對工業組織來說，具備能力以移動及整合偏佈企業的複雜工業資料，是商業成功的關鍵條件。這就是為什麼，工業領導人必須致力投資支援雲端且為特定用途打造的人工智慧基礎建設與應用軟體。
文／Bill Scudder‧譯／曾祥信
工業組織在急於實現人工智慧、雲端及工業物聯網等新技術時，往往發現他們的技術架構充斥著舊有、相互連接且在地的（on-premise）解決方案。這種急就章的行動，不但導致技術環境具有許多獨立的資料來源，各自以獨特方式來儲存、格式化及保護資料，同時亦造成整個企業在理解資料意義以轉為實際行動時，也必須根據不同資料來源採取特別的作法。由於不同資料集來自不同的資料來源，領域專家不只變成了解特定工作流程的關鍵人物，也成為唯一知道資料來龍去脈且具備資料洞察力的人。
人力交替對於掌握工業資料價值帶來風險
在快速實現數位化的組織裡，這顯然是維護和處理資料的差勁方法，尤其在考慮到當今工業人力的世代交替，這個問題顯得更加嚴重。越來越多經驗豐富的領域專家開始退休，被新進人員取代，這些新人既沒有接受學術培訓以應付如此特殊的舊有技術，也沒有他們的前輩所擁有的領域知識與實戰經驗。這種實務專業技術的斷層，致使工業組織面臨更多他們不知如何處理的資料，更糟的是他們對於擁有的資料沒有任何能見度。
[ 推薦閱讀：雲端平臺與物聯網 將健康醫療帶入全新世代 ]
在這種情況下，要讓工業資料變得有用且能轉為實際行動，必須採取兩個步驟：
- 第一步是使用次世代的 Data Historian（資料歷程軟體，可記錄資料儲存的軌跡）技術，讓資料存取這件事普及化，確保工廠內和整個企業裡的每個人，不論其技術、訓練、年資或專長，都有一致的權限及能力存取儲存在任何來源裡的資料，包括存在工廠裡，以及雲端邊緣到核心的資料。要讓資料真正普及化，意謂著：使用整合邊緣到雲端的 Data Historian，來消弭資料孤島、清理資料湖泊、賦予資料結構給非結構化資料、加上標籤讓資料集容易查詢，讓工業資料準備就緒給人工智慧使用，以推動工業智能。
- 第二步驟是設法將資料轉化為可實際行動的資訊，如此一來，從生產前線到管理階層的所有決策者，都能不僅知曉資訊的意義，同時也知道接下來要採取的行動。
運用人工智慧物聯網來進化 Data Historian
要將原始數據轉化成可行動的資訊，工業組織必須進化他們的 Data Historian 以發揮機器學習和人工智慧演算法的優勢，使用工業人工智慧基礎建設，能促使將工業資料化為商業價值。Data Historian 不能只用來收集資料，組織必須將它視為工業資料管理優異策略的核心部分，它能將處理資料的方法，由無用的龐大資料堆積，改變成利用工業資料創造出更加深思熟慮的應用程式、整合方案、和更敏捷的資料流動能力。在工業組織中，促使 Data Historian 功能進化的關鍵，是果決地使用人工智慧與機器學習技術，如此才能由先前未發現或沒有最佳化的工業資料集當中，萃取出新的商業價值。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ，與全球CIO同步獲取精華見解 ]
許多領先地位的工業組織採用「人工智慧物聯網」（Artificial Intelligence of Things, AIoT）策略，以加速他們在人工智慧方面投資的價值實現時間（time-to-value）。人工智慧物聯網策略包括：整合式資料管理、邊緣及雲端基礎建設、以及生產級的人工智慧環境，以企業等級的速度與規模，來建立、部署和提供工業人工智慧應用程式。人工智慧物聯網同時也是實現「自主最佳化工廠」（self-optimizing plant）遠景必備的基礎設施。
要擴展人工智慧規模以運用在真實世界應用程式，必須提供適當的工具、基礎建設和工作流程，讓整個產品方案生命週期都能發揮工業人工智慧的能力。同時也需要具備在工業環境中開發人工智慧所需的軟體、硬體與企業架構，包括更廣泛的整合開發團隊、資料科學部門、及基礎建設功能，例如 CloudOps、DevOps、MLOps 等。要讓組織的人工智慧能力，從偶一為之的人工智慧概念驗證，進化成熟到企業級的工業人工智慧策略，這類整合至為關鍵。
用工業人工智慧取代「通用型」人工智慧，以實現真實世界價值
然而，並非所有人工智慧策略都是一樣的，在工業環境中試圖採用「通用的」人工智慧方法，可能會削減你預期獲得的投資報酬率。利用工廠大量資料集合來訓練通用人工智慧模型，好讓模型能適應工廠需求，可能是個誘人的想法。但是如果工廠因為安全或設計理由，必須在有限的條件下運作，那麼人工智慧模型能獲得的資料也會相對受限，只能訓練自己在這些限制下運作。因此，用工廠資料訓練出來的通用人工智慧模型，很可能不如你想要且期望的人工智慧模型那麼聰明 – 例如，無法即時回應市場變化並隨之調整生產時程。
更糟的是，這種通用人工智慧模型可能對工業流程和工廠設備做出錯誤的關聯或因果關係推論，給予決策者錯誤的資訊或行動建議。這不只會傷害工廠的運作能力、阻礙領導者打造更優化或更有效率的工廠，同時也會破壞工業領域開發人工智慧的能力，危及整體的人工智慧採用策略。
[ 推薦下載： 2022年度CIO大調查報告PDF ]
通用型人工智慧和機器學習不管用。你必須使用更獨特、符合特定用途的工業人工智慧技術，來進化工廠或煉油廠的 Data Historian，以符合更複雜資料環境的應用需求。換言之，必須把人工智慧深植到特定領域的應用程式，聚焦在鎖定的商業需求，而不是用大量工廠資料來訓練人工智慧模型。
透過特定用途工業人工智慧應用軟體來部署人工智慧，而非使用廣撒網方法（spray-and-pray），可以讓工業領導者避開實現新技術時的某些障礙，同時能確保人工智慧演算法納入工業流程和真實世界工程中獨特的領域知識。如此可確保工業人工智慧根據特定領域用途攝取相關資料，並產生正確的資料洞察，讓決策者更準確地了解其工業環境狀況。這種作法能為決策者創造出安全、長久且完整的工作流程，進而確保可靠的長遠成果。
為了支持並達到獲利能力、生產產量及長久之計等目標，工業組織必須發展目前的 Data Historian，進化成為下個世代的工業級資料管理解決方案，方法是透過人工智慧物聯網策略，提供在整個企業部署人工智慧應用程式的精準技術。具備能夠在整個企業快速移動並整合複雜工業資料集合的 Data Historian，不只是帶來便利性而已，它是商業成功的關鍵條件。要達到這點，工業領導者必須投資支援雲端且為特定用途打造的工業人工智慧基礎建設和應用程式，讓企業在複雜且變化多端的市場形勢下，建立起未來也能適用的人工智慧策略。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
