隨著邊緣數據，連接性和處理能力的不斷增長，工業物聯網(IIoT)變得越來越容易訪問。但是，成功采用許多產品仍然遙不可及：每三個試行數字制造解決方案的公司中的兩個都無法大規模推廣。為什么盡管熱衷于向數字制造業的未來轉型，卻很少有公司能夠實現其巨大潛力?

? ?
? ? ? ? 我們已經知道，邊緣化的AI和IoT是加快工廠轉型的關鍵，但是，如何催化這些技術的更快速采用并避免飛行員煉獄的陷阱又需要什么呢?

在過去的兩年中，我們開展了一項針對整個行業和生態系統公司的400多名參與者的研究，他們邀請制造領導者和工人以及開發支持他們的解決方案和服務的技術人員來回答這個問題，并揭示工業4.0的基本要素。2018年，我們發布了研究的第一階段，確定了制造業領導者和工廠工人在通往智能工廠未來的道路上共同發展時正在解決的關鍵問題。

我們剛剛發布了該工作的下一個階段，即Accelerate Industrial，研究了工人將如何在制造角色中采用AI并對AI做出反應，以及什么樣的策略和策略將“加速加速器”。迄今為止，這項分階段的研究代表了制造業中正在發生的數字化轉型的最全面觀點。

所有第二階段的參與者都必須在智能工廠或開發智能技術，解決方案或服務的公司中扮演第一手的角色，涵蓋這四個領域中技術的開發，部署和維護的全部觀點墻壁。

我們的研究發現，盡管對數字化轉型的需求很大，但有83%的公司表示他們計劃在未來兩到三年內投資于智能工廠技術，而最有可能推動這種變化的人通常不確定關于如何前進或猶豫要冒險。那么，是什么導致這種啟動失敗或無法擴展?領導者應如何改變組織內部的文化觀念，以獲取工業物聯網的收益?

受訪者列舉了以下五項挑戰，它們有可能在未來破壞對智能解決方案的投資，以及避免試點煉獄的危險的提示：

挑戰1：技術技能差距

36%的受訪者認為存在“技術技能差距”，使他們無法從投資中受益。

為了成功實施新技術并維持運營，公司必須擁有一支擁有“數字靈巧性”的員工隊伍-人們必須了解制造過程以及支持這些過程的數字工具。

解：

創建支持現有員工終身學習的計劃，將新概念與動手機會結合起來，以在制造運營中使用它們;建立鏈接的模塊，以便隨著員工精通技能，他們會隨著時間的推移發展和磨練自己的技能。

提供有關數字工具和技能的指導(被認為在今天很重要，但對未來至關重要)。通過包括網絡安全性，基礎架構，人工智能，數據，存儲和計算需求，使內容全面。目前個別概念和它們的相互依存關系。

在解決方案實施之前強調問題評估和問題解決，建立新的智能技術項目時，請平衡聘請外部專家和內部人員來發展公司的數字靈活性。

挑戰2：數據敏感性

27%的人認為“數據敏感度” 來自對數據和IP隱私，所有權和管理的日益關注。

例如，要成功實現AI算法，需要有訓練和測試數據。這意味著必須共享數據，但是許多公司都不愿意與第三方解決方案開發人員共享數據。還強烈相信，我們當前在組織內部使用的數據治理策略不足以支持跨組織的數據共享。

解：

為組織內數據傳輸和組織間數據傳輸制定正式的數據共享策略。

建立數據治理策略，以反映與潛在風險暴露共享數據的價值。明白一刀切的政策是不夠的。在以后的供應商/供應商合同中嵌入定制的策略。

在建立智能項目之前要考慮數據共享需求，并及時構建以將這些需求協商到項目運營中。

挑戰3：互操作性

23%的人表示 協議，組件，產品和系統之間缺乏互操作性。

這是一場持續不斷的斗爭，這并不新鮮。但是，如今，由于互操作性限制了他們的創新能力，公司變得越來越沮喪。這也限制了他們升級系統組件的能力，因為它們無法輕松地“交換”一個供應商以換取另一供應商或將系統的一部分換為另一供應商。

解：

積極追求并支持標準制定以提高互操作性;盡可能參加諸如開放過程自動化論壇之類的聯合體。

要求他們的供應商緊密合作以開發和實施強調模塊化的解決方案，并提供使用多個供應商解決方案隨時間推移進行升級的途徑。

建立智能技術項目時，請考慮使用開源選項。

挑戰4：安全性

22%的安全威脅來自工廠當前和正在出現的漏洞。

智能工廠中物理系統和數字系統的結合使實時互操作成為可能，但存在擴大攻擊面的風險。通過將大量機器和設備連接到智能工廠中的單個或多個網絡，任何這些設備中的漏洞都可能打開系統進行攻擊。公司將需要預見到企業系統漏洞和機器級操作漏洞。公司應對這些安全威脅的準備不足，許多公司依靠其技術和解決方案提供商來做到這一點。

解：

將OT和IT專業人員組合到智能項目團隊中，以評估可能存在的漏洞。識別人員，流程，機器和網絡威脅。

了解供應商對設備和/或操作的升級，并預測漏洞的可能變化。

開發“拐角案例”分析，其中沒有一個替代方案或功能可能是關鍵漏洞，但替代方案和/或功能之間的相互依賴性導致或增加了漏洞。針對這些非顯而易見的情況進行計劃。

挑戰5：處理數據增長

18%的人表示處理數據的數量和速度以及感知能力都有所增長。

隨著AI用途的擴展，公司將面臨更多的數據，這些數據將以更快的速度以多種格式生成。AI算法需要更容易理解(即算法如何得出建議?)，并且這些算法必須能夠組合通常具有不同類型和時間范圍的數據。

解：

了解在資產級別產生業務價值見解和余額計算的數據;帶寬; 以及對實時(低延遲)控制反饋的需求。

預期反映機器或操作狀態變化的采樣率。收集一切可能沒有意義。

在實施之前開發健壯的系統體系結構，以平衡計算需求和這些需求的位置(例如，邊緣對云)，當前和未來的存儲需求以及通信基礎架構。