人工智慧(AI)與機器學習(ML)是顛覆性的工業製造模式。本文將著重於引導領導者超前部署，順利掌握數位轉型(DX)啟動企劃的關鍵趨勢。
OT素人資料科學家的崛起
十年前的資料科學家以建立模型為鑽研領域，但如今連本業非資料科學家的人都能取得簡單易用的工具，進而運用ML程式庫來建模，因而顛覆了該領域。
時至今日，工業製造領域對AI和ML普及化投注愈來愈多心力。製造商便是投身其中的利益關係人，擁有一系列領域知識可開創更先進的分析啟動計畫。
趨勢是OT工程師、IT分析師、資料科學家以及素人資料科學家紛紛湧入，致力於建立ML模型和參與數位革新。對於資料與程序更為熟稔的領域專家，當他們齊力以這些工具和技術達成資料科學專案上的更高成就，帶來的影響無比巨大。建立AI/ML模型之際能夠協作和參與，屬於跨產業的需求。
雖然AI/ML技術已經有長足進展，但資料整備仍存在一大挑戰。這對於製造產業來說也是難題。道理很簡單：數據品質缺陷會使預測誤判，而對生產、人工安全和資本密集的設備有嚴重衝擊。IT分析師與資料科學家需要更具體而全面的OT資料庫，具備極高細微性以解決領域問題，然而工程師仍無法信手捻來這些資源。
數據品質缺陷導致工程師與資料科學家之間多次往返確認，即使在建模尚未開始前亦然。不僅如此，相同的原始OT資料集可於未來再次建立其他模型。模型整備與執行前，事先擁有高資料品質標準以及很高的完整性與關聯性非常重要。
「垃圾不會生出黃金」也是一樣的道理。邊緣自動擷取OT資料脈絡，能夠從巨量工業數據當中挖掘出優質且可據以行動的洞見。洛克威爾自動化FactoryTalk® Smart Object™展現的能力即在此一層面有了重大突破。OT工程師如今所設計出的彈性化共通IT/OT資訊模型，能夠模擬實體廠房情境，在低延宕條件下自動賦予運轉時間OT標記值及生產脈絡。這可大幅提升OT資料品質，並開闢更多增值的新途徑。
豐富的OT脈絡可令資料科學家和IT分析師獲取涵蓋企業層級的洞見，進而從更廣闊的視野眺望情勢。隨著OT脈絡更為富足，也能從企業層級的規模部署模型，並加速實現價值的時間。
舉例來說：食品飲料包裝廠會有多重生產階段，例如填充、裝瓶、包裝等。透過自動化OT資料脈絡擷取的幫助，製造商可輕易地從不同的生產參數連結至特定批號。生產批次來源能夠以壓力、溫度、容器厚度等做紀錄。
製造商如今握有確切的優勢 - 他們可即時做根本原因分析(將離群值排除後)，不需花費大把力氣從成堆資料中翻找。當發生緊急安全召回事件而要做出因應時，回溯該失誤發生在生產過程或來自原物料問題就變得輕而易舉；「數位出生證明」可作為極佳的參考點，提供持續改良的機會。
運用現代化的視覺資料科學工具加速價值實現
現今的客戶面對大量的問題都以現代化工具應對，因而首次接觸有關如何建模也變得更為精明。「建模一次即可重複多次使用」蔚為流行。
時至今日，OT專家尋求推出的快捷ML解決方案，訴求將投入資料科學或訓練的負荷降至最低，以加速價值實現的時間。預先建置標的工業製造使用案例的ML程式庫，愈來愈成為注目焦點。OT工程師不會想從零到有的做資料準備、建模與訓練。
資料科學家與IT分析師(尤其若身處工業製造領域)也企求穩健龐大的資料分析與ML平台解決方案，藉助其力得以持續不斷用視覺化方式建立、訓練、部署、計分和監測ML模型。他們需要一個開放式、標準化、安全穩固的企業級分析解決方案，透過此解決方案能在集中化IT環境協作管理整個模型的生命週期。
建立視覺化資料管路的能力，在加速ML模型興建和管理的過程中至關重要。將管路建立每一步驟的轉型資料予以視覺化，能在執行期間將非預期失誤的可能性降至最低。視覺化主控台也能由模型績效統計與點選式配置輔助追蹤績效表現。
資料科學家與IT分析師亟欲打造直覺化的複雜資料管路，並對即時串流或批次資料套用機器學習演算法(來自於Python、Spark、H2O.ai或PMML)。當建模完成後，就能對可擴充性佳的執行引擎部署資料管路而進行計分。最後，自帶模型(BYOM)與將程式碼匯入開放程式設計環境的能力，毫無疑問有助於加快從創新邁向可再用性的速度。
遠眺AI/ML旅程：端對端模型生命週期管理
將ML模型運作端對端(從模型建造以至維護)週期交付管理，是工業分析領域的新興焦點。
分析模型建立起來後，重點在於運用更新的生產資料追蹤ML模型績效(不論是否部署於邊緣到雲端範疇)，並持續用更新的生產資料加以訓練。儘管模型維護的自動化很重要，掌握必須再建ML模型的「時機點」可能更加關鍵。
市場條件可具流動性，製造需要變革，生產程序也會演進。正因如此，應該要保持監測模型的績效漂變，並在恰當時機將現有模型退場更換其他版本。
關於ML模型必須再建的「時機點」，部分範例可包括產線再設計、加入新感測器，或近期有大型設備維護。為此，就必須保持以其預測精準度追蹤漂變。AI/MI模型管理旅程中，應可事先預期有模型維護之需要並編排預算。
未來世界需要嶄新解決方案
過往的成就無法保證未來的成功。AI/ML技術的躍進，正以自助服務式的製造工作流程加速價值實現，在工業製造上開疆闢土。身為數位轉型領導者，必須明瞭因循陳規就無法在未來有一席之地。您該做的是吸取AI/ML技術重大移轉的精華，將其運用至您的工業製造領域，加速高優先度使用案例的價值實現。
未來世界有著新浮現的問題，需要訴諸嶄新解決方案。跟隨趨勢的腳步應審慎為之：源頭擁有豐富OT脈絡的優效IT/OT融合、OT素人資料科學家的興起，以及藉由穩健管理模型生命週期的視覺化工具將AI/ML普及。在工業分析解決方案之中充分運用這些趨勢與最佳實務，使您得以廣為收集品質和企業層級的洞見，以及加速實現關鍵製造成果的價值。
已發佈 2022年3月31日
