当前，大多数钢铁制造商都在为减少生产损失而努力，并为此付出了高昂的成本，削弱了盈利能力。钢铁生产损失最常见的表现形式包括：重量差异、内部质量问题、表面参数缺陷、力学性能等。所有这些损失的共同点是，它们都是由流程驱动的，不能通过更换或维护机器，或改变一个特定的设置点来予以解决。与之相反，真正的原因却藏匿于流程本身的深处，从而给产品制造带来了挑战。

如何减少工厂损失

以色列人工智能初创公司Seebo?Int eract ive对数百家领先的连续流程制造企业进行了非正式调查，其中包括数十位的钢铁制造企业的高管。提出了一个相同的问题——如何减少工厂损失？令人难以置信的是，几乎所有人都阐述了同样的问题。为了减少生产损失，工厂投入大量资源，引进业内最优秀的人才。这些流程专家或工程师经常设法减少一些损失，但在某种程度上，他们似乎遇到了看不见的障碍。与损失的确切类别、处理问题的方式，或者投入了多少金钱和资源均无关，他们的目标与他们能够达到的水平之间存在着巨大的差距，而且在大多数情况下，这种差距是无法弥合的。

面对这种鸿沟，目前Seebo自创了一个术语——复杂性差距。在明确了这一常见的问题后，Seebo?开始尝试理解为什么会出现这种差距：在进行传统局部根本原因分析时，存在一个固有的、巨大的盲点，也就是说一个未知的黑洞，这个黑洞的规模往往比流程专家对其流程的实际了解还要大得多。

钢铁制造流程取决于人类的决策，但人类还有自身的局限性。事实上，钢铁生产线最终依赖于人类的计算和决策，也可以说是人类才华、智慧和经验的结晶，因此，当然会存在一些盲点问题。

流程专家和生产团队每天都会做出数十个与流程相关的关键决策。这些决策当然可以通过分析平台、测量工具等得到强化、通知和有效执行。但归根结底，这些决策是由人类作出和执行的。

这里存在先天的局限性，因为每个人都会用自己的偏见和先入为主的观念来处理问题。这是自然而然的，特别是当处理像钢铁生产线这样复杂的事物时，人类不可能一直考虑所有的备选方案，而工程师和专家也别无选择，只能根据他们过去的经验、知识，在某些情况下，甚至还凭借直觉进行即席分析。

通常而言，钢铁生产线的根本原因分析如下：流程专家或工程师研究问题，并根据经验和直觉提出一个或一套理论，然后选择几个他们认为最有可能导致问题的变量；对这些变量进行几次数学或统计计算，最后得出一组结论。

这就是盲点如此明显的地方，因为人脑无法分析生产线上每一个数据变量，尤其是每个变量之间的所有复杂的相互关系，以及这些关系本身如何导致既定的问题，事实上，即席分析仅限于少数几个标签。

这种分析方法通常是有效的，但有时却不起作用，而且这种即席分析肯定不会有很长的保质期，因为生产线总是在发生变化。因此，即使是今天的正确决策或分析，明天也可能不是正确的，甚至在几个小时后也不是正确的。对于人类而言，很难对所有数据进行连续的、多变量的分析。

归根结底，流程驱动的损失是由多种因素造成的，生产线上各种条件的骤变，肉眼却根本无法识别，这是因为每个单独的数据变量在单独获取时仍在允许的范围内。由此，人工智能将发挥巨大的作用。

利用人工智能作出正确的决策

诸多案例的实践证明，人工智能，特别是工业人工智能，并不会很快取代人类。与之相反，工业人工智能为团队提供了人类难以企及的洞察力，辅助做出正确的决策，并改善业绩表现。

通过与数百家连续流程制造商进行交流，Seebo最终发现了人工智能解决方案的三大关键标准，如果满足这些标准，就可以使团队实现对持续流程的主宰。

其一，揭示隐藏的原因。制造团队反映最多的“未知因素”就是那些他们甚至没有意识到的低效和生产损失的隐藏原因。通过揭示这些隐藏的原因，能够将效率提高到新的水平，在此过程中大大减少损失。

其二，对所有数据进行连续、可扩展的多变量分析。当前事态的另一个明显差距是能够始终持续分析所有数据，同时考虑到整个生产线中不同点之间的所有复杂相互关系。

虽然人类不能做到这一点，但人工智能肯定可以做到，特别是通过使用带有监督功能的机器学习算法来理解通常导致损失的行为模式。

最后，把重点放在流程上。就像其他流程制造行业一样，在钢铁制造业中，流程的关键就是：不能孤立地看待一点。人工智能可以为人类提供敏锐的洞察力，但只有当算法理解整个流程的独特复杂性时，这些洞察力才会发挥巨大作用。

如果算法中没有嵌入的过程专业知识，人工智能将在没有唯一语境的情况下简单地分析数据，并得出错误或不完整的结论。这样的技术在实践中被称作“自动根本原因分析”。如果手动根本原因分析是阻碍钢铁制造商的原因，那么自动根本原因分析就是解决方案。

自动根本原因分析对整个数据集进行连续的、多变量的分析，并揭示流程专家无法找出的、生产损失的隐藏原因。归功于基于流程的人工智能技术，这一点已经成为现实。这项技术嵌入了复杂的机器学习算法，对每条生产线都具有深厚的工艺专业知识，使算法不仅能够简单地分析数据，而且能够理解每个独特的生产流程，从而在语境中正确地分析数据。

制造团队可以通过此自动根本原因分析回答三个关键问题。对于流程专家或工程师应该重点关注：1）为什么会出现损失？2）今后如何防止这些损失；对于生产团队应该重点关注：3）应该在什么时候采取行动防止这些损失。

利用人工智能减小KPI损失

通过克服人类分析的局限性，无论是质量、残次品、产量还是收得率，揭示生产损失的隐藏原因，这就是人工智能对钢铁制造商的核心好处。

对于损失发生原因、如何防止损失以及何时采取行动，如果具有清晰、实时的洞察力，即使是一个普通的团队，也能够创造出非凡的成果。（罗晔）