引言 大腦對神經網絡和深度學習的啟發 /

第1章人工智能數據挖掘實現了EBITDA的轉變 /
改進指標和財務業績 /

管理團隊 /

人工智能數據挖掘 /

現金流改善 /

勞動效率 /

報廢成本 /

全面生產維護 /

減少設置時間 /

員工士氣 /

稅息折舊及攤銷前利潤 /

在制品庫存周轉 /

小結 /

第2章隻有人工智能纔能消除的浪費 /
豐田的周期縮短和庫存減少 /

廢料對批量大小的影響 /

機器停機時間對批量大小的影響 /

廢料和機器停機所帶來的綜合影響 /

工廠的生產周期 /

豐田快速中的生產 /

豐田的四步快速設置法 /

豐田的終極目標:隨機序列零件高效生產 /

為什麼在豐田很成功？ /

為什麼單個外部客戶的不成功？ /

對於首席數據挖掘官的迫切需求 /

維護減少浪費這一原則 /

神經網絡越強大，浪費成本越低 /

通用設置減少 /

發現潛藏的浪費並消除 /

小結 /

第3章21世紀的生產力挑戰 /
互聯網商務:通貨緊縮的來源？ /

次制造業革命 /

第二次制造業革命 /

第三次制造業革命 /

第四次制造業革命 /

克服學習人工智能的障礙 /

不實施人工智能的危險 /

第4章為什麼現在需要第四次制造業革命? /
當前為什麼要使用人工智能? /




第5章人工智能數據挖掘、產品流程和周期時間 /
用數據挖掘盈利機會 /

作業車間流程問題 /

小結 /

第6章第四次制造業革命概述 /
分而治之 /

將精益六西格瑪拉式繫統改造為人工智能拉式繫統 /

神經網絡的分支界定法訓練 /

神經網絡和深度學習 /

人工智能工廠布局 /

小結 /

第7章深度學習和神經網絡介紹 /
示例1 /

示例2 /

深度學習的總結和展望 /

第8章深度學習在制造中的具體應用 /
作業車間調度 /

測試和質量控制 /

確定新產品的作業/工具訂單 /

應用深度學習的注意事項 /

第9章人工智能拉式繫統開發 /
拉式繫統 /

在制品控制拉式繫統 /

作業車間的活力 /

補貨拉式繫統 /

小結 /

第10章進行人工智能準備情況評估 /
需要評估的績效因素 /

篩選優先行動 /

“航空航天”公司的評估和行動 /

形成有效的部署 /

第11章流程工業中的人工智能精益六西格瑪 /
半導體制造業 /

半導體簡史 /

第12章人工智能通過預測性維護防止機器停機 /
測量振動 /

第13章項目管理和產品開發中的人工智能 /
每周工作40小時的災難性影響 /

用於項目管理的神經網絡 /

需要管理層參與 /

數據挖掘過去的項目 /

神經網絡的輸入 /

小結 /

注釋 /

能生存下來的物種不是強的，也不是聰明的，而是那些對變化反應積極的。
?D?D查爾斯?達爾文

我在2001年寫了本關於精益六西格瑪的書。該書已售出100多萬冊，並以11種語言在全球出版。精益六西格瑪以豐田生產繫統為基礎，成為工業和軍事領域應用廣泛的改進過程的方法，開創了第三次制造業革命。次制造業革命是使用蒸汽機取代人力驅動機械設備。第二次制造業革命是亨利?福特以的成本批量生產單一車型的汽車。豐田生產繫統以接近福特制造單一車型的低成本，制造了各種各樣的汽車。 精益六西格瑪結合了利特爾的周期縮短定律，使豐田生產繫統適用於任何行業和任何過程，包括產品開發、項目管理等。此為2001年時的水平。
人工智能（AI）經歷了50多年的科學發展，直到2007年，辛頓（Hinton）教授的“訓練”方法纔使得深度神經網絡成為一種實用的工具。到2012年，亞馬遜、微軟等公司已經有了雲計算的高速培訓課程。與個人電腦相比，它的廉價計算能力提高了100倍。計算能力的突飛猛進使人工智能首次應用於大數據。大數據包括所有產品和服務的所有工程、會計和ERP數據。
在第1章中提及的人工智能數據挖掘的早期應用表明，在數據挖掘中其實存在著大量的損耗，並且無法被精益六西格瑪(LSS)發現。第2章對於一款致力於減少乃至杜絕損耗的全新開發的人工智能工具進行了描述。杜絕損耗不僅提供了巨大的潛在利潤增長，而且創造了一個可以防御競爭對手的商業模式。在雲計算的幫助下，人工智能正在引領第四次制造業革命。著名的人工智能風險投資家李開復博士說：“人工智能的發現時代已經結束，取而代之的是其實施貫徹的時代。”在人工智能出現之前，商業活動是由勞動力和資本這兩個生產要素來運作的。現在，人工智能已經被證實是第三個生產要素。如果一家公司同時具備這三種生產要素，那麼它的表現就會優於隻使用勞動力和資本這兩個生產要素的競爭對手。自2001年以來，過程改進這一領域已經發生了明顯的變化，企業和軍隊也必須改變。查爾斯?達爾文估計也同意，人工智能需要一種生存所必需的反應。
的數據。在第1章的案例分析中，通過對於大數據的AI分析，航空航天機器加工企業73%的設置損耗主要來源於小批量零件上，而它們僅僅帶來了19%的收益。這個發現令人震驚。在雲計算的幫助下，AI神經網絡找到了常見的損耗模式，並隨後將這種損耗降低了50%～75%。 人工智能限度地降低了作業車間制造的成本，正如第2章所述，這在以前是一個難以解決的數學問題。它使得不增加直接人工、投資或者管理費用的情況下，產能可以直接提升10%～20%。而這僅僅是個開始，EBITDA（稅息折舊及攤銷前利潤）的增量約為30％。請注意：在這個案例中是使用數據完成的模擬，。
規模經濟。由雲計算支持的人工智能的另一個優勢是，減少的浪費是可規模化的。人工智能減少損耗的數量隨著產品復雜性的增加而增加。在第2章中，你會學到：零件數量越多，神經網絡越大，減少的浪費也越多。雲計算中運行的神經網絡是可規模化的：現在有可能將每年生產超過2萬種不同零件的工廠的車間制造成本降至，並已經廣泛應用於較老的大型公司和軍事倉庫。安全問題可以通過服務器的內部網或“僅防御”雲來解決。
非制造業的應用。如第13章所述，人工智能和神經網絡還可以檢測產品開發、項目管理和其他非制造業應用中的常見模式。雖然減少損耗的方法發生了變化，但終結果是一樣的：使用人工智能相比於僅使用精益六西格瑪，可以使公司的成本和生產周期減少更多，因此更具有競爭優勢。
學習人工智能。我們在第1章和第2章中提供了一個實際的案例研究，展示了AI和LSS的應用如何將EBITDA從收入的負3%提高到正20%。第3章到第6章會介紹人工智能和雲計算的結合是第四次制造業革命的基礎。第7章至第10章提供了一個管理概述，詳細闡述了神經網絡和深度學習如何降低成本並獲取更高的利潤。英特爾首席執行官曾明智地寫道:
幾乎每個你能想到的公司、每個應用程序，都會受到人工智能的影響……你必須使用人工智能，否則將被其他使用者超越。
這本書是由那些把人工智能應用到業務流程中的經理們，為那些想要學習如何在人工智能新時代更好地競爭的高管和經理們所寫的。它也是為那些把參與人工智能實施和專業並持續的改進過程之旅作為下一個重要步驟的35萬個精益六西格瑪黑帶和120萬個綠帶編寫的。市場上有很多關於人工智能的優秀書籍，但沒有一本是關於如何利用人工智能增加利潤的。這本書進行了詳細的解釋並且給出了這一問題的答案。在第1章和第2章中，作者明確說明了人工智能與利潤之間的關繫。
中國的挑戰。人工智能除了在制造行業中體現出教學價值以外，還有相關的經濟和國防價