当推出支持人工智能的机器视觉来自动化检测流程时，制造商会推动质量改进计划，着眼于提高产量、提高流程效率和降低成本。在更高的层面上，许多制造商将这些努力视为与工业4.0或工业物联网(IIoT)相关联的更广泛的智能制造战略的一部分，使用快速、简单和具有成本效益的技术实现，使其变得更加灵活、高效和创新。
Neurala公司首席执行官MaxVersace表示：“最终，能够通过提高质量或降低成本，或两者兼有，使产品差异化并更具竞争力的制造商，将处于更有利的发展地位。”
NextLinkLabs首席信息安全官JeremyDodson对此表示赞同，他指出，通过自动化特定流程和使用大数据分析，制造商可以识别其运营中的瓶颈和低效率，并进行改进，从而提高效率和生产率。
什么是大数据?
Gartner公司将大数据定义为高容量或高种类的信息资产，需要具有成本效益的创新形式的信息处理。大数据和分析工具可以帮助制造商分析大量数据，并就其运营、供应链和产品开发做出明智的决策。
Dodson解释道：“制造商可以通过收集和分析生产过程中的数据来实时识别和解决质量问题，从而提高产品质量。通过采用新技术，制造商可以在竞争中保持领先地位，并在市场上获得竞争优势。精简操作和提高效率有助于制造商降低成本，提高盈利能力。”
大数据的好处
将大数据和自动化目标引入制造业领域之外，可以以一种变革性的方式跨越整个组织，从人力资源和营销到提高客户满意度。通过使用大数据和分析来更好地了解客户的需求和偏好，制造商可以改善客户体验，不仅可以提高客户满意度，还可以通过更短的创新周期实现产品的个性化。
西门子工业公司边缘/工业物联网产品营销经理ChrisLiu表示:“由于5G无线、OPC和其他全系统IP标准的快速发展，可用的数据量正在爆炸式增长，这推动了设施中安装和连接的设备数量的增加。”
然而，随着大数据继续呈指数级增长，暗数据(即组织中任何人都完全未使用的数据)的数量也在呈指数级增长。根据由Splunk赞助的TRUEGlobalIntelligence公司最近发布的“暗数据状态”报告，约55%的组织数据不仅未被开发，而且实际上可能完全隐藏、未被发现、未量化，甚至未知。
微软公司制造业行业高管JeffWinter表示:“大多数公司产生的数据已经远远超过了它们使用的数据。”温特引用了德克萨斯大学的一项研究，该研究估计，数据可用性每提高10%，财富1000强公司的收入平均就会增加20亿美元。Winter解释说，在一家公司能够提高管理和处理如此海量数据的能力之前，定义工业4.0的愿景及其对组织的意义非常重要。
在数字化转型方面，企业可能有许多不同的目标。优化生产与降低成本、开拓新市场、创建新商业模式或改变客户体验有着不同的标准。这一切的核心是正确捕捉和利用这些数据的能力。
数字优化vs数字转型
许多企业目前都专注于数字优化，这仅仅意味着在他们已经在做的事情上做得更好。优化本身并不是特别具有变革性。优化可能涉及大数据和人工智能的应用，例如，更快速、更有效地制造和向客户交付产品，同时减少浪费。
相比之下，数字化转型涉及使用大数据和人工智能从根本上改变公司的运营方式。数字优化和数字转型带来了不同的挑战、好处和复杂性。无论数字化转型目标是什么，转型通常都要困难得多，因为它会影响整个组织中的所有人员和流程，而优化很少有这样的影响。
Winter解释道:“我们正在与一些公司合作，他们的整个数字化转型任务就是改变客户体验。制造业只是其中的一小部分，但这还包括一种全新的商业模式，基于结果的合同，将产品作为服务销售，这将极大地改变运营管理、项目管理和工程。”
大数据的关键注意事项
在定义愿景、选择目标并决定是否专注于数字优化、转换或两者兼而有之之后，下一步是了解需要解决的问题，并确定需要为每个问题收集所需的数据。
Versace举例说，如果一个项目的核心是尽量减少产品召回费用，那么仅仅存储被检查产品的图像和检验结果是不够的。他解释说，如果想在发生召回事件时迅速采取行动，那么捕捉生产日期、时间、批号、产品号、分销商或客户发货地点也很重要。只有这样，才能开始定义数据收集、组织、保护和存储的过程，以便在需要时能够快速访问。
Dodson表示，数据治理是另一个需要考虑的关键因素。为管理和保护数据建立明确的政策和程序是至关重要的，包括谁可以访问数据以及如何使用数据。制造商应实施强有力的网络安全措施，以防止数据泄露和网络威胁。这包括加密、防火墙和安全数据存储。
数据质量也是至关重要的。确保收集的数据准确和相关是至关重要的。这需要验证数据质量的流程，并确保数据得到一致的管理。数据分析是成功的另一个关键因素。制造商需要有一个计划来分析和使用收集到的数据。这可能包括使用数据可视化软件等工具或雇佣数据分析师来帮助解释数据。
Dodson说:“关于数据存储和基础设施，制造商应该有一个可扩展和可靠的基础设施来存储和管理他们运营产生的大量数据。”“数据隐私也至关重要。制造商需要对他们如何收集和使用数据保持透明，并尊重客户和员工的隐私。这可能需要实施同意管理系统，并遵守相关数据隐私法规。”
ChrisLiu表示，在制造方面，数据稳定性是另一个需要考虑的关键因素。令人印象深刻的100毫秒数据采集速率，系统稳定性对于确保数据在采集周期中不丢失至关重要。
最后，为了从大数据中获得最大价值，制造商可能需要在不同的部门和系统之间共享和集成数据。这样做需要仔细规划和协调，以确保数据以安全和可控的方式共享。
边缘计算与云计算考虑事项
当涉及到技术和自动化的使用增加时，需要仔细平衡内部部署边缘计算和基于云的方法的利弊。最成功的实现采用了一种混合方法，权衡处理速度和处理能力的需求。对于工业应用，本地边缘计算在实时处理方面总是比云更快。本地计算的其他优点包括对基础设施和数据的更好控制。
使用内部部署方法，制造商可以更好地控制其基础设施和数据，因为它们都位于组织的设施中。在某些情况下，内部部署方法可以提供更高级别的安全性，因为制造商对其数据中心的物理安全性有更多的控制，并且可以根据需要实施额外的安全措施。
缺点包括前期成本较高。建立本地基础设施可能比使用基于云的服务更昂贵，因为制造商必须购买和维护所有必要的硬件和软件。有限的可伸缩性是另一个缺点。随着需求的变化，本地基础设施可能更难以扩展或缩小，因为它需要物理地添加或删除硬件。
相比之下，基于云的解决方案提供更低的前期成本。基于云的服务通常是按订阅付费的，这比购买和维护本地硬件和软件更具成本效益。基于云的服务通常更容易随着需求的变化而扩展或缩小，因为提供商可以根据需要添加或删除资源。
基于云的服务对基础设施和数据的控制更少。使用基于云的方法，制造商依赖于提供商来维护和保护基础设施和数据。虽然云提供商通常都有强大的安全措施，但仍然存在数据泄露或其他安全事件的风险。
最终，在内部部署和基于云的方法之间做出决定将取决于制造商的特定需求和优先级。对于制造商来说，仔细评估他们的选项并选择最能满足他们在安全性、成本、控制和可扩展性方面需求的方法是至关重要的。
网络安全是关键
虽然大数据和自动化带来了巨大的好处，但对于制造商来说，在推出新技术时优先考虑网络安全至关重要。如果没有适当的网络安全措施，制造商可能会暴露敏感数据，并遭受代价高昂的攻击，这可能会破坏他们技术进步的所有好处。