答:选工厂AI试点,核心就一句话——别挑技术最炫的,挑“数据现成、痛点明确、三个月能看见效果”的那个场景。说白了,试点不是做科研,是给后续全面推广攒信心、攒经验、攒内部支持票。选错了,钱花了、人疲了,再想推第二次就难了。
具体怎么操作,可以按下面四步走。
步骤1:先盘数据,再谈场景
很多工厂一上来就问“AI能干什么”,这顺序反了。应该先问“我手里有什么数据”。设备PLC里有电流、温度、振动信号吗?MES里有工单和不良记录吗?质检环节有没有留存图像?数据基础决定了哪些场景能快速启动。假设一家汽配企业,压铸机装了传感器但数据只存本地、没做清洗,那先做设备预测性维护就很吃力;反过来,如果质检工位已经有稳定的工业相机和缺陷图片归档,那表面缺陷检测就是现成的切入点。实际上,数据可用性比场景热度重要得多。
步骤2:用“三高一低”筛场景
高频率、高人工依赖、高一致性要求、低容错成本——满足这四条的场景优先。比如电子厂的SMT炉后目检,每天几千片板子靠人盯,漏检率随疲劳波动,这就是典型的高频高人工场景。再比如注塑车间的工艺参数调优,老师傅凭经验试模,换料换模就要重新摸索,一致性差、废品成本高。这类场景AI介入后效果容易量化,也容易让一线员工感知到“确实省事了”。
步骤3:把试点范围压到最小闭环
别一上来就全车间铺开。选一条产线、一个工位、一个班次,跑通“数据采集—模型推理—结果反馈—人工复核”这个最小闭环。假设一家电子厂做PCBA外观检测试点,就先挑一条贴片线、固定两个检测工位,用两周采集样本、四周迭代模型,让质检员在屏幕上看到AI标出的可疑点并做复核。闭环跑通了,再谈复制到其他线。这个阶段的关键是让品质部和产线主管参与进来,而不是IT部门自己闷头搞。
步骤4:设一个“可撤退”的验收标准
试点前就定好:准确率达到多少算通过、误报率高于多少就暂停、人工复核工作量下降几成算有效。比如缺陷检测试点,可以设定“召回率不低于人工水平、误报率控制在可接受范围、单件检测节拍不拖慢产线”三条硬指标。达不到就复盘是数据问题还是场景选错了,及时止损比硬撑体面。
注意事项方面,有几点容易踩坑。一是别把试点当 Demo,要有真实的产线节拍和真实的异常样本,实验室里跑得再好,现场光照一变、物料一换就可能崩。二是提前和一线员工沟通清楚,AI是辅助复核不是替代岗位,否则数据采集阶段就会遇到软抵抗。三是选厂商时看它在同类场景有没有跑通过完整闭环,累计3200余家终端、120余家客户覆盖15+行业的方案商,至少说明其产品经历过多种现场环境的打磨,但最终还是要看和你这个场景的匹配度。
总结一句:工厂AI试点选取,本质是拿数据基础当门槛、拿痛点频率当权重、拿最小闭环当方法、拿可量化验收当保险。先跑通一个工位,再谈一条线,最后才是一个车间。