Panasonic Industry 认为，人工智能在制造业中的应用并不是从选择现成模型或工具开始，而是从建立可靠的运营数据库开始。根据 MONOist Japan 刊载的文章，该公司花费了十多年时间，将生产线数据及相关知识转化为可用于改善流程的架构。
这项实践来自一家成立于 1969 年的公司。该公司生产包括铝电解电容器在内的多种产品。这些元件应用于电动汽车、人工智能应用和通信基础设施等领域。在这一背景下，公司表示，改善生产需要应对制造线之间的差异、资源配置以及订单量变化。
数据先于人工智能
大约十年前，近一半建于 2010 年之前的老旧生产设备无法直接收集数据。因此，Panasonic Industry 着手引入能够提供数据的设备，并在现有生产线上安装可编程逻辑控制器，即 PLC。
据文章介绍，这一过程使公司能够从 600 多条生产线收集数据。统一工作并不局限于通用指标；公司还能够整理生产质量、设备缺陷率、产品缺陷、与尺寸相关的缺陷，以及生产效率等其他运营指标的数据。
从测量到运营知识
公司并不认为收集数据本身就是目标。让所有设备都能提供数据，有助于分析运行状况、确定问题原因，也能比较设备和流程的性能。Panasonic Industry 将数据与员工积累的知识联系起来，认为实际问题在于如何理解员工的操作与流程性能变化之间的关系。
文章指出，公司正在构建运营知识框架，将现场经验转化为可重复使用的形式，而不是让经验始终依附于特定个人。这一点对于制造环境尤其重要，因为产品规格和生产方式会因客户而异，并且可能需要数千项调节和操作步骤。
实际发生了哪些变化？
真正的转变在于，不再把人工智能作为独立工具使用，而是将其与设备数据和运营知识结合起来。文章说明，Panasonic Industry 已开始采用包括人工智能代理在内的技术来支持运营，但这一步是在完成数据基础设施建设并统一绩效指标之后实施的。
这里最重要的启示是，人工智能无法弥补数据缺失或数据定义不一致的问题。无法访问设备数据，或没有统一方法描述故障和生产质量的工厂，在选择人工智能模型之前就会面临限制。而在 Panasonic Industry 的案例中，对 600 多条生产线进行数字化，为分析流程和扩大知识自动化提供了基础。
文章并未证明所有生产问题都已解决，也未表明人工智能代理已经取代人类经验。但它提出了一条清晰路径：从设备收集数据，将数据统一起来，与现场知识建立联系，然后在制造流程中使用人工智能。这一路径的有效性仍取决于数据质量、知识建模的准确性，以及员工在将结果转化为运营决策之前对其进行验证的能力。