数据管理推动机器学习和人工智能在 IIOT

参加任何会议、网络研讨会或与制造业领域的分析师交谈，您会听到的两个最大的流行词是“机器学习”和“人工智能”(AI)。在思科，我们也在这些领域进行探索和投资，并在我们的产品组合中积极推动机器学习和人工智能。

这两个术语经常被误解。 SAS 是我们的全球合作伙伴之一，最近制作了一段关于两者区别的精彩视频：

如视频中所述：

• 人工智能是机器和计算机模拟人类的科学
• 机器学习是机器从数据中学习的一种方法

那么，为什么这些主题很重要，为什么围绕这些与制造业的未来相关的领域有如此多的讨论？目前，我们看到了工业 4.0/智能制造时代的制造业。本博客中详细讨论了这种技术演变，但为了快速总结制造终极指南，我们看到了在此过程中对制造商至关重要的三个基本领域。

1. Hyperawareness：一种组织能力，可以识别实时洞察力和未来趋势。超意识的一个关键组成部分是能够亲眼目睹产品和服务在实践中的使用情况。
2. 知情决策：主动分析通过超感知获得的信息并确保其到达最需要的人的能力。
3. 快速执行：必须将明智的决定转化为行动（例如，当车间机器出现早期疲劳迹象时进行预测性维护）。

机器学习和人工智能是这些基础能力的自然延伸。

根据 IDC：

IDC 指出，人工智能的这一趋势将继续增长，“到 2020 年实现 54.4% 的复合年增长率，届时收入将超过 460 亿美元。 ¹

机器学习和人工智能的基础

机器学习和人工智能的基础部分是数据。数据将为这些平台提供信息，以帮助改善制造的各个方面，并最终获得不断增长的投资回报 (ROI)。例如，在简化的预测性维护场景中，机器及其监控系统必须能够关联其最佳性能并识别何时与基线存在偏差。它必须考虑多个数据源，关联、分析，然后做出决定。太多的信息会压倒分析并减慢速度；信息太少，机器就不会产生智能优化和改进的价值。机器学习和人工智能还可以改变供应链优化、研发和新产品推出等领域的应用，仅举几个例子。

现在考虑一下工厂每天可以产生 1,000 TB 的数据，10,000 多个传感器从旧机器和新机器中捕获 12,000 多个变量。这些相互关联的因素需要考虑很多，这意味着制造商不仅需要考虑数据的连接性，还需要决定数据应该去哪里、多久发送一次以及如何使用它。这些数据动态为机器学习和人工智能奠定了基础。

一些支持人工智能和机器学习的数据管理领域：

• 频率：考虑数据为业务增加价值的频率，并仅以该频率提取数据。不必要的数据拉取会导致信息过载。添加用于计算的云应用程序还可能导致未分段数据增加不必要的成本、开销并影响运营预算。
• 优先级：将关键数据优先于非关键数据以确保网络完整性并帮助确保有价值的信息到达适当的目的地。
• 处理：传统计算模型将数据发送到核心数据中心或云端进行分析。然而，这在许多制造场景中是不切实际的。通常，制造数据中的机器学习和人工智能需要实时分析。网络架构师应考虑采用边缘计算和集中式数据计算的混合解决方案，以支持机器学习和人工智能计划。
• 编排：数据的涌入增加了制定机器学习和人工智能平台如何接收数据以及如何使用数据的重要性。对数据实施一致的控制和感知至关重要，包括数据接收时间、交付方式以及发送原因。
• 安全性：生产完整性是关键任务，但连接多个数据源可能会引入新的安全漏洞。虽然机器学习和人工智能可以带来巨大的商业利益，但安全漏洞可能会产生数据和隐私风险，从而威胁公司的声誉和客户信任。另一方面，机器学习还可以帮助加强安全性，作为检测异常的一种手段。

为了帮助制造商为机器学习和人工智能奠定基础，我们制定了数字制造中的数据管理指南。该指南提供了有关数据管理的最佳实践以及在您考虑技术路线图时确定哪种工作负载架构适合您的注意事项。它还包括必要的案例研究以及可帮助您转换到这种新数据模型的资源。

1. 资料来源：IDC FutureScape：2018 年全球制造业预测，文档# DC #US42126117，2017 年 10 月，