在 AI 與 IoT 交會下創造資料價值

對於想要取得競爭優勢的工業工廠來說，產生資料並非新鮮事。利用這些資料產生的價值加以進展，才是逆轉情勢的關鍵。

(圖片來源：Weidmüller)

新型態的資料導向服務正激勵工程師和製造商建立可獲利且效率高的商業模型，並利用精密技術打造智慧工廠，藉此提高產品品質並降低成本。

但製造商如何展開從資料轉變成價值的旅程？人工智慧 (AI) 的潛力及其與工業物聯網 (IIoT) 的互連性，為許多製造商帶來了啟發。機器學習演算法的進展及資料的收集和精細化，都有助於提高效率和生產力。

乍聽之下非常複雜，但其實可以藉由智慧產業的具體優勢來達成。

可採用人工智慧方法 (尤其是機器學習) 當作工具，以分析機器資料。這些工具能將資料連結在一起，找出未知的關聯。

Weidmüller 的概念包括透過機械與工廠工程用的自動機器學習軟體，藉此輕鬆運用 AI。為達成此目的，我們將工業應用的機器學習方法進行標準化和簡化，因此就算缺乏資料科學的專門知識，各領域專家也能產生其專屬的資料導向解決方案。

軟體工具會引導使用者完成模型開發流程。機器和製程專家無需資料科學家的支援，就能輕鬆建立、修改和執行機器學習模型，以便減少停機時間和錯誤、達到最佳化維護活動，並且改善產品品質。此軟體有助於將複雜的應用知識，轉換成可靠的機器學習應用並加以存檔。

自動機器學習可應用到許多領域 — 從偵測異常狀況並進行分類，到錯誤預測。但若要偵測異常情況，並以此為基礎進行預測性維護方面的預測，則需要收集資料並加以關聯。機器和工廠通常擁有充足的製程相關資料。為了從這些資料中獲得附加價值，需要使用機器學習方法進行分析，並開發出適當的模型。

我們相信，有簡單的方法可以達成工業 IoT。我們支援四種不同等級的解決方案，也認為這些是建構模塊：

1. 資料分析和商業邏輯 — 利用資料導向的數位服務達到具體的附加價值。
2. 資料通訊 — 透過網路基礎架構可到地傳輸資料，藉此達到最高安全等級的跨網路通訊。
3. 資料預先處理 — 利用 IoT 邊緣技術 (如控制器、I/O 系統和能量量測) 減少資料流和成本。
4. 資料採集 — 利用控制器、機器、感測器、儀表和類比訊號轉換器，在綠地和棕地應用程式中存取可靠而有價值的資料。

從運用人工智慧開始，從資料中獲得更多價值。有可能與警告訊號一樣簡單。或者也可搭配機器學習，用在人工智慧領域。為了認識並瞭解機器的行為，我們使用這四個建構模塊，將 AI 和 IoT 結合，以便我們從資料中獲取價值。若要進一步暸解 Weidmuller 在工業自動化領域中，如何使用人工智慧逆轉自動機器學習使用現況，請觀看我們的未來工廠系列影片。