agent的推出，下一演化阶段随之开启。它使员工能够进行复杂的分析，而无需自身成为数据专家。在AI被到处讨论的时代，一种反复出现的模式时常显现：先是开发技术，然后才寻找合适的应用场景。而Schaeffler Special Machinery有意识地选择了相反的路径。

在大规模调研中，制造领域的员工被问及他们如何处理生产数据？真正的痛点在哪里？他们尝试用哪些手段自行解决这些问题？答案往往令人清醒：通过邮件发送的Excel列表、耗时数天的分析评估，以及反复出现的对支持的需求，而这些支持问题实际上需要一位数据科学家才能解决。

这些认知构成了后续发展的基础。在分析复杂的生产数据时，可以明确看到AI将扮演核心角色，问题只在于以何种形式。与生产团队的合作经验清楚地表明：对于更为复杂的问题，例如跨多台设备的原因分析，仅仅让数据可访问是不够的，需要专家知识来判断哪种统计方法适用于哪种问题，这是经典的数据科学专业知识。

正是在这一点上，Production Data Agent发挥了作用。它如同一位经验丰富的分析师，协助构建问题框架，自主选择合适的工具，并将结果解释得即使没有统计学学位也能理解。唯一的前提条件是使用自己的语言和对流程的了解。用户像向同事描述问题一样描述自己的问题，并由此带来了任何AI都无法替代的东西：与他们的设备和流程多年相伴的经验。无需代码，无需查询语言，无需培训。谁了解自己的生产并能将问题描述出来，就能让人对其进行分析。

Schaeffler Special Machinery方法的核心是“面向领域专家的自助式分析”。系统不是将数据科学集中在一个部门，而是赋能现场人员自主进行分析，从而将两个世界中最好的东西结合起来：员工的流程知识与AI提供的新可能。这种去中心化的方法使得Machine Learning和AI能够在全球范围内推广，而无需等待所有工厂的数据结构实现统一标准化。代理会适应现有的数据，而非相反。

Machine Learning在技术上并非新话题，然而它迄今尚未实现广泛普及。其原因在审视实际应用时很快便会显现：在私人领域，借助智能手机上的AI可以轻松生成音乐曲目或编辑照片；而在制造业中，数据有时仍被记录在纸上并转入本地的Excel表格。这不仅是因为缺乏技术。更重要的是缺乏以用户知识水平为导向的工具。当Machine Learning变得像在智能手机上使用聊天机器人一样易于上手时，Schaeffler Special Machinery的专家们便看到了其在生产中大规模应用的真正机遇。

关于通过完整的数据标准化可以实现更深入自动化的反对意见是合理的。然而，如既有设备集群或有限的预算等实际状况，如今往往是应用AI的最大障碍。Schaeffler Special Machinery的Production Data Agent提供了一条务实的出路：Data Science和Machine Learning可以在无需大规模改造的情况下推广，并立即可在现有设备上使用。对于新设备，数据从一开始就以高质量和标准化方式生成。

展望  从“副驾驶”到“主驾驶”

如今的副驾驶将逐步发展为自主的主驾驶，在明确定义的场景中独立行动，在获得批准的护栏范围内进行优化。人工员工仍然是重要的组成部分。不过，他们的角色将转变为监督性的“副驾驶”功能：他们保持全局视野，在异常情况下介入，并在关键决策时给予授权。“人在回路中”的原则不可或缺，只是随着自动化程度的提高，其在自动化链条中的位置发生了偏移。

AI在生产中的大规模应用已不再是技术问题，而是方法论的问题。Schaeffler Special Machinery以Production Data Agent证明，Data Science和Machine Learning无需专家知识也能变得可用。关键在于先理解问题，再开发合适的解决方案。选择这条道路的人，不会将AI作为目的本身，而是将其作为制造业中人们真正的工具。