2021-12-21 16:11:28
勞動力轉移使工業數據價值捕獲面臨風險。
跨網站維護和處理數據不太好，尤其是考慮到今天工業勞動力代際流失，這很可能起到反作用。在快速數字化的企業裏。現在，更多有經驗的領域專家從工作崗位上退休，代之以新人。在處理這些特定傳統技術方面，他們沒有受過學術訓練，也沒有領域知識和操作方面的經驗。由於缺乏操作經驗，工業企業不僅掌握了大量的未知數據，而且缺乏任何真實的數據可見性。
在這種情況下，為了使工業數據有用和可操作，我們需要分部分：
首先，要讓數據訪問民主化，通過下一代數據曆史來保證工廠和整個企業中的每一個人，不管是技能、工作年限還是專業知識——從邊緣到雲端，都要使用各種來源的數據——跨工廠。
要實現真正的數據通用，就是利用邊緣對雲(edge-to-cloud)來整合數據曆史記錄器來清除島嶼、清理數據湖、為非結構化的數據結構、應用標簽以方便數據集查找，從而使工業數據可在人工智能准備狀態訪問，推動工業智能。
第二步是使數據可操作，使決策者(從生產車間到管理層)不僅能理解數據告訴他們什么，還能理解下一步。
利用人工智能物聯網(AIOT)開發數據曆史記錄功能。
要把原始數據轉變成可操作的見解，工業企業需要利用工業AI基礎設施加速從工業數據中獲得商業價值，從而改善其數據曆史記錄功能，並得益於機器學習(ML)和人工智能算法。不僅可以使用數據曆史記錄功能收集過程數據;還必須將其看作是更強大的工業數據管理策略的核心，從而實現從大量數據累積到更有深度的工業數據應用、集成和移動。
對於有針對性地使用人工智能和機器學習技術，對於推動工業企業數據曆史記錄功能的發展至關重要，以利用之前未發現或優化過的工業數據集創造新的商業價值。
很多主要工業企業都采取了人工智能物聯網(AI)策略來加速其人工智能投資的價值實現。AI策略提供集成的數據管理、邊緣和雲基礎架構、生產級人工智能環境，以企業的速度和規模構建、部署並托管工業人工智能應用。這還可以作為一個基礎結構來實現自我優化的工廠變革。
為了在整個解決方案的生命周期中支持工業人工智能，需要提供工具、基礎設施和工作流程來擴大人工智能的實際應用。它還需要在工業環境中實現人工智能產品化所需的軟件、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)之間更廣泛的合作。這個維度對幫助企業從零散的人工智能概念驗證向企業級的工業人工智能策略發展至關重要。
工業供現實世界價值方面，工業AI取代了通用AI。
但並不是所有的人工智能都是一樣的。在工業環境中嘗試將通用人工智能方法應用於您的數據曆史記錄，這可能會削弱您想要獲得的任何投資回報。人們可能會認為，在大量的工廠數據中訓練通用的人工智能模型將使模型能夠滿足工廠的需求。然而，如果工廠出於安全或設計原因在有限的條件范圍內工作，人工智能模型也會攝取有限的數據，並在這些有限的范圍內自學操作。因此，在工廠數據中訓練的通用人工智能模型可能沒有你預期的那么靈活，例如，它可以響應實時的市場變化，並相應地調整生產計劃。
更糟糕的是，這種通用的人工智能模型最終可能會在工業過程和工廠設備之間產生不准確的相關性或因果關系，從而為決策者提供不正確的意見或規定不正確的後續步驟。這不僅會損害工廠的運營能力，還會損害工業領域人工智能的產品化能力，損害人工智能的整體采用無限上網不限速。
通用人工智能和ML是不可行的。改進工廠或煉油廠的數據曆史記錄，以滿足更複雜數據環境的需求，意味著使用更具體、更匹配的工業人工智能——換句話說，嵌入特定領域的人工智能專注於目標業務需求，而不是對更大的工廠數據池進行培訓。
通過基於特定目的構建的工業人工智能應用程序來部署人工智能，而不是在整個工廠中應用通用人工智能方法。工業領導者不僅避免了與新技術實施相關的一些(感知)障礙，而且確保人工智能算法整合了工業過程和實際工程的特定領域知識。這確保了工業人工智能不僅能吸收具有特定領域目的的相關數據，還能產生洞察力，使決策者能夠更准確地了解其環境。這為決策創造了一個安全、可持續和整體的工作過程，並確保了可靠的長期結果。
精選文章：
