那些急于實施人工智能、云和工業物聯網等新技術的工業企業逐漸發現，自己擁有一個龐大的技術堆棧，其中充斥著傳統的、拼湊而成的本地解決方案。結果就是，一個環境中不僅有多個孤立的數據源，每個數據源都以自己獨特的方式存儲、格式化和保護數據，而且還有一個同樣孤立的方法來理解如何利用這些數據在整個企業中實現可操作性。
領域專家(Domain experts)不僅成為了解特定流程或工作流的首選，而且也是唯一對由不同來源跟蹤或生成的不同數據集具有洞察力的人。
勞動力轉移使工業數據價值捕獲面臨風險
在快速數字化的企業中，跨站點維護和處理數據是一種糟糕的方式，尤其是考慮到當今工業勞動力中發生的代際流失現象，就更容易產生適得其反的效果。如今，經驗豐富的領域專家已經越來越多地離崗退休，取而代之的是新員工，他們既沒有接受過學術培訓來處理此類特定的遺留技術，也沒有前輩所擁有的豐富領域知識和運營專業知識。這種運營專業知識的缺失使得工業企業不僅擁有海量未知數據，而且缺乏對數據的任何真正可見性。
在這種情況下，想要使工業數據有用且可操作，需要分兩走：
第一步涉及利用下一代數據歷史記錄來實現數據訪問的民主化，確保工廠內和整個企業的每個人——無論技能、任期或專業知識——都有平等的訪問權和能力來利用任何來源的數據——跨工廠，從邊緣到云端。
使數據真正通用意味著使用“邊緣到云”(edge-to-cloud)的集成數據歷史記錄器來消除孤島、清理數據湖、為非結構化數據賦予結構、應用標簽使數據集更易于查找，并使工業數據在AI就緒狀態下可訪問以驅動工業智能化。
第二步是使數據具有可操作性，以便決策者(從生產車間到管理層)不僅能夠了解數據告訴他們什么，而且能夠了解接下來要采取的步驟。
使用人工智能物聯網(AIoT)發展數據歷史記錄功能
為了將原始數據轉化為可操作的洞察力，工業企業需要利用工業AI基礎設施幫助加速從工業數據中獲得商業價值，從而改進其數據歷史記錄功能，以從機器學習(ML)和AI算法中受益。數據歷史記錄功能不能僅僅用于收集進程數據;它們必須被視為更強大工業數據管理戰略的核心，以實現從海量數據的積累到更周到的工業數據應用、集成和移動的轉變。
有目的的應用人工智能和機器學習是促進工業企業中數據歷史記錄功能演變的關鍵，以便利用以前未被發現或未優化的工業數據集來創造新的商業價值。
許多領先的工業企業正在采用人工智能物聯網(AIoT)戰略，以加快其AI投資的價值實現時間。AIoT戰略提供集成數據管理、邊緣和云基礎設施以及生產級AI環境，以企業速度和規模構建、部署和托管工業AI應用程序。它還可以作為實現自我優化工廠變革愿景的基礎設施。
為實際應用擴展AI需要提供工具、基礎設施和工作流，以便在整個解決方案生命周期內為工業AI提供支持。它還需要在工業環境中實現AI產品化所需的軟件、硬件和企業架構，包括開發、數據科學和基礎設施功能(如CloudOps、DevOps、MLOps等)之間更廣泛的協作。 這個維度對于幫助企業從零散的AI概念驗證發展到企業范圍的工業AI戰略至關重要。
工業AI在提供現實世界價值方面取代“通用”AI
但并非所有人工智能都是相同的，在工業環境中嘗試將“通用”人工智能方法應用于您的數據歷史記錄，可能會削弱您希望從中獲得的任何投資回報率。人們可能會認為，在大量工廠數據上訓練通用AI模型會使模型適應工廠的需求。但是，如果出于安全或設計原因，工廠在有限的條件范圍內工作，那么AI模型也會攝取有限的數據并自學在這些有限范圍內運行。因此，在工廠數據上訓練的通用AI模型可能不像您期望的那般靈活，例如，能夠響應實時市場變化并相應地調整生產計劃。
更糟糕的是，這種通用AI模型最終可能會在工業流程和工廠設備之間產生不準確的相關性或因果關系，從而為決策者提供不正確的見解或規定不正確的后續步驟。這不僅會損害工廠的運行能力，還破壞了工業領域人工智能產品化的能力，并損害了人工智能的整體采用。
通用AI和ML并不可行。改進工廠或煉油廠的數據歷史記錄以適應更復雜數據環境的需求，意味著使用更具體、更匹配的工業AI——換句話說，已嵌入特定領域應用程序的AI專注于目標業務需求，而不是針對更大的工廠數據池進行培訓。
通過基于特定目的而構建的工業AI應用程序來部署AI，而非在整個工廠中應用“通用”AI方法，工業領導者既避免了與實施新技術相關的一些(感知)障礙，又確保AI算法整合了特定于工業流程和現實工程的領域知識。這確保了工業AI既能吸收以特定領域目的為指導的相關數據，又能產生洞察力，讓決策者更準確地了解他們的環境。這為決策制定創造了一個安全、可持續和整體的工作流程，保證了可靠的長期結果。
為了支持和實現其盈利能力、生產和可持續發展目標，工業企業必須將當前的數據歷史庫發展為由AIoT戰略提供支持的下一代工業級數據管理解決方案，該解決方案為在整個行業部署工業AI應用程序提供了錨固技術。對業務發展而言，擁有能夠在整個企業范圍內移動和集成海量復雜工業數據的數據歷史記錄功能至關重要。為此，行業領導者需要投資云就緒、專門構建工業AI基礎設施和應用程序，以確保業務面向未來，并適應動蕩和復雜的市場條件。
版權聲明：本文為企業網D1Net編譯，轉載需注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。
京公網安備 11010502049343號