2019年制造商的領先增長戰略是通過投資機器學習平臺來提高車間生產率，這些平臺提供了提高產品質量和產量所需的洞察力。

使用機器學習來簡化生產的每個階段，從入庫供應商質量開始，從制造計劃到履行，現在是制造業的優先事項。根據Deloitte最近的一項調查，機器學習將計劃外機器停機時間減少了15-30％，生產量提高了20％，維護成本降低了30％，質量提高了35％。

人工智能有可能在全球業務的營銷和銷售中創造1.4T至2.6T的價值，在供應鏈管理和制造方面創造1.2T至2美元的價值。麥肯錫預測，基于人工智能的預測性維護有可能為制造商帶來0.5美元至0.7億美元的價值。麥肯錫引用AI處理海量數據的能力，包括音頻和視頻，意味著它可以快速識別異常以防止故障。機器學習可以確定特定聲音是飛機發動機在質量測試下正確運行還是裝配線上的機器即將失效。

通過在云平臺上擴展的機器學習和預測分析，制造商正在獲得有關如何使其更具可持續性的新見解。

流程制造商正在使用Azure的Symphony Industrial AI從模板庫部署設備模型，模板庫包括熱交換器，泵，壓縮機以及制造商所依賴的其他資產。Symphony AI的Process 360 AI可幫助用戶創建其流程的預測模型。高級別的過程被定義為通過設備生產的物品（如化學品，燃料，金屬，其他中間產品和成品）。工藝模板實例包括氨工藝，乙烯工藝，LNG工藝和聚丙烯工藝。過程模型有助于預測過程擾動和跳閘 - 單獨的設備模型可能無法預測。

波士頓咨詢集團（BCG）發現，制造商使用人工智能可以將生產商的轉換成本降低多達20％，同時由于勞動力生產率提高，成本降低高達70％。BCG發現，生產商將能夠通過使用人工智能開發和生產針對特定客戶量身定制的創新產品，并在更短的交付周期內交付產品，從而產生額外的銷售額。下圖說明了AI如何根據BCG的分析為生產流程帶來更高的靈活性和規模。

依賴重型資產的離散和流程制造商正在使用人工智能和機器學習來提高吞吐量，能耗和每小時利潤。擁有重型設備（包括大型機械）的制造商正在探索使用算法來提高產量，可持續性和良率。麥肯錫發現AI可以自動執行復雜的任務，并提供一致性和精確的最佳設定點，使機器能夠以自動駕駛模式運行，這對于在一個或多個生產班次上實現熄燈制造至關重要。

基于AI和機器學習的產品缺陷檢測和質量保證顯示出將制造生產率提高50％或更多的潛力。機器學習有可能減少制造業的長期勞動力短缺，同時尋找新的方法來同時留住員工。

制造業今天面臨嚴重的勞動力短缺，每一次制造商調查都反映出這個問題是影響行業增長的三大因素之一。承擔這一挑戰的最有趣的公司之一是Eightfold。他們基于AI的人才智能平臺依賴于一系列有監督和無監督的機器學習算法，以匹配候選人獨特的能力，經驗和優勢。包括ConAgra在內的制造商依賴于八倍改善招聘并重新發現他們為團隊配備人才和追求增長機會所需的人才。下圖解釋了Eightfold人才智能平臺的工作原理：

機器學習正在幫助制造商解決以前難以解決的問題并揭示他們從未知道的那些問題，包括隱藏的瓶頸或無利可圖的生產線。提高車間每臺機器的預測性維護精度，揭示如何提高每臺機器和相關工作流程的產量/吞吐量，優化系統和供應鏈優化。下圖說明了機器學習如何首先從機器級別開始提高車間生產率，然后擴展到工作流程及其所依賴的系統。

機器學習可以顯著改善產品配置，以及制造商依賴于按訂單生產產品的配置 - 報價（CPQ）工作流程。西門子的方法來銷售，設計，和安裝鐵路聯鎖控制系統使用AI和機器學習，找出10種的最佳配置90種可能的組合。機器學習擅長定義最能滿足客戶需求的最佳配置，同時也是最可靠的制造。預計人工智能和制造業中的機器學習將在未來五年內超過機器人技術，成為制造業的主要用例。

供應鏈操作的復雜性和約束是機器學習算法的理想用例，以提供推薦的解決方案。制造商正在尋求有關預測性維護的試點，那些能夠帶來明顯收入增長的企業最有可能投入生產。機器學習正在徹底改變制造商如何保護每個威脅表面，依靠零信任安全（ZTS）框架來保護和擴展其運營。