製造智慧（MI）是沃特曼的一個全新概念，而且還處於相對起步階段。MI 的核心理念是利用 軟體與現有製造業務相結合，產生基於工業物聯網 (IIoT) 構建的深度分析，以推動生產。最終，MI 的理念是將工業物聯網、數位孿生、雲端管理和技術（例如虛擬實境和擴增實境(VR/AR)）應用於製造車間，以改善數據和功能。這些系統構成了具有整合 MI 的工廠的藍圖。雖然一般程序很簡單，但實施 MI 並不容易，而且成本高昂，因為它涉及大量的財務或
時間投資。難度取決於工廠的數位成熟度。那麼要從哪裡開始呢？MI 的基礎是數據。首先從核心產品或流程取得一致的數據。透過機器學習 (ML) 演算法進行數據分析有很大的機會。這些演算法用於發現人類智慧無法達到或需要深入研究的數據模式。取得的數據應該是什麼樣的？如果資料來自製造工廠，則該資料通常屬於機器學習中的監督學習，其中有兩類：分類和迴歸。 

分類問題需要查看大量輸入來產生類別輸出。以一朵花為例。可以根據大小、形狀和顏色等特徵將它們分類為玫瑰、雛菊或百合。或者，分別為類別 0、1 和 2。這可能會導致分類過程。生產的零件能否滿足特定的品質閾值？將為其分配什麼品質等級？具有機器學習演算法的機器將能夠自行做出決定並接受或拒絕零件。

“透過機器學習演算法進行數據分析有很大的機會。”

假設目標是定義配方是否能生產出具有某些性能特徵（如強度或彈性）的產品。那麼這就是一個回歸問題。在迴歸中，輸出可能是特性的梯度值，例如混凝土的壓縮力或聚合物的彈性。當先前資料提供給迴歸演算法時，就會建立一個模型來進行這些預測。無論是簡單的兩個自變量還是複雜的 50 多個變量，該演算法都能找到人類大腦需要花費數年時間才能推導出來的關係（否則的話）。考慮一下我們在克拉克太平洋公司的案例。混凝土配合比設計源自預製/預力混凝土協會 (PCI) 制定的經驗數據和標準。混合設計對材料組成以及環境條件很敏感，這會導致整體性能有很大差異。產生新的混合設計並測試其抗壓強度需要數月才能確認或拒絕。我們使用基於批量工單已有資料的迴歸公式來開發預測模型。成功率高達 99.7%，以前需要數月才能推導出公式，而確認只需數天。機器學習演算法也消除了讓主題專家做出決策和產生結果的需要。我們並沒有從大規模儀器設定來測量每一種可能的事物，我們使
用了我們已經擁有的技術和數據來實現這一點觀點。我們最大的障礙是確保測量和編譯的數據一致。

查看這些概念並想知道它們如何與特定應用程式聯繫起來可能會令人畏懼，並且可能會從一開始就阻止或延遲該過程。老子有句名言：「千里之行始於足下」。儘管這條路可能很困難，但只有先採取較小的步驟，才能實現 MI。我們並不是有一天醒來就知道如何做數學、閱讀或運行生產線。在人類智慧方面，我們從基礎知識開始，逐步建立複雜的課程。在 MI，從小事做起，打下堅實的基礎，並以此為基礎不斷成長。