過去，在制造設施中，運營技術(OT)和信息技術(IT)扮演著非常獨立的角色。現在，由于這一戰略所具有的內在效率和競爭優勢，這兩個實體走到了一起。

　　挑戰在于如何確保以優化、經濟高效的方式進行IT/OT融合，而不會對正在進行的運營活動造成重大干擾，這正是邊緣計算發揮關鍵作用的地方，特別是隨著人工智能(AI)和機器學習(ML)的出現。

　　利用AI軟件算法，可以在無需人工干預的情況下處理OT信息，并做出基于經驗的決策。傳統上，AI軟件需要高水平的計算機能力，但邊緣推理平臺的出現，可以在更受約束的環境中使用AI訓練算法的結果，使AI能夠擴展到工廠車間。

　　一旦制造商可以加速其決策，就可以提高生產效率。將人工智能進一步引入到自動化過程中，也有助于解決勞動力老齡化所帶來的挑戰，因為流失的勞動力并沒有及時得到新人才的補充。利用新的技術和算法，制造商可以用同樣數量的工作人員，做更多的事情。

　　數字化檢驗的優點

　　舉例來說，考慮典型制造過程的檢查階段。在生產環境中，有具有30至40年制造經驗的人員，使用他們的經驗來發現缺陷、異常和其它質量問題。然而，隨著這些人員的退休，如果沒有新一代的檢查人員來代替他們，制造商如何保留和利用他們的知識經驗?

　　AI和ML提供了一種解決方案：利用與新檢驗員培訓類似的培訓過程，將知識數字化。AI模型經過培訓后，可以部署到邊緣推理設備上，然后這些設備可以執行缺陷和質量評估，將信息反饋給培訓服務器，以進一步調整和優化人工智能模型。

　　邊緣推理平臺提供的"數字化檢驗員"，可以永久保留經驗豐富的運行人員的所有知識，并將其應用于檢驗過程，通常比手動檢驗能夠提供更高的精確度。同時，人工檢驗員的角色，則被提升為分析結果數據和確定流程改進領域。

　　使用最新的AI和ML技術，再加上適當的培訓服務器和推理邊緣硬件可以實現數字化檢驗，而無需數據科學家或復雜的編程。相反，系統會在一個短暫的培訓期內，了解什么是可接受和不可接受的樣本。

　　由此產生的模型，可以同時部署到多個站點和生產線，進一步利用來自多個區域的檢查團隊的綜合經驗。持續運行該系統，會不斷向培訓服務器反饋信息，以不斷提高的準確性完善邊緣推理，最終實現近乎完美的決策過程。

　　那么，傳統制造商如何利用這項技術并變得更"智能"，尤其是當許多生產設施位于"棕地"現場?通常，這比制造商想象的要容易得多。當然，有必要將網絡連接到檢查區域，并且需要攝像頭來收集目視檢查數據，但如果OT投資是最新的，這些要素通常已經就位。

　　邊緣推理通常是一個相對簡單的"即插即用"，提供圖像捕獲和AI推理算法，形成缺陷檢測系統。培訓服務器通常位于IT服務器機房內，它根據邊緣反饋的數據不斷完善模型，但可以安裝在任何可以訪問連接邊緣推理設備網絡的地方。

　　在很多情況下，該模型還使用從其它來源獲取的信息，但系統基于標準的開放技術的性質，使其能夠實施物聯網技術層，結合邊緣應用、通信協議和數據采集功能，從而實現"棕地"設施的數字化，并將其帶入新的制造時代。

　　當歐洲第一次開始討論工業4.0革命時，隨之而來的問題是如何創建非專有的、開放的解決方案，以避免鎖定供應商。最初的步驟是創造技術兼容性，并將其集成到一個開放和透明的環境中，以便實施進一步的創新。

　　大約6年前，當各組織討論在生產環境中實施物聯網的想法時，主要討論的是制造商如何連接其機器和設備。與以前基于SCADA或MES應用的解決方案相比，它們如何提高分析水平?如何才能使更多的OT領域的應用，能夠確保有吸引力的投資回報率?隨著時間的推移，這導致了工業物聯網越來越基于開放式PC技術的局面。

　　開放式架構降低了復雜性

　　雖然這對于OT領域來說是新事物，但對IT界來講，已經熟練應用幾十年了，已經了解通用架構、通信標準、管理工具和應用程序框架所具有的價值。隨著開放式通信技術的發展，諸如OPC UA等技術越來越廣泛地被采用，時間敏感網絡和5G等新技術，克服了對專用實時設備的需求，使基于開放式PC技術的可能性也就越來越大。

　　反過來，這種開放式架構的采用意味著，在老舊的生產設施上創建技術層的概念比兩三年前要簡單得多。這是因為有許多技術將專有OT設備和系統集成到物聯網領域。通信、協議和物理接口已變得更加標準化，與舊的專有OT設備相比，用于構建系統的開放技術平臺正變得越來越商品化，因此投資變得更容易。

　　傳統上，技術代表了商業應用的價值，但現在企業不再討論技術兼容性，因為它已經兼容了。相反，他們討論如何使用物聯網技術優化端到端工作流，而不僅僅是一個獨立的過程，以及如何利用員工的智力資本和經驗，通過技術來豐富他們的角色，從而進一步增加組織的價值。他們越來越關心如何利用可以在整個企業邊緣捕獲和可視化的信息。

　　成功的關鍵在于利用最新工業物聯網技術的開放性，減輕商業應用和邊緣OT應用集成商的負擔，降低部署新技術與整合現有應用的復雜性。