摘要:用人工智能赋能制造业

调研 | 黄勇 崔可家

撰写 | 崔可家

2016年,洪朴信息成立,并于2018年成为微软加速器第十二期成员,定位智能制造解决方案提供商。

工业企业门类繁多并且环境复杂,选择大数据落地应用场景就成为了工业大数据厂商的首先要考虑的问题。

现阶段,大部分工业大数据厂商还是会从设备预测性维护的角度切入市场,这一方面是由于设备端数据一般较为完备,便于采集和分析,另一方面是由于设备维护需求较为明确,市场接受程度较高。

但洪朴信息最初并没有从这一方向入场,而是选择了从整条产线的角度来服务客户。从产线角度来看,不仅仅要考虑设备本身的数据,产线中人-机-料-法-环各个环节都会对产线产生影响,因此,对于大数据厂商的场景理解能力提出了更高的要求。

现阶段,洪朴信息的团队规模为50人,其中包括计算机统计、图像分析团队以及工业专家团队,这种复合团队背景让洪朴信息对于工厂的需求理解的更加透彻,帮助其利用大数据、人工智能技术提升效率。

洪朴信息的产品按照数据类型,可以分为针对结构化数据和非结构化数据的两大类产品。

在结构化数据方面,洪朴信息主要提供智能生产过程管理,包括良品率分析、生命周期分析、生产排产等产品,以及智能仓储管理,帮助工厂优化物料摆放,规划物流路径。

在非结构化数据方面,主要是针对图像数据,基于计算机视觉技术提供外观检测、X光检测分析等产品。

目前,洪朴信息的客户定位在半导体、3C制造等行业的头部企业,已服务于10多家客户。

近期,爱分析对洪朴信息CEO许剑锋以及COO陶青进行了专访,就洪朴信息的产品及业务以及对于工业大数据行业发展趋势做了深入交流,现将部分精彩内容分享如下。

切入工业大数据市场,跨领域人才构建竞争壁垒

爱分析:自2016年成立至今,洪朴信息的发展历程是怎样的?

许剑锋:洪朴信息于2016年8月成立,定位是人工智能和大数据领域,当然主要还是从大数据、数据分析这个方向切入市场。在2017年初,洪朴信息确定了制造业数据分析的方向。

爱分析:为什么选择工业大数据这个方向?

许剑锋:我们尝试过很多行业,但最终选择落地在制造业,这其中有两点原因:

第一,制造业的门槛很高,不容易进入,但我们的团队有这方面的基因,COO陶青在Intel工作了近十年,对于制造业的理解非常深刻。

第二,项目机会,通过早期的一些项目,我们发现利用大数据确实能够在工业企业中产生效果。

爱分析:制造业的门槛体现在哪些方面?

许剑锋:常规团队对于工业的认知会更难,工业的知识一般只会在体系内流动。以计算机视觉为例,人脸识别技术首先会落地安防、金融等常规行业,因为这些行业的认知比较简单。

陶青:工业大数据,需要团队既懂生产线,又懂IT,又懂数据分析,这就需要团队本身具有符合背景,而跨领域的人才非常稀有。

爱分析:洪朴信息的产品有哪些?

陶青:可以简单的按照数据类型来分为结构化数据和非结构化数据。非结构化数据方面,主要以图像为主,做产品外观检测、X光检测等;结构化数据方面,有良品率分析、生命周期分析、排产、原材料仓储以及预测性维护等应用。

爱分析:图像采集是由洪朴信息来完成的吗?

陶青:看情况,有些工厂中是已经有采集设备,但是由人工来做检测,那么我们就是用算法来替代人工做检测;另外一些工厂是没有采集设备,我们会有一些设备供应商来定制设备并集成算法统一去服务客户。

爱分析:结构化数据的来源有哪些?

陶青:结构化数据包括设备端的传感器数据,MES、ERP等业务系统数据,我们更多的是基于工厂的信息化基础之上来采集数据。

数据采集方面,我们有自己的合作伙伴来做,将采集的数据上传到微软云或其他公有云中进行数据分析,对于智能制造来讲,数据本身不是问题,更重要的是需要找到应用场景。

爱分析:通过良品率分析产品,工厂的良品率提升在什么量级?

许剑锋:各个行业差异很大,有些行业的良品率只有60-70%,这时候的良品率提升会很明显,但有些行业中,原有的良品率已经达到98%,这时候的良品率可能只能提升很小,但对于制造业来说,也可以带来很好的效果。

陶青:在制造业中,随着工艺的不断优化,良品率是有一个爬升的过程的,我们的产品就是为了缩短爬升周期,比如将原来需要6个月的爬升周期缩短到2-3个月。

爱分析:设备预测性维护的准确性可以达到什么水平?

陶青:对于设备端来说,预测准确性是一个伪命题,因为准确性永远不可能达到100%,工厂在乎的是可以帮助其降低多少不必要的维护,并且保证设备的稳定运行。

爱分析:设备预测性维护带给企业的价值在于提高设备利用率?

陶青:产线中设备很多,对于约束站点设备来说,是提高设备利用率以提高生产线整体产能,但对于非约束站点设备来说,其本身可能处于长时间停机的状态,因此提升设备利用率价值不高,真正的价值在于减少备品备件的购买以及维护人员的配置。

爱分析:原材料仓储场景中解决哪些问题?

陶青:这个产品主要是通过物料的合理摆放提升在取货环节的效率。

我们会基于大量的历史订单数据来分析物料的关联性,根据取货频率等信息,为货物分配最佳的货仓货号。整个产品是嵌入在WMS仓库管理系统中的,对于整个工厂来说是无感知的,在物料入库环节就已经分配了最优货号。

定位头部客户,打造标杆项目

爱分析:洪朴信息是以标准化产品还是定制化项目服务客户?

陶青:洪朴信息的产品可以分为两类,一类是标准产品,一般是针对某一类细分行业来做,但是这个行业需要足够大;另一类是有一定定制化开发的产品,比如良品率分析,在不同行业中,底层技术是相同的,但是需要针对不同行业去适配。

爱分析:现阶段,工业企业中产品的部署方式是什么?

陶青:制造业相对比较保守,大部分企业一般不会选择公有云,对于洪朴信息来说,本地部署、公有云或者混合云的方案都是可行的。

现阶段,本地部署的方式较多,一方面是由于数据安全的原因,另一方面,对于制造业来说,不允许出现因为网络传输而造成的数据丢失的现象,这会对于生产有影响。这一点也体现了制造业的高门槛,对于算法、系统的稳定要求极高,并且必须保证精度。

从洪朴的角度来看,最重要的目的是服务企业客户,上云与否只是形式。但从未来的长远发展来看,上云肯定是更好的方案,因为这样模型的迭代会更方便、更及时。

爱分析:产品的部署周期一般为多久?

陶青:如果是成熟的产品会很快,最快2-3个小时就可以完成,但前期会有1-2周的准备周期,包括数据接口的开放、前期调研等。

爱分析:产品的收费方式是怎样的?

陶青:基本是根据产线数量按照License的方式收费,如果是上云的话,是按照SaaS订阅的方式收费。

爱分析:洪朴信息的客户是什么体量?

陶青:主要是行业中的头部企业,一方面,头部企业可以作为标杆带动整个行业,另一方面,服务头部企业也是对我们自身实力的考量。头部企业对于供应商的选择不单单是考虑某一点上的技术能力强弱,而是从整体能力上考虑,包括算法、系统、网络稳定性,以及后续的服务、维护体系都需要全方位的满足。

爱分析:客户主要分布在哪些行业?

陶青:我们有十几个客户,主要是半导体、3C行业,也在向汽车、地铁等行业进行辐射,因为现阶段产品已经经过验证,可以去拓展客户。

爱分析:选择落地行业时会考虑哪些因素?
陶青:首先要有一定的信息化水平,保证有数据,另外,需要管理层对于大数据、人工智能技术的价值认可,这样才能更好的去服务客户。

爱分析:获客方式上,是通过直销还是渠道的方式?

陶青:最开始是通过合作伙伴较多,我们的合作伙伴有微软、英伟达、阿里云、腾讯、百度云、SAP、DELL等,这些行业巨头都有很多订单机会;同时,通过好的项目案列,我们也自己挖掘了很多客户订单,现阶段是双管齐下的,后续直销获客的占比会逐渐增大。

爱分析:目前,团队规模是怎样的?

许剑锋:整个团队人数在50人左右,其中大部分是技术人员,销售人员大概有7人左右;预计明年的团队会扩张到70-80人。

设备预测门槛较低,工业SaaS公司发展空间有限

爱分析:制造业中,哪些应用场景是价值比较高?

陶青:在工业大数据领域,设备端预测性产品是大多数公司都在做的,因为数据比较健全,门槛相对较低;但这个产品的可复制性不强,比如在风电领域中做设备预测性产品的公司,需要对设备的物理模型有非常深刻的理解,但是这个公司很难将这一套产品应用在火电上,因为物理模型差别非常大。

因此,我们做的是服务于整个工厂体系,设备只是人(工人)-机(设备)-料(物料)-法(方法)-环(环境)中的一环,而产线端的数据挖掘,如生产周期管理、库存管理的价值更大。但服务于产线需要对于生产工艺、流程的理解非常深入,才有能力去做,这也是我们的优势。

爱分析:流程型和离散型工业的需求有哪些差别?

陶青:我们现阶段是将更多的精力放在离散型工业上,因为在离散型工业中,站点和站点的连接主要通过人来进行,对于效率有很大损耗,通过大数据、人工智能技术提升效率是更有价值的,工厂接受起来也更为容易。

流程型工业中,自动化水平相对较高,如果要做改变,一般就会涉及到流水线改造等物理层面的变化,成本相对较高,工厂接受起来相对困难。但是如有合适的场景,我们也会关注。

爱分析:怎样看待工业互联网平台这个概念?

许剑锋:从工业企业内部来讲,建平台是趋势,因为企业内部有大量孤立系统,需要做横向的数据打通,但建平台也需要考虑上层应用,不能为了建平台而建平台。

从创业公司的角度来讲,我们觉得是行不通的,SaaS会很大程度上限制创业公司的发展空间。一方面,SaaS一定会利用外网,但大多数企业现阶段不会完全进入外网,即便上云也会是混合云的方式;另一方面,SaaS很难做到实时分析,一定是非实时或者非关键数据分析场景,对于企业的价值较低,所以SaaS会限制智能制造创业公司的发展空间。