来自 AI 世界：为什么利用边缘数据需要大量精力
AI World 的炉边谈话讨论了从边缘提取数据时遇到的问题。
假设制造商准备好破解他们的各种生产系统并开始利用被困在其中的数据，这是可以原谅的。现实可能要复杂得多。
在与 Continental Automotive Systems 工程项目经理 Joseph Etris 的炉边谈话中探讨了从边缘提取数据中遇到的问题，Zededa, Inc 的区域销售总监 John Auld 也加入了讨论。我有机会主持会议，部分最近在波士顿举行的人工智能世界会议。
另见： 制造业引领物联网包
Etris 在大陆集团的部门为汽车行业生产催化转化器——这是一项能源密集型任务。 2018 年，Etris 和他的团队开始在其 1990 年代首次安装的西门子可编程逻辑控制器 (PLC) 范围内捕获、分析和减少用电量和相关排放。 Etris 解释说，挑战在于从 PLC 中提取 SCADA 数据，以便与来自较新的电气传感器的数据集成。
Etris 表示，虽然许多供应商声称旧的工业系统很容易在完美的物联网世界中放弃他们的数据，但事实并非如此。传统的生产系统通常不是为开放而设计的，而且通常不支持网络。
当时代表西门子的 Auld 与大陆团队合作，提取 PLC 数据并提供实时校准。此外，数据每 10 分钟上传一次到 Amazon Web Services 上的云存储库。
Auld 解释说，大陆集团遇到的挑战是整个制造领域遇到的问题的症状。 “许多公司内部都存在大量暗数据。”这不仅会带来技术挑战，还会带来组织挑战，因为需要多个团队参与 AI over IoT 的工作。
在人工智能和物联网时代管理数据存储是小组成员讨论的另一个领域。许多组织将努力应对从各种控制器和传感器阵列流入其系统的不断增长的数据量，并且通常最终将其存储到数据湖中。
制造商需要建立一个通用的接口层，可以从各代生产系统中提取和读取数据，Auld 说。此外，需要确保一致性，因为来自不同系统的数据可能具有不同的含义和阈值。许多制造商面临的挑战是他们可能拥有许多独立的工厂，每个工厂都有自己的举措和标准。
物联网技术