人工智能（AI）/机器学习（ML）正在颠覆工业制造业。在本文中，我们将重点关注帮助领导者以清晰远见引导其数字化转型（DX）计划的关键趋势。
十年前，模型创建是数据科学家的领域，但现在由于易于使用的工具的出现，即使是非数据科学家也能够利用 ML 库并构建模型，这一领域已经被颠覆。
如今，我们看到工业制造领域对人工智能和机器学习民主化的兴趣日益浓厚。制造商正在让拥有不同领域知识的利益相关者参与进来，共同推动更好的分析举措。
我们看到 OT 工程师、IT 分析师、数据科学家和公民数据科学家越来越多地参与到创建机器学习模型和数字化变革中。当更接近数据和流程的领域专家使用这些工具和技术，在数据科学项目中取得更大成功时，影响最大。各行业的人们都希望在构建人工智能/机器学习模型时能够协作和参与。
尽管人工智能/机器学习技术已经取得了长足进步，但数据准备仍然是一个挑战。这对制造业来说是一个问题。原因很简单：低质量数据导致的错误预测会对生产、工人安全和资本密集型设备产生严重影响。IT 分析师和数据科学家通常会寻求具有高粒度的特定、全面的 OT 数据集来解决领域问题，但工程师无法轻松获取这些数据集。
数据质量差会导致工程师和数据科学家之间反复沟通，即使在模型创建阶段之前也是如此。此外，同一原始 OT 数据集可在未来用于构建其他模型。在模型准备和执行之前，确保数据质量标准、完整性和相关性至关重要。
“输入垃圾，输出垃圾”这句谚语在这里非常贴切。自动捕获边缘的 OT 数据上下文有助于从大量工业数据中解锁高质量且可操作的见解。Rockwell Automation 的 FactoryTalk® Smart Object™ 功能在这方面取得了重大突破。OT 工程师现在可以设计灵活的通用 IT/OT 信息模型，模拟物理工厂场景，并以低延迟自动填充运行时 OT 标签值和生产上下文。这极大地提高了 OT 数据质量，并开辟了新的增值途径。
丰富的 OT 上下文使数据科学家和 IT 分析师能够从更广阔的视角发现企业级洞察。此外，借助更丰富的 OT 上下文，他们可以在企业级规模部署模型，并加快实现价值的速度。
让我们看一个例子：食品和饮料包装厂有多个生产阶段，如灌装、装瓶、包装等。通过自动化 OT 数据上下文捕获，制造商可以轻松地将不同的生产参数与特定的批号相关联。他们可以记录生产批次的来源，包括压力、温度、容器厚度等。
制造商现在可以抓住一个明显的优势——他们可以实时执行根本原因分析（在消除异常值之后），而无需深入进行繁重的数据工程工作。在应对紧急安全召回问题时，可以轻松推断故障是在生产过程中还是在原材料中——“数字出生证明”作为持续改进机会的绝佳参考点。
客户正在利用现代工具解决各种问题，并且越来越聪明地处理模型创建的方式。“一次创建，重复多次使用”已成为一种趋势。
如今，OT 专业人员希望通过最小的数据科学工作或培训来快速推出机器学习解决方案，以加快实现价值的速度。人们对针对工业制造用例的预构建机器学习库越来越感兴趣。OT 工程师不希望从头开始进行数据准备、建模和训练，
此外，数据科学家和 IT 分析师，尤其是工业制造领域的分析师，正在寻找强大的大数据分析和机器学习平台解决方案，以便他们能够持续地以可视化方式构建、训练、部署、评分和监控机器学习模型。他们需要一个开放、标准化、安全且企业级的分析解决方案，通过该解决方案，他们可以在集中式 IT 环境中协同管理整个模型生命周期。
可视化数据管道创建功能在加速机器学习模型创建和管理方面发挥着重要作用。可视化管道创建每个步骤中转换的数据，可尽可能减少执行期间的意外错误。此外，可视化仪表板有助于通过模型性能统计和点按配置来跟踪性能。
数据科学家和 IT 分析师渴望直观地创建复杂的数据管道，并在实时流数据或批量数据上应用机器学习算法（包括 Python、Spark、H2O.ai 或 PMML）。创建模型后，可以通过在高度可扩展的执行引擎上部署数据管道来对其进行评分。最后，带来您自己的模型（BYOM）并将代码导入开放编程环境的能力无疑有助于通过可重用性加快创新步伐。
在工业分析领域，端到端管理机器学习模型的运营周期（从模型创建到维护）是一个新兴的关注领域。
创建分析模型后，跟踪机器学习模型的性能（无论其部署在边缘到云的哪个位置）并使用更新的生产数据持续训练模型至关重要。虽然自动化模型维护很重要，但更重要的是了解“何时”机器学习模型需要重建。
市场状况可能会发生变化，制造需求会改变，生产过程也会演变。这就是为什么您应该能够不断监控模型的性能漂移，并能够在适当的时刻将其替换为另一个版本的原因。
“何时”需要重建机器学习模型的几个示例可能包括生产线重新设计、新传感器添加或近期重型设备维护。为此，您需要不断跟踪其预测准确性的漂移。在人工智能/机器学习模型管理过程中，应提前预见并为模型维护制定预算。
过去的成功经验无法帮助您实现未来目标。人工智能/机器学习的进步正在为工业制造开辟新的前沿领域，通过自助制造工作流程加快实现价值的时间。作为数字化转型领导者，您应当意识到，旧有的做事方式无法为您赢得未来。您必须吸收人工智能/机器学习技术的重大变革，并将其应用于加快实现工业制造领域高优先级用例的价值。
新世界带来新问题，需要新解决方案。明智之举是拥抱这些趋势：在源头实现更丰富 OT 上下文的卓越 IT/OT 融合、OT 公民数据科学家的崛起，以及通过提供强大模型生命周期管理的可视化工具实现人工智能/机器学习的民主化。利用这些趋势和工业分析解决方案中的最佳实践，您将能够获取高质量的企业级洞察，加快实现关键制造成果的价值转化。
发布时间 2022年3月31日
