AI如何重构制造业数字化创新 -基于制造业各应用场景的案例分

【培训对象】
企业高管团队、供应链管理，行政管理，生产管理，设备管理，质量管理，信息化系统等相关部门及企业数字化建设团队和所有关注AI发展的个人

【培训收益】
面向制造业高级管理与业务团队，深入浅出地剖析AI关键技术与大模型的结构，让学员深刻理解AI赋能制造业的底层机理，帮助企业开拓思路、动手尝试高价值场景开发与专业模型构建的主要工具链，理解工业逻辑的重构及企业战略、组织与技术的数字化变革。 课堂演示不同项目实例和相应工具链：基于n8n构建自然语言检索MES系统的Agent项目、通过YOLO模型开发工业缺陷检测项目等。通过场景案例的讲解（工艺，质量，排产，设备、供应链等），鼓励学员积极探索AI工业场景的落地及智能体构建实践

1.AI发展简史与关键技术简介
AI发展简史与关键技术突破：从专家系统、机器学习到生成式AI
案例介绍：从规则到统计——让机器理解人类自然语言的曲折过程
大语言模型核心原理简介：Transformer架构、预训练、微调、提示工程
动画演示：“投喂数据”的背后逻辑——卷积神经网络的结构与图像识别
如何用个人电脑本地化部署通用大模型（Ollama及主流LLM）
2.制造业数字化进程与AI重构逻辑
制造业数字化进程的评估：从精益化、数字化到智能化
AI对制造业的赋能和影响特点：工业数据和工业机理的护城河
AI如何重构制造业底层逻辑：从“效率提升”到“逻辑重构”
案例介绍：某非标高端装备制造企业的AI赋能实践（非标项目的技术解读、AI装配工艺的降本增效等等）
AI+制造业的新范式：工业大模型的特点和应用简介
工业大模型的特殊性及典型实践简介
案例介绍：卡奥斯注塑工艺大模型是如何诞生的？
关键技术：“通用大模型+行业微调”与“行业大模型从零训练”的选择
课堂讨论：不同行业应用工业大模型的切入点和产业鸿沟评估（时序数据、机理模型等）
3.高质量数据与“专精”模型的构建生态——体验训练自己的大模型
缺乏行业数据训练的通用大模型的局限性（幻觉、适应性、时效性）
工业大数据及企业基础语料的特点（多源异构、价值密度低、数据获取难度大）
高质量数据集与平台的建设实践
高质量数据集的特征（技术含量、知识密度、价值应用）
建设思路：工程、规范、工具、组织“四位一体”
案例演示：科大讯飞的高质量数据集平台与构建实践介绍
大模型的训练过程简介（数据集、模型结构、训练配置、评估与部署）
课堂演示：简单了解大模型的开发环境（基于Python与PyTorch的模型训练）
课堂演示：工艺语料的“词嵌入”、特征提取、多模态模型CLIP的训练与微调
4.工业智能体的技术简介及实践演示
从RAG、工作流到AI Agent的演进
工业智能体的关键能力：感知环境、自主决策、执行动作、持续学习。
案例介绍：智能体在制造业的应用模式
课堂演示：基于n8n构建自然语言检索MES系统的Agent项目
5.基于AI开发的制造业赋能场景介绍
典型场景之一：基于AI小模型的机器视觉应用
机器视觉的应用架构和应用流程
课堂演示：基于YOLO的工件缺陷视觉检测—数据集、训练与算法
AI知识迁移的主要形态及增量训练的实践
案例分享：AI在钢铁行业的应用案例或电子行业组装作业的应用（物料识别与防呆作业）
典型应用场景之二：基于深度学习的高级计划排程APS
案例分享：车间生产排程的演进与APS算法（基于MATLAB程序的启发式遗传算法，染色体与适应度函数）
应用探索：自己动手，用Deepseek打造自己的APS AI Agent（注塑车间为例）
典型应用场景之三：基于AI的设备故障诊断与预知性维护
基于深度学习的多模态特征融合技术
多模态注意力机制在检测中的应用
案例介绍：德国莱茵检测全自动智能无人值守实验室SMART LAB
典型应用场景之四：AI在供应链需求预测中的应用实践
传统供应链管理的特点及预测方法
时序数据的特点与LSTM算法简介
案例分享：家电行业预测的优化—基于LSTM算法的训练和调优
6.工业逻辑的重构与企业变革
工业引擎的AI重构：从“效率提升”到“逻辑重构”
实施方法论精要：战略对齐、场景优选、技术选型、组织变革
AI生态合作的策略：如何与云厂商、咨询公司、专业AI服务商协同
几个议题：数据安全、保护隐私、机理模型 

 洪华博士