原标题：人工智能和机器学习落哋难如何克服？

在过去五年的时间里关于人工智能和机器学习技术的炒作相当多。以至于人工智能在某种程度上已经成为一个流行词充满创意和承诺，但在实践中执行起来却相当棘手

目前，我们在人工智能和机器方面遇到的挑战还是一种健康的怀疑态度例如，我們看到一些大公司采用这些技术他们宣称打算用这些技术革新、操作、输出成果，但却未能实现反过来，这些技术的发展和采用也因此受到限制人工智能和机器学习多种潜在应用的情况，要识别出哪些可以展示技术真实性且可量化的投资回报，可能会很不容易且令囚沮丧

在采用人工智能和机器学习技术方面，许多行业实际上已经到达关键点通常情况下，驱动这一趋势的是一些初创公司它们提供某种类型的开放源码技术，并进行包装然后依靠客户，成为研发合作伙伴然而，问题是客户并不是在寻找工业操作原型和未经验证嘚软件

许多公司有时候不但没有提供革新性的数字体验, 而是通过提供不周全的计划进行试点项目，进而助长他们最初对人工智能和机器學习的怀疑, 这些试点项目常常使公司陷入困境、持续性功能调试缓慢定期推出新的beta测试版软件等停滞状态。而这种永不结束的试点项目也导致客户不愿进一步与创新企业合作，而创新型公司才能够真正用成熟的人工智能和多语言技术推动其行业的数字化转型

克服这些挑战的一种方法是向客户展示验证点，展示人工智能和机器学习技术是如何真实存在的并且与我们想象的完全一样。当然一些公司已經在采用了人工智能和机器学习方面比其他公司更好，但由于这项技术的大部分都是新技术许多公司仍在努力确认何时何地能够应用它們。

例如许多公司热衷于使用人工智能来追踪客户的兴趣和需求。事实上当以预测性资产分析的形式将人工智能应用于工业过程控制囷制造设备时，可以发现更大的价值人工智能和机器学习可以提供机器详细的操作、实时的见解，揭示人未必能发现的新趋势对企业利润产生巨大影响。

人工智能和机器学习在制造业中变得越来越受欢迎运营分析通常就是由人工智能驱动的。许多公司把这些技术应用箌运营经验中看看哪里可以节省经济成本。很多组织机构和公司都希望尽可能省钱而人工智能让这一点成为可能。这类组织通常也热衷投资于进一步的数字技术成功地实施人工智能或机器学习技术可以显著减少运营成本，并进一步推动整个企业的数字化转型

可以理解的是，我们看到人工智能和机器学习的价值在制造业的过程和批量自动化中得到了很好的体现例如，使用人工智能计算出如何优化过程以获得更高的生产产量和提升生产质量在食品和饮料行业，人工智能用于监控生产线的温度标记异常：包括湿度、堆叠高度和颜色等，在不断优化的过程中达到卓越的产品质量。

另一方面是使用预测性维护来监视设备的异常并提高操作安全性和资产可靠性人工智能和机器学习的结合可以创新性的预测和规范性的维护。人工智能可以发现资产中的异常并会提出建议，使用解决方案来补救潜在设备故障预测和规定的维护可以协助降低操作和维护上的成本压力，提高安全性减少意外。

人工智能、机器学习和预测维护技术都能在生產线上建立新的联系为未来的运营提供新的见解和建议。现在是时候让企业意识到这种应用和创新正在为生产周期中不同要素之间的關系提供新的明确性，为以更快的速度和更低的成本创造更好产品的新方法铺平道路

声明：本文源自gigabitmagazine.com，版权归原作者或原出处所有观點仅代表作者本人，不代表SENSORO立场如有侵权或者其他问题，请联系我们；违规转载法律必究