關於工業機器智慧未來發展的觀點： 專訪DUANE S. BONING教授

Duane S. Boning 博士是麻省理工學院電氣工程與電腦科學的一名Clarence J. LeBel教授。他還是麻省理工學院微系統技術實驗室 (MTL) 的副主任，以及全球運營領導者(LGO) 計畫和製造與運營機器智慧 (MIMO)計畫的聯合主任。tec.News的工作人員最近有幸採訪了Boning教授，並詢問了機器學習方面激動人心的新發展，特別是在工業中的應Dr. Duane S. Boning, 用。

產業競爭力

tec.news：您能描述一下機器智慧在運營和製造轉型大背景下的進展情況嗎？

Boning教授：讓我們先來瞭解一下運營與製造方法的歷史。30 年前，精益製造方法改變了工業。這些方法的重點在於通過僅在需要的時候接收貨物來消除多餘的庫存，降低存儲的多餘成本並提高生產率和利潤。

然後，15 年前，供應鏈發生了重大轉變，從本土採購發展到全球採購，嚴重依賴亞洲。新冠病毒大流行揭示了這種體系的固有弱點，全球供應鏈中斷導致大規模嚴重短缺。

此外，傳感技術、低成本強大計算和軟體工具方面的最新進步為新的創新製造業應用帶來了機遇。

tec.news: 您能否概述一下您認為機器智慧在工業應用中的主要挑戰：

Professor Boning: 我從自己的研究和經驗中得到的結論是，將機器智慧引入製造和運營對普通製造商來說是一種挑戰，需要超越這一挑戰才能有望獲益。由於製造流程是定制的，現成的機器學習很難應用於大多數製造情況，必須有完全瞭解問題的用戶來教學如何操作機器才能創建有效的解決方案。我的研究重點在於培養具備機器學習和生產流程領域知識的“翻譯”人員，以促進成功。我的工作是教授本科生機器學習專業的基礎知識，以便他們能夠給未來的雇主帶去這種必要的技能。

機器學習的第一步是要有適當的資料作為起點。然而，對於特定的機器學習應用來說，僅僅擁有資料並不一定足夠。你需要有相關的資料。我們有很多機器學習的技術方法，包括統計學方法、決策樹、隨機森林、神經網路、時間序列分析等，我們應該根據工程和商業方面的實際判斷來加以應用。其他需要考慮的因素包括處理異常資料的方法、資料結構、異常和故障檢測以及模型漂移。模型漂移是一種現象，由於工藝設備老化或製造工藝本身隨時間發生微妙變化，在某個時間點建立的資料關聯性會隨著時間的推移而發生變化。

簡而言之，要成功開發機器學習模型，需要對資料建模有廣泛的理解，並有正確的數據。

tec.news: 您如何看待產學合作在幫助解決這些問題方面的作用？

Boning教授：產學合作對於為調查和測試新方法和假設提供真實的平臺和案例研究都至關重要。歸根結底，要解決現實世界的需求，二者缺一不可。

長久以來，麻省理工學院一直在開展這種合作。通過MTL等組織以及麻省理工學院的其他研究中心，我們能夠利用產業和學術環境的優勢，踐行我們“手腦並用”（MENS ET MANUS）的校訓——或者說，理論應用於實踐。

 tec.news: 您如何看待機器學習的未來以及這些課程的成果？

Boning教授：機器學習對於製造流程的下一步發展至關重要。我們今天所做的工作有助於為未來奠定基礎。這些課程所教授的概念和技能，學生們將會帶給他們未來的雇主，雇主將會受益於他們帶來的競爭優勢。