工厂中已经运行着许多系统。然而，当问题发生时，查明原因仍然需要依靠人工。

生产记录存放在一个系统中，检验结果存放在另一个系统中，而作业经验则记录在纸质文档上。无法一次性掌握所有信息。

问题一旦发生，多名负责人就需要分别查找各自的数据。等到找到原因时，下一个批次往往已经开始生产。

二十年积累的经验只存在于一位资深人员的头脑中。一旦他不在岗，整条生产线的运行就会变得不稳定。

演示阶段表现良好，却始终无法实现规模化应用。因为从一开始，AI 所需的数据就没有得到系统化整理。

无遗漏、不中断地采集来自设备、传感器和检测设备的所有数据。如果这一环节受阻，后续的一切都将失去意义。

登记每台设备能够执行哪些任务以及其处理能力，并将分散的记录、图纸、作业标准和维护历史整合到一张知识地图中。

从积累的数据中发现规律，并设定正常状态的标准以及判定异常的条件。在这一阶段，构建质量预测、设备异常预测和规格判定等模型。

只有到了这一阶段，AI 才能基于充分的依据进行判断。它全天候持续监控和分析，并在问题发生之前发现异常迹象并及时提示。

先在一条产线上验证效果，再逐步扩展到其他产线和工序。不断积累的结果将成为后续判断的依据，因此使用得越多，判断也会越准确。