当前，大多数钢铁制造商都在为减少生产损失而努力，并为此付出了高昂的成本，削弱了盈利能力。钢铁生产损失最常见的表现形式包括：重量差异、内部质量问题、表面参数缺陷、力学性能等。所有这些损失的共同点是，它们都是由流程驱动的，不能通过更换或维护机器，或改变一个特定的设置点来予以解决。与之相反，真正的原因却藏匿于流程本身的深处，从而给产品制造带来了挑战。

利用人工智能作出正确的决策

诸多案例的实践证明，人工智能，特别是工业人工智能，并不会很快取代人类。与之相反，工业人工智能为团队提供了人类难以企及的洞察力，辅助做出正确的决策，并改善业绩表现。

通过与数百家连续流程制造商进行交流，Seebo最终发现了人工智能解决方案的三大关键标准，如果满足这些标准，就可以使团队实现对持续流程的主宰。

其一，揭示隐藏的原因。制造团队反映最多的“未知因素”就是那些他们甚至没有意识到的低效和生产损失的隐藏原因。通过揭示这些隐藏的原因，能够将效率提高到新的水平，在此过程中大大减少损失。

其二，对所有数据进行连续、可扩展的多变量分析。当前事态的另一个明显差距是能够始终持续分析所有数据，同时考虑到整个生产线中不同点之间的所有复杂相互关系。

虽然人类不能做到这一点，但人工智能肯定可以做到，特别是通过使用带有监督功能的机器学习算法来理解通常导致损失的行为模式。

最后，把重点放在流程上。就像其他流程制造行业一样，在钢铁制造业中，流程的关键就是：不能孤立地看待一点。人工智能可以为人类提供敏锐的洞察力，但只有当算法理解整个流程的独特复杂性时，这些洞察力才会发挥巨大作用。

如果算法中没有嵌入的过程专业知识，人工智能将在没有唯一语境的情况下简单地分析数据，并得出错误或不完整的结论。这样的技术在实践中被称作“自动根本原因分析”。如果手动根本原因分析是阻碍钢铁制造商的原因，那么自动根本原因分析就是解决方案。

自动根本原因分析对整个数据集进行连续的、多变量的分析，并揭示流程专家无法找出的、生产损失的隐藏原因。归功于基于流程的人工智能技术，这一点已经成为现实。这项技术嵌入了复杂的机器学习算法，对每条生产线都具有深厚的工艺专业知识，使算法不仅能够简单地分析数据，而且能够理解每个独特的生产流程，从而在语境中正确地分析数据。

制造团队可以通过此自动根本原因分析回答三个关键问题。对于流程专家或工程师应该重点关注：1）为什么会出现损失？2）今后如何防止这些损失；对于生产团队应该重点关注：3）应该在什么时候采取行动防止这些损失。

利用人工智能减小KPI损失

通过克服人类分析的局限性，无论是质量、残次品、产量还是收得率，揭示生产损失的隐藏原因，这就是人工智能对钢铁制造商的核心好处。

对于损失发生原因、如何防止损失以及何时采取行动，如果具有清晰、实时的洞察力，即使是一个普通的团队，也能够创造出非凡的成果。

关键词：钢铁、人工智能、制造业