当我们展望未来的现场服务管理技术时，我们看到人工智能、增强现实和物联网等新兴技术在推进“以设备为中心的现场服务管理”和支持新的“基于结果的商业模式”方面发挥着巨大作用。
本文将具体探讨人工智能和机器学习在“以设备为中心”的现场服务管理中的作用。
参考：What Will the Future of AI and ML Look Like for Field Service Management? 译：数字基座
当今利用人工智能和机器学习的机遇
1.协助选择和派遣技术员
人工智能应用将用于扫描待处理的工单，基于教育水平、培训经历、现有能力、现场可访问性、工单类型、设备及资产类型、位置和可用时间等业务规则，推荐出最合适的技术人员，以提高生产率并减少加班。
2.故障的诊断、备件推荐、维修知识推荐
人工智能应用程序将能够审查特定设备/资产类型的历史工单，基于大量的故障代码与问题描述、以及前期正常的检查结果，建议出针对故障修复所需的备件、工具和对应技术人员技能/教育。 它还能够建议最相关的知识库内容，并将其附在工单上以协助维修。
3.平衡与改进保养计划
通过对设备/资产性能历史（如故障与可靠性数据）进行分析，AI应该能够建议出更加合理的计划维护周期及时间表，在保障设备正常运行同时，减少设备不必要的维护。
未来利用人工智能和机器学习的机遇
在未来，我们设想人工智能和ML将得到更广泛的利用。其中包括：
1.从计划性维护到预测性维护
随着物联网(IoT)更广泛的应用，我们看到服务提供商有相应的能力来监控资产运行状况。我们设想，人工智能将可以建立资产最佳运行时刻的 “档案”，并评估这些设备的运行能力随着时间和使用的劣化程度。
基于大量故障与时间的统计关系，AI就可以提醒服务提供商某个特定的部件将在特定的时间窗口内出现故障，从而使提供商能够随着时间的推移，从纠正性维护过渡到100%的计划性维护。
2.让调度人员掌握更多相关信息
随着人工智能在识别最佳技术人员和改进推荐调度流程方面的能力逐步提高，调度员的角色会变得更加知情、更加专注、更加高效。系统的这种准确性的提高，将使调度员对自己的决策更有信心，并大大减少用于调度的时间和精力。
3.地区管理和整体规划
鉴于对工单历史记录、设备信息库，人力资源的信息，AI和机器学习将能够在不久的将来对人员配置、位置和地理图谱提出良好的建议。比较设备、位置、故障率、安装/维修/服务的平均时间，并假设出预测性维护需求，我们认为AI可以建议出人员配置水平、位置和技能要求。
准确的设备/资产数据是第一步
我们对AI和机器学习的观点是，它们将在资产和设备维护服务提供商未来的成功中发挥巨大作用。我们看到了它们正在对市场的渗透，在短期它已经能主导某些特定的服务领域。
我们也明白，AI和机器学习的应用依赖于干净、可用、准确的设备/资产数据。这就是为什么在准备AI和机器学习的到来时，我们需要深入地关注设备/资产，因为设备的历史履历和整体性能指标信息，是AI分析必须的信息。自主决策，推动数字化转型的业务，这一切都始于对资产的深入了解。
