網絡連接的最新進展正在推動數字化：計算、物聯網和傳感器技術、自動化和機器人技術，以及人工智能和機器學習(AI/ML)。

對于制造商而言，工業4.0創造了無限的可能性，從提高對供應鏈運營的洞察力和可見性、減少危險狀況和提高工人安全，到執行預測性維護以減少設備停機時間。

為了實現這一愿景，制造商必須了解所有各種傳感器、執行器和設備，并決定在哪里執行分析，為操作人員使用的應用、儀表板和警報解決方案提供信息。如今工業4.0的主要障礙與用例無關，而是集中在如何以最有效和最經濟的方式確保所有物理和數字功能之間的互操作性。

(資料圖片僅供參考)

當前對實現互操作性的考慮

制造商掌握著從各種傳感器、系統和資產生成的大量數據。但在原始形式下，如果不能快速分析這些數據就無法提供價值。分析這種規模的數據需要與數據源緊密相連的人工智能和機器學習的力量。

Gartner的2019年十大戰略技術趨勢預測，到2028年，邊緣設備中傳感器、存儲、計算和高級人工智能功能的嵌入將穩步增加。

這種增長有可能創造一個擁有數千種“智能”邊緣設備類型的行業——有些大，有些小，有些比其他設備的功率要求更高。當與數百甚至數千個需要在這些設備上運行的AI/ML模型結合在一起時，會發現這很快就會變成一場管理噩夢。

許多組織默認購買專有的垂直“解決方案”來解決特定邊緣應用的離散問題，例如視覺質量檢查或預測性維護監控。盡管這種方法可能解決短期需求，但會增加日益嚴峻的挑戰。專有系統或單點解決方案并不總是能很好地集成到現有工作流程或技術堆棧中，最終可能會導致用戶社區的采用障礙和摩擦。

最重要的是，當今許多面向分析的解決方案還需要將來自傳感器或其他來源的數據發送到中央數據中心或云計算環境，以進行分析和機器學習。由于數據傳輸量和決策延遲增加，這種設計模式變得極其昂貴，并且還可能引入新的安全漏洞。

總而言之，現今，許多制造商依賴于低效且不可擴展的解決方案和方法來集成跨工廠的AI/ML功能，這只會導致機器、工具和系統混亂，互操作性差，有時甚至是相互競爭的技術。

構建可互操作的AI/ML支持的系統

那么，構建互操作性和實現工業4.0的關鍵是什么？第一步是通過使用可能已經存在的資產來簡化流程，并確定最有效，橫向和可擴展的方法來實現希望實現的結果。

目前，有數十億已安裝的資產具有某種形式的嵌入式計算，收集豐富的洞察數據。理想情況下，數據應該在設備上或設備附近進行實時分析，最大限度地減少數據傳輸，以避免網絡和安全問題及成本，并與現有的操作系統集成，以最大限度地減少中斷并增加價值。

下一個問題是，如何有效地將AI/ML集成到所有這些資產中，以實現互操作性？Gartner預測，上述許多已安裝的設備將使用人工智能代碼進行改造；此外，數以百萬計的資產將采用嵌入式技術制造，為支持人工智能的軟件創造計算環境。

根據Gartner的預測，更有效的方法是讓AI/ML模型盡可能接近需要加速分析和處理的用戶或設備，然后將這些AI/ML生成的預測集成到自定義或COTS應用和儀表板系統中。使用管理和監控部署到邊緣設備的AI/ML模型的商業解決方案可以為潛在的混亂帶來秩序。

與選擇垂直專有系統的方法相比，通過中央平臺將AI/ML功能部署到所有設備、傳感器和邊緣資產不僅會加速構建AI/ML驅動的解決方案的開發過程。還將彌合當前架構差距，以建立系統之間的互操作性。這種互操作性形成了物理和數字洞察之間的連接點，從而實現了工業4.0。

總結

為了縮小當今使用的技術與工業4.0技術之間的差距，制造商必須考慮新的互操作性方法，以實現大規模的AI/ML洞察力。與其將每種資產類型視為需要解決的新謎題，不如將每種資產類型視為可以一次性解決的謎題的一部分。

通過采用集成優先的方法，集中所有與AI/ML相關的資產，制造商可以從現有資產中提取AI/ML生成的洞察力，同時保持未來發展的靈活性。更重要的是，這種跨制造設施提供AI/ML驅動的洞察力的方法，創造了實現數據驅動解決方案所需的互操作性，從而推動工業4.0的成果。