网络连接的最新进展正在推动数字化：计算、物联网和传感器技术、自动化和机器人技术，以及人工智能和机器学习(AI/ML)。
对于制造商而言，工业4.0创造了无限的可能性，从提高对供应链运营的洞察力和可见性、减少危险状况和提高工人安全，到执行预测性维护以减少设备停机时间。
为了实现这一愿景，制造商必须了解所有各种传感器、执行器和设备，并决定在哪里执行分析，为操作人员使用的应用、仪表板和警报解决方案提供信息。如今工业4.0的主要障碍与用例无关，而是集中在如何以最有效和最经济的方式确保所有物理和数字功能之间的互操作性。
(资料图片仅供参考)
当前对实现互操作性的考虑
制造商掌握着从各种传感器、系统和资产生成的大量数据。但在原始形式下，如果不能快速分析这些数据就无法提供价值。分析这种规模的数据需要与数据源紧密相连的人工智能和机器学习的力量。
Gartner的2019年十大战略技术趋势预测，到2028年，边缘设备中传感器、存储、计算和高级人工智能功能的嵌入将稳步增加。
这种增长有可能创造一个拥有数千种“智能”边缘设备类型的行业——有些大，有些小，有些比其他设备的功率要求更高。当与数百甚至数千个需要在这些设备上运行的AI/ML模型结合在一起时，会发现这很快就会变成一场管理噩梦。
许多组织默认购买专有的垂直“解决方案”来解决特定边缘应用的离散问题，例如视觉质量检查或预测性维护监控。尽管这种方法可能解决短期需求，但会增加日益严峻的挑战。专有系统或单点解决方案并不总是能很好地集成到现有工作流程或技术堆栈中，最终可能会导致用户社区的采用障碍和摩擦。
最重要的是，当今许多面向分析的解决方案还需要将来自传感器或其他来源的数据发送到中央数据中心或云计算环境，以进行分析和机器学习。由于数据传输量和决策延迟增加，这种设计模式变得极其昂贵，并且还可能引入新的安全漏洞。
总而言之，现今，许多制造商依赖于低效且不可扩展的解决方案和方法来集成跨工厂的AI/ML功能，这只会导致机器、工具和系统混乱，互操作性差，有时甚至是相互竞争的技术。
构建可互操作的AI/ML支持的系统
那么，构建互操作性和实现工业4.0的关键是什么？第一步是通过使用可能已经存在的资产来简化流程，并确定最有效，横向和可扩展的方法来实现希望实现的结果。
目前，有数十亿已安装的资产具有某种形式的嵌入式计算，收集丰富的洞察数据。理想情况下，数据应该在设备上或设备附近进行实时分析，最大限度地减少数据传输，以避免网络和安全问题及成本，并与现有的操作系统集成，以最大限度地减少中断并增加价值。
下一个问题是，如何有效地将AI/ML集成到所有这些资产中，以实现互操作性？Gartner预测，上述许多已安装的设备将使用人工智能代码进行改造；此外，数以百万计的资产将采用嵌入式技术制造，为支持人工智能的软件创造计算环境。
根据Gartner的预测，更有效的方法是让AI/ML模型尽可能接近需要加速分析和处理的用户或设备，然后将这些AI/ML生成的预测集成到自定义或COTS应用和仪表板系统中。使用管理和监控部署到边缘设备的AI/ML模型的商业解决方案可以为潜在的混乱带来秩序。
与选择垂直专有系统的方法相比，通过中央平台将AI/ML功能部署到所有设备、传感器和边缘资产不仅会加速构建AI/ML驱动的解决方案的开发过程。还将弥合当前架构差距，以建立系统之间的互操作性。这种互操作性形成了物理和数字洞察之间的连接点，从而实现了工业4.0。
总结
为了缩小当今使用的技术与工业4.0技术之间的差距，制造商必须考虑新的互操作性方法，以实现大规模的AI/ML洞察力。与其将每种资产类型视为需要解决的新谜题，不如将每种资产类型视为可以一次性解决的谜题的一部分。
通过采用集成优先的方法，集中所有与AI/ML相关的资产，制造商可以从现有资产中提取AI/ML生成的洞察力，同时保持未来发展的灵活性。更重要的是，这种跨制造设施提供AI/ML驱动的洞察力的方法，创造了实现数据驱动解决方案所需的互操作性，从而推动工业4.0的成果。
关键词：
