智能工厂面临的5大挑战以及应对之道

[[316628]]

我们已经知道，边缘化的AI和IoT是加快工厂转型的关键，但是，如何催化这些技术的更快速采用并避免飞行员炼狱的陷阱又需要什么呢?

在过去的两年中，我们开展了一项针对整个行业和生态系统公司的400多名参与者的研究，他们邀请制造领导者和工人以及开发支持他们的解决方案和服务的技术人员来回答这个问题，并揭示工业4.0的基本要素。2018年，我们发布了研究的第一阶段，确定了制造业领导者和工厂工人在通往智能工厂未来的道路上共同发展时正在解决的关键问题。

我们刚刚发布了该工作的下一个阶段，即Accelerate Industrial，研究了工人将如何在制造角色中采用AI并对AI做出反应，以及什么样的策略和策略将“加速加速器”。迄今为止，这项分阶段的研究代表了制造业中正在发生的数字化转型的最全面观点。

所有第二阶段的参与者都必须在智能工厂或开发智能技术，解决方案或服务的公司中扮演第一手的角色，涵盖这四个领域中技术的开发，部署和维护的全部观点墙壁。

我们的研究发现，尽管对数字化转型的需求很大，但有83%的公司表示他们计划在未来两到三年内投资于智能工厂技术，而最有可能推动这种变化的人通常不确定关于如何前进或犹豫要冒险。那么，是什么导致这种启动失败或无法扩展?领导者应如何改变组织内部的文化观念，以获取工业物联网的收益?

受访者列举了以下五项挑战，它们有可能在未来破坏对智能解决方案的投资，以及避免试点炼狱的危险的提示：

挑战1：技术技能差距

36%的受访者认为存在“技术技能差距”，使他们无法从投资中受益。

为了成功实施新技术并维持运营，公司必须拥有一支拥有“数字灵巧性”的员工队伍-人们必须了解制造过程以及支持这些过程的数字工具。

解：

创建支持现有员工终身学习的计划，将新概念与动手机会结合起来，以在制造运营中使用它们;建立链接的模块，以便随着员工精通技能，他们会随着时间的推移发展和磨练自己的技能。

提供有关数字工具和技能的指导(被认为在今天很重要，但对未来至关重要)。通过包括网络安全性，基础架构，人工智能，数据，存储和计算需求，使内容全面。目前个别概念和它们的相互依存关系。

在解决方案实施之前强调问题评估和问题解决，建立新的智能技术项目时，请平衡聘请外部专家和内部人员来发展公司的数字灵活性。

挑战2：数据敏感性

27%的人认为“数据敏感度” 来自对数据和IP隐私，所有权和管理的日益关注。

例如，要成功实现AI算法，需要有训练和测试数据。这意味着必须共享数据，但是许多公司都不愿意与第三方解决方案开发人员共享数据。还强烈相信，我们当前在组织内部使用的数据治理策略不足以支持跨组织的数据共享。

解：

为组织内数据传输和组织间数据传输制定正式的数据共享策略。

建立数据治理策略，以反映与潜在风险暴露共享数据的价值。明白一刀切的政策是不够的。在以后的供应商/供应商合同中嵌入定制的策略。

在建立智能项目之前要考虑数据共享需求，并及时构建以将这些需求协商到项目运营中。

挑战3：互操作性

23%的人表示 协议，组件，产品和系统之间缺乏互操作性。

这是一场持续不断的斗争，这并不新鲜。但是，如今，由于互操作性限制了他们的创新能力，公司变得越来越沮丧。这也限制了他们升级系统组件的能力，因为它们无法轻松地“交换”一个供应商以换取另一供应商或将系统的一部分换为另一供应商。

解：

积极追求并支持标准制定以提高互操作性;尽可能参加诸如开放过程自动化论坛之类的联合体。

要求他们的供应商紧密合作以开发和实施强调模块化的解决方案，并提供使用多个供应商解决方案随时间推移进行升级的途径。

建立智能技术项目时，请考虑使用开源选项。

挑战4：安全性

22%的安全威胁来自工厂当前和正在出现的漏洞。

智能工厂中物理系统和数字系统的结合使实时互操作成为可能，但存在扩大攻击面的风险。通过将大量机器和设备连接到智能工厂中的单个或多个网络，任何这些设备中的漏洞都可能打开系统进行攻击。公司将需要预见到企业系统漏洞和机器级操作漏洞。公司应对这些安全威胁的准备不足，许多公司依靠其技术和解决方案提供商来做到这一点。

解：

将OT和IT专业人员组合到智能项目团队中，以评估可能存在的漏洞。识别人员，流程，机器和网络威胁。

了解供应商对设备和/或操作的升级，并预测漏洞的可能变化。

开发“拐角案例”分析，其中没有一个替代方案或功能可能是关键漏洞，但替代方案和/或功能之间的相互依赖性导致或增加了漏洞。针对这些非显而易见的情况进行计划。

挑战5：处理数据增长

18%的人表示处理数据的数量和速度以及感知能力都有所增长。

随着AI用途的扩展，公司将面临更多的数据，这些数据将以更快的速度以多种格式生成。AI算法需要更容易理解(即算法如何得出建议?)，并且这些算法必须能够组合通常具有不同类型和时间范围的数据。

解：

了解在资产级别产生业务价值见解和余额计算的数据;带宽; 以及对实时(低延迟)控制反馈的需求。

预期反映机器或操作状态变化的采样率。收集一切可能没有意义。

在实施之前开发健壮的系统体系结构，以平衡计算需求和这些需求的位置(例如，边缘对云)，当前和未来的存储需求以及通信基础架构。