运用AIoT策略改进数据历史记录，实现工业数据可操作性

发布时间：2021-12-19 08:57 所属栏目：31 来源：互联网

导读：对于业务发展而言，在整个企业中移动和集成海量复杂工业数据的能力可谓至关重要。那些急于实施人工智能、云和工业物联网等新技术的工业企业逐渐发现，自己拥有一个庞大的技术堆栈，其中充斥着传统的、拼凑而成的本地解决方案。结果就是，一个环境中不仅有多

对于业务发展而言，在整个企业中移动和集成海量复杂工业数据的能力可谓至关重要。

那些急于实施人工智能、云和工业物联网等新技术的工业企业逐渐发现，自己拥有一个庞大的技术堆栈，其中充斥着传统的、拼凑而成的本地解决方案。结果就是，一个环境中不仅有多个孤立的数据源，每个数据源都以自己独特的方式存储、格式化和保护数据，而且还有一个同样孤立的方法来理解如何利用这些数据在整个企业中实现可操作性。

领域专家(Domain experts)不仅成为了解特定流程或工作流的首选，而且也是唯一对由不同来源跟踪或生成的不同数据集具有洞察力的人。

劳动力转移使工业数据价值捕获面临风险
在快速数字化的企业中，跨站点维护和处理数据是一种糟糕的方式，尤其是考虑到当今工业劳动力中发生的代际流失现象，就更容易产生适得其反的效果。如今，经验丰富的领域专家已经越来越多地离岗退休，取而代之的是新员工，他们既没有接受过学术培训来处理此类特定的遗留技术，也没有前辈所拥有的丰富领域知识和运营专业知识。这种运营专业知识的缺失使得工业企业不仅拥有海量未知数据，而且缺乏对数据的任何真正可见性。

在这种情况下，想要使工业数据有用且可操作，需要分两走：

第一步涉及利用下一代数据历史记录来实现数据访问的民主化，确保工厂内和整个企业的每个人——无论技能、任期或专业知识——都有平等的访问权和能力来利用任何来源的数据——跨工厂，从边缘到云端。

使数据真正通用意味着使用“边缘到云”(edge-to-cloud)的集成数据历史记录器来消除孤岛、清理数据湖、为非结构化数据赋予结构、应用标签使数据集更易于查找，并使工业数据在AI就绪状态下可访问以驱动工业智能化。

第二步是使数据具有可操作性，以便决策者(从生产车间到管理层)不仅能够了解数据告诉他们什么，而且能够了解接下来要采取的步骤。

使用人工智能物联网(AIoT)发展数据历史记录功能
为了将原始数据转化为可操作的洞察力，工业企业需要利用工业AI基础设施帮助加速从工业数据中获得商业价值，从而改进其数据历史记录功能，以从机器学习(ML)和AI算法中受益。数据历史记录功能不能仅仅用于收集进程数据;它们必须被视为更强大工业数据管理战略的核心，以实现从海量数据的积累到更周到的工业数据应用、集成和移动的转变。

有目的的应用人工智能和机器学习是促进工业企业中数据历史记录功能演变的关键，以便利用以前未被发现或未优化的工业数据集来创造新的商业价值。

许多领先的工业企业正在采用人工智能物联网(AIoT)战略，以加快其AI投资的价值实现时间。AIoT战略提供集成数据管理、边缘和云基础设施以及生产级AI环境，以企业速度和规模构建、部署和托管工业AI应用程序。它还可以作为实现自我优化工厂变革愿景的基础设施。

为实际应用扩展AI需要提供工具、基础设施和工作流，以便在整个解决方案生命周期内为工业AI提供支持。它还需要在工业环境中实现AI产品化所需的软件、硬件和企业架构，包括开发、数据科学和基础设施功能(如CloudOps、DevOps、MLOps等)之间更广泛的协作。这个维度对于帮助企业从零散的AI概念验证发展到企业范围的工业AI战略至关重要。

工业AI在提供现实世界价值方面取代“通用”AI
但并非所有人工智能都是相同的，在工业环境中尝试将“通用”人工智能方法应用于您的数据历史记录，可能会削弱您希望从中获得的任何投资回报率。人们可能会认为，在大量工厂数据上训练通用AI模型会使模型适应工厂的需求。但是，如果出于安全或设计原因，工厂在有限的条件范围内工作，那么AI模型也会摄取有限的数据并自学在这些有限范围内运行。因此，在工厂数据上训练的通用AI模型可能不像您期望的那般灵活，例如，能够响应实时市场变化并相应地调整生产计划。

更糟糕的是，这种通用AI模型最终可能会在工业流程和工厂设备之间产生不准确的相关性或因果关系，从而为决策者提供不正确的见解或规定不正确的后续步骤。这不仅会损害工厂的运行能力，还破坏了工业领域人工智能产品化的能力，并损害了人工智能的整体采用。

通用AI和ML并不可行。改进工厂或炼油厂的数据历史记录以适应更复杂数据环境的需求，意味着使用更具体、更匹配的工业AI——换句话说，已嵌入特定领域应用程序的AI专注于目标业务需求，而不是针对更大的工厂数据池进行培训。

通过基于特定目的而构建的工业AI应用程序来部署AI，而非在整个工厂中应用“通用”AI方法，工业领导者既避免了与实施新技术相关的一些(感知)障碍，又确保AI算法整合了特定于工业流程和现实工程的领域知识。这确保了工业AI既能吸收以特定领域目的为指导的相关数据，又能产生洞察力，让决策者更准确地了解他们的环境。这为决策制定创造了一个安全、可持续和整体的工作流程，保证了可靠的长期结果。

为了支持和实现其盈利能力、生产和可持续发展目标，工业企业必须将当前的数据历史库发展为由AIoT战略提供支持的下一代工业级数据管理解决方案，该解决方案为在整个行业部署工业AI应用程序提供了锚固技术。对业务发展而言，拥有能够在整个企业范围内移动和集成海量复杂工业数据的数据历史记录功能至关重要。为此，行业领导者需要投资云就绪、专门构建工业AI基础设施和应用程序，以确保业务面向未来，并适应动荡和复杂的市场条件。

（编辑：ASP站长网）