克里斯·库奇(Chris Couch),汽车供应商Cooper Standard的高级副总裁和首席技术官,同时也是新生企业Liveline科技的首席执行官。他任职的这两家企业生产的都是一些平时不会有人注意到的汽车部件,比如刹车油和车门密封条。这两家企业有一个共同点—他们的生产制造流程中都有AI进行参与。
在近日的《ME,MYSELF&AI》节目中,库奇作为嘉宾接受了采访,其间他对AI如何参与到生产制造、人工与AI如何合作、如何激励人才持续创新做出了解释。
采访中,库奇首先介绍了Cooper Standard的产品以及这些产品在日常生活中的应用。当被问及AI如何参与到产品设计时,他举了名为Fortrex的聚合物的例子,这是一个可以制作出密闭性更好的车门密封条的材料,从而大大减少噪音。他解释称,研发团队使用AI开发了一个系统,该系统将会为研发人员提供材料建议,帮助研发人员确定适当的配比。他还表示让AI参与到设计之后,可以减少研发过程中70%-80%的重复实验。他还提及了Cooper Standard所进行的开放式创新,通过与新生企业的合作,CooperStandard可以使用一仅靠自身无法研发的技术,上述的AI系统就是他们与Uncountable合作研发的产品。
库奇认为AI的投资回报率(ROI)很难实现,他说:「有很多创意,与数据有关的有趣的事情,但问题是,它如何转化为产品。假设我们会对创新性产品进行验证,我们也无法证明他的价值。」在对待把创新型想法产品化的时候需要保持冷静,这样才可以在关注ROI和新设计的同时获利。
在谈及机器与工人的合作时,库奇提到了自己的Liveline公司来举例。Liveline公司利用机器自主学习的方式,在设计生产线上对机器参数实时监控和控制,以实现对复杂制造自动化的自动设计。库奇为了增加工厂员工对自动化机器的信任,在设计自动化流水线的时候,研发团队就保证了系统所做的决策对工厂员工完全开放。工人们还可以对系统做出的决策进行干涉,例如关闭系统,或是按照自己的经验对制造的零件进行调整。库奇认为这样的措施可以使Liveline得到更强的反馈,且工人们对系统提出的建议与反馈,对公司发展帮助很大。库奇说,「这种情况下,开放运行系统的胆量,民主化的决策,都是成功的因素。」
对于非实时反馈,库奇举了一个例子来解释人工与AI进行的交互如何改善AI的工作——库奇手下的一个工程师发现他们的材料会受到温度与湿度的影响,而他在观测AI学习的时候,发现运输过程中的温度和湿度无法观测,也无法被加入到系统的分析中。所以他们在运输的材料上设计了数据监测设备,改进了系统。「一旦人们足够了解系统的工作,他们会对系统的工作有一些直觉和想法,这可以使他们参与到AI系统的研发改进中来。」
最后,对于如何激励人才,库奇表示这个问题没有通解,但有两点是对他来说很重要:第一点就是对求职者做出真实的承诺,向员工证明公司是真的在坚持自己投资的方向;第二点就是真实的企业文化,让员工相信公司是在通过技术占领市场,寻求企业的长久发展。
以下为QA全文:
山姆·兰斯伯瑟姆——L
克里斯·库奇——C
舍尔文·霍达班达——K
L:像刹车油这样的化学物质,生产过程也许看起来并不像「吉普赛巫术」那种等级的人工智能,但是我们可能每天都在不经意间从AI中获得收益。今天接受我们采访的是克里斯·库奇,汽车供应商Cooper Standard的高级副总裁和首席技术官,同时也是新生企业Liveline科技的首席执行官,他将与我们一起讨论我们每天是如何从AI中受益的。那就让我们开始吧,为什么不先跟我们讲一讲你在Cooper Standard的工作呢?
C:我是Cooper Standard的首席技术官,这是一家是跨国Tier-1公司,我本人也是新生AI企业Liveline的创始人和CEO,Liveline会参与到Cooper Standard的研发过程。我们为汽车厂商提供车辆密封所需要的零部件,也有液压控制方面的,不论是冷却液还是制动液,车里所有的液压系统都是由我们提供的。我们也投资了一些化学产业,我们认为这些产业产生的影响会超出汽车行业。
我们大多数的产品可能平时并不会被用户注意到。并且,当车内的液压管路工作时,我们也不希望用户对我们的产品担心,但是这些产品对于拥有良好的驾驶体验,车辆安全方面是十分重要的。例如我们新开发的聚合物产品Fortrex。Fortrex可以为车辆提供更好的密封性。这个很重要的原因就是,我们现在已经开始进入电动汽车的世界,当发动机和传动系统的噪音消失之后,其他来源的噪音就会变得更加明显,其中最严重的噪音就是来自空气的风噪。通过提供更好的密封材料,我们相信我们可以对电动汽车世界提供更好的帮助。
L:那么AI是如何参与到聚合物的生产之中的呢?
C:我们在改进聚合物化学成分上投入了大量的时间与金钱,从化学工业的历史上来讲,很多的时间都是在重复实验。我们用AI开发了一个系统,这个系统可以为我们的化学家提供材料分配比的建议,帮助他们得到最终的解决方案。我们在这个过程中发现有了AI的参与,研发所需要的重复实验惊人地减少了70%-80%。
L:这真的很有趣,但是在我们继续讨论Cooper Standard与AI的成功之前,你可以跟我们讲一下你的背景和职业生涯吗?
C:我认为形容我自己的最佳方式就是「终生制造狂」。在我还是个小孩的时候,我就几乎把家里所有的东西都拆了个遍,并且不止一次被电。我用工具自己修好自己的第一辆车。我在学校里是一个关注生产和控制的硬核工程师,我的副研究项目包括制作可以水平飞行的自动驾驶无人机。做一个技术狂人对我的职业生涯真的很有帮助。
我前三分之一的职业生涯都在一家日本公司。我曾跑去日本为丰田工作,并花了很多年与他们一起设计建造工厂,最终参与到工厂的运营。我又花了三分之一的时间在商业层面上为一家汽车供应商计算盈亏。最后的三分之一我成为了首席技术官,又回到了汽车供应产业,但我们会涉足各种有趣的科技,看看现在世界上最流行什么。如果你几年前问我,我肯定不会想到在这开始我的第二份工作,但是这份工作确实很有趣,对于我们可以通过这些技术震动到市场也会感到兴奋。
K:给我们讲讲Cooper Standard的开放式创新吧。
C:当我在前几年刚加入公司的时候看到公司的产品名册,我被我们需要竞争的市场震惊到了。我刚才提到过材料科学,但是在产品设计和制造科技方面还有另一个领域:就是我们今天谈论的分析与AI。Cooper Standard不是一家小公司,我们去年收入30亿美元,但是我们也不是最大的公司。开放式创新是我们的一个绝妙的项目,这建立了一条产出想法的流水线。我们通过这个项目与大学、财团以及新生企业进行合作,并从他们身上汲取灵感。事实上我们的第一个AI项目就是通过开放式创新制成的。
我们与湾区的一个叫做Uncountable的企业进行合作,在他们的帮助下,我们开发出了可以有效给化学家提供建议并设计新化学产品的系统,直到现在也一直在用它。这个系统对研发来讲是一个超棒的加速器,帮我们减少了很多的研发循环实验。这样也使得我们在多个领域的研发都变得更快了。既然我们无法事事亲力亲为,那我们要怎么建立最终的产出流水线?在这个想法的推动下我们建立了CS开放式创新。
K:听起来是一个很有趣的聚集不同领域人才的方法。你认为这件事能成功的秘诀是什么呢?
C:不管是在AI还是在材料科学还是在别的领域,我的答案都是一样的:专注的能力。像许多别的公司一样,我们使用创新流程及关卡流程来加速创新的原因就是因为专注。我们要怎样快速确定我们要在什么地方使用我们珍贵的研发资金,我们要如何合理地使用它?我们像一家新生公司一样思考,并要做最小的投资。
K:足够多的失败,测试和学习。深入研究可行的新思路并放弃那些不可行的,是这样吧?
C:没错。我认为使用AI的项目并没有什么特殊的。我们非常迅速地推动那些ROI前景好的项目。老实说,我觉得这些年来我们在AI分析方面取得的经验,就是ROI并不是那么容易就可以实现的,尤其是在AI与制造工业4.0结合的时候。我们可以从数据中得到很多有意思的想法,但问题是如何把它转化成产品。假设我们会对创新性产品进行验证,我们也无法证明他的价值。
L:这看起来很矛盾,如果你过于关注ROI你就无法得到那些有趣有前景的想法。那你是怎么在关注ROI和抓住机会中平衡的呢?
C:我觉得关卡想法在这个时候十分有用。在早期我们会看到很多疯狂的想法,我们会从开放式创新和自己的团队中得到许多疯狂的想法,这非常棒。我们在看到它们时不会犹豫,甚至会多花一点钱来看他们可以实现到什么程度。这时候的问题就是,我们在尝试产品化的时候需要投入的是什么?想明白这个才可以到达下一关。
探索肯定是很重要的,我们也绝对会去做这些事情。我不太想说绝对,但是技术与想法都是有一定的操作空间的,如果想从中获利你一定要保持理性。
L:这看起来跟AI有一些不同,你刚刚才说过「AI没什么不同。」我好奇这些新技术会不会有什么不同的地方,是否需要做一些非传统的事情。
C:我觉得你说得很有道理。从我们的经验来讲,在AI方面最大的不同,就是与传统技术生产所使用的软件与工具的不同。如果你同设计工程师或者生产进程工程师交谈,他们可能会看过一些文章,但是不会对于实际原理太过于精通,更不用说扩大生产规模所需要的技术。因为从硬盘上下载一个CSV文件并让他在笔记本上运行是一回事,国际化规模的生产又是另外一回事。
我认为缺少技术探索学习是造成差距的主要原因。如果我们讨论传统机器人学科,或是物联网概念,很多工程师都会有一些思路并且可能在之前的工作中使用过相关的工具,但是很少有工程师涉足过AI领域。好消息是,我确信AI最棒的一点就是运行很便宜。我刚举的关于CSV文件的例子很土,但是对于概念的理解却很有用,除了需要掌握运行文件所需要的知识,别的几乎不会花钱。甚至我认为我们已经证明了获取知识的成本也是相当划算的。
K:我想要进一步解释你的观点,我们已经见到了不同的团队验证自己不同的想法。但是看起来AI好像也不容易进行扩张,它很容易运行,但是很难过渡并融入到商业生产之中,只有在真正扩张之后才能取得收益。你是怎么看待这样的过度工作呢?
C:这个问题并不简单,毕竟有时为了扩大规模,你确实是需要鼓起勇气的。我可以用Liveline的经历来给你做出解释。我们最开始做了一些原型机,我觉得我们已经完全了解了数据方面的理论知识,但这只是开始,那是差不多两年之前的事情了。直到最近我们才开始进行全球扩张。我能告诉你的只是当你在做原型机,到了运行的时候,一定要选择切实可行的数据来运行,所有人都需要共同努力,这样才能在工作结束后得到收益。
L:那么工作场所的员工们对此有什么态度呢,你怎么说服原来只有人类同事的员工接受新来的机器同事?
C:Liveline的基础原则就是促进建立复杂工业自动化,我们利用机器学习的原理设计控制逻辑来监控机器的实时数据。这对于建立复杂或是过于昂贵而无法实现自动化的进程非常有用。我们早期在化学物质,聚合物方面取得了成功,我们现在认为它在汽油,线缆方面的潜力十分巨大。
在第一次进入工厂的时候,我十分害怕工人们会把我们的产品视作威胁。我们是自动化,我们会对工人的工作产生影响,可能会导致某些人丢掉工作。事实是我觉得我们有一些吸引力,工厂的接待也很热情,他们都在尽力推广我们的设备。
我的态度是,使工具的使用尽可能的民主化。例如我们花了很多的时间来确保工人可以在设备的控制面板上看到数据流,这些他们以前都看不到。有的时候这些数据流是我们为了加强机器的自我学习而检测的,现在工人们也可以看到它。如果他们愿意,我们还可以让他们看到机器正在做出的决定。同时,他们还能得到关掉机器的权力,如果他们对HAL9000正在做的事情不满意,就可以按下红色按钮关掉机器。我们也给了他们做调整的权利,如果他们根据自己的经验判断生产出来的零部件小了一些,太薄或者是太厚,就可以按照自己的意愿做出调整。
我认为这种类似打开黑匣子的事情对于正在考虑产品的人是很重要的,我们在Liveline学习到的一件事就是我们得到的加强反馈,例如通过查看数据流和机器做出的决定那些人那里得到了很多有用的想法。另外,他们问了一些很棒的问题,让我们也作出了反思。还有人建议我们加入新的数据,一旦人们对将要进行的数据研究产生想法之后,就可能会很有用。我觉得这就是某种民主,在这个例子中,开放系统及其所需要的勇气就是成功的因素之一。
K:我觉得这个故事涵盖了的很多想法,在我提到之前克里斯你就已经提到了反馈回路,那我想问你,如果怀疑论者对AI更加友好,人们对AI更加信任,这个反馈回路会有什么变化吗?
C:当然,我会给你举一个例子,是来自我们在美国南部工厂的。在那里我们为Liveline进行全球化做了最后的测试。我们首先进行了所谓的自动模式运行,大概是去年第三季度。
我们执行的一个标准就是A到B测试:头四个小时我们打开机器参与生产,然后关闭机器,工厂照常运行。在几周之后我们回去收集数据并进行评估。
但是几周之后,我们第一次收集数据时,团队告诉我「出问题了,我们收集不到系统关闭之后的B点数据。」我问为什么,他们跟我说,「当开始运行之后,工厂方面就再也不想关闭它了。因为这对他们的工作改变实在是太大了,可以帮助他们更好的操作流水线。」这样的反馈与我们在加拿大和密歇根得到的反馈是一样的。
这种反馈令人非常放心,但是我仍然认为从一开始我们真正开放的思想,让他们观测到数据,让他们有权利干预设备工作,这才是真正让我们与用户建立了链接并对项目做出了贡献。
L:这看起来是很多种不同的从系统得到反馈的方法,你提到的另一个就是新标签新数据的反馈。按下红色按钮就是一种实时反馈,这就是它的意义。那么系统是如何应对实时反馈的呢,你怎么处理关于新数据的建议?
C:在Cooper Standard,我们最主要的生产线就是化学用品的生产。我们生产不同种类的化学材料,如果是热塑性的,我们还会把他放在200米长的烘干管路里。
L:那对于新数据标签的流程呢,你会怎么来落实那些非实时的进程?
C:我会给你举一个真实的例子。大概一年前,我们正在做实验,有一个非机械专业的进程工程师正在观测系统运行,查看数据,研究数据分析和结果预测。当时,我们并没有得到想要的结果,而是只观测到了现实情况的不同输出,并没有看到我们预测过的数据世界的结果。
当他在观察的时候他说,「我有一个理论,关于我们正在往流水线上输送的那些原材料。我的理论是这些原材料会受到之前温度湿度的变化而变化。我们为什么不放置一些数据观测设备,来监控他们在从全国各地运往这里时的数据变化呢。」
这个方法十分有效,这是一个活生生的非AI专家与系统进行交互,并运用人类的直觉来改进系统的例子。一旦他们足够了解到我们正在从事的工作,他们就可以以某种方式参与进来,这是多棒的事情。
L:我还想问你关于人才的事情。你一直在谈论创新,好点子,不同组织不同国家一起来来研究有趣的东西,尝试新的事物,作出重大改变。你认为如何才能得到人才,给他们动力,让他们保持创造力?
C:这是个好问题。我认为根据领域的不同,你可能会得到不同的答案。在考虑生产进程时,看待工程师的方式可能会与我们看待AI行业人才的方式有所不同。人才是来自不同地区不同国家的,我不确定这里面会有通解。但总的来说,在想要招收的人才的时候,我们应该给他们展示我们对于创新的坚持是真实的,这很有帮助。可以向人们证明你会坚持自己投资的项目,是很重要的。
第二,企业文化也很重要。要让人们相信,除了已有资源的投入,我们也十分重视创新,并希望改进现有的产品。如果公司的文化是真实的,人们是可以感受到的,如果不是,人们也可以感觉到。你可以赢在这一时,但是你需要为接下来的数年做准备。我认为我们在这方面做得不错,这就是最关键的点。
L:谢谢你克里斯,你发表了一些很有趣的观点,谢谢你能来。
原文链接:https://sloanreview.mit.edu/audio/prototypes-pilots-and-polymers-cooper-standards-chris-couch/