10个关于人工智能（AI）如何影响数控加工的一次外卖

在北卡罗来纳大学夏洛特（UNCC），我最近参加了一个令人兴奋的新加工相关活动的首次亮相，即将向一些与会者解释加工。就职会议自我感知加工和计量的联盟（CSAM）将制造专家汇集在一起​​，数学家，与加工运营没有基本熟悉的数学家，所有这些都具有推进的发展，以会议组织者Tony Schmitz博士的话语，“生产系统具有了解自己的国家并回应。“简而言之，这是一个完全集中在人工智能（AI）的联合加工的会议。

当然，制造人员也需要基本指令。我是其中之一。将AI应用于制造的希望仍处于早期阶段，其中一个步骤之一只是弄清楚这一点对另一个人意味着什么。在吸收会议日和一半的专家演示和圆桌会议讨论后，这里是我带走了与AI协助加工的承诺相关的印象和课程：

1. AI不是新的，但它是由于大量数据集和处理它们的电源而是最新的。

北卡罗来纳州州立大学Noel Greis博士解释了这一点。AI需要数据。今天，我们不仅具有越来越便宜且有效的传感器，可以采集数据，但也具有用于快速计算的图形处理单元（GPU）。她说，当代AI的大爆炸时刻于2009年来，当使用NVIDIA GPU接受了深入的学习网络（见下一个点）时。

在制造中，AI通常是指机器学习，目前的主流是深度学习。

与自动化不同，预期和编程对任何输入的响应，机器学习涉及通过大规模计算自动寻求数据中的模式，以便自行选择适当的响应。深度学习是一系列机器学习，良好，更深入。机器学习使用直接需要人类指导的算法解析数据。但是层层中的深度学习结构算法，创建一个学习系统，其中一层的发现提前并提高了另一层的决策能力。

3.只是术语是艰难的。

我在CSAM会议上观看了博士教授，以与他们是正确应用机器学习，深度学习和神经网络等术语的不确定性。如果一个数学家说我在前一段的定义以某种方式缩短，我觉得没有羞耻。

4.机器学习的弱点是它缺乏解释力。

机器学习发现相关性，而不是解释，并且相关性并不总是意味着原因和效果。法豪特州立大学博士博士·伯巴特博士解释了机器学习的潜在脆弱性是如何妨碍它的“使杂散的结论看起来巧妙地看起来”。因此，Schmitz博士解释了AI在UNCC的加工研究的应用程序涉及一种混合方法，其中基于系统的物理理解的编程指导了从一开始的数据学习。

5. AI揭示了计量的重要性和真实性质。

我们倾向于考虑测量和检查只是简单的过程的判断，调整一个特征，了解它是否通过或失败。但计量的更大的力量是过程控制，而不是质量保证。AI需要数据，计量是将制造事件和结果转换为数据的科学。

6.通过AI，我们将发现我们以前从未见过的原因和效果关系。

这一点是点4. AI不能给我们解释，但它将揭示值得解释的现象。一个领域，我知道这是发生这种情况是添加剂制造业（AM）。影响添加剂构建的变量很多，输入和输出之间的相互关系尚不清楚，因此机器学习正在使用更快地发现不同参数的力量。在解释之前，将找到并使用相关性。

7. AI允许实验不会其他可能。

在小组讨论中，ATI专业材料的John Foltz博士描述了AI在材料开发中的作用。涉及AI的实验提供了一种在虚拟意义上更改一个微观结构属性来研究效果，同时保持所有其他特性常数。物理现实不提供方法。

8.大型组织有优势。

没有人说过这个明确的一点关于ai，但是我想到了我，因为我听到了Jaydeep Karandikar博士葛全球研究。他描述了通过从每个GE机加工部件绘制信息来在GE中开发更复杂的刀具寿命预测的可能性。AI需要数据，大型组织可能对元帅有更多的数据。

9. AI是部落知识的替代品。

Mike Vogler博士毛虫在AI担任劳动力发展中的承诺。一股年轻的新员工进入制造业正在生产绿色劳动力。在没有足够的高级雇员通过部落知识引导他们，他问道，“我们如何增强未经经验的工人？”AI是一个答案，其能够学习和建议在否则可能过于评语的情况下对规划或正式程序预期的情况进行了正确的响应。

10.仍然需要基础设施。

实现AI在加工中的充分承诺需要什么？很多，但仍然需要的大部分是基本而不是精心制定。博士博士确定了这一点。“我们需要机器上的正确传感器来让我们了解我们需要的数据，”他说。同样，他指出了对AI系统的图形接口，从而可以更容易地应用这些工具而不是要求编码。