阻礙智能工廠進一步展開的5大挑戰

文/秦嶺

根據英特爾公司發布的報告，應用了數字化技術的制造企業中有三分之二尚未將此類項目大幅展開。是哪些挑戰導致了智能工廠項目難以實施或擴大？領導者又該采取哪些舉措來避開其中的陷阱？

 

隨著大數據的普及，聯網條件的升級，以及計算機處理能力的突飛猛進，人工智能與物聯網技術將成為工廠加速轉型的關鍵。但根據英特爾公司發布的報告，應用了數字化技術的制造企業中有三分之二尚未將此類項目大幅展開。原因在哪兒？

針對400多家制造業企業以及為開發智能技術、解決方案或服務的技術專家，英特爾公司開展了耗時兩年的調研，以探討工業4.0落地及普及的關鍵要素。該調研最近剛剛發布了報告的第二部分，主題為“加速工業化”，關注的重點是智能工廠的工人該如何適應和應對人工智能在制造業中的角色，以及領導者該如何通過企業戰略進一步加速這個轉型過程。

研究發現，盡管83%的公司計劃在未來兩三年內對智能工廠技術進行投資，但他們往往不太確定如何推進，或者在面對相關風險時猶豫不決。那么是哪些挑戰導致了智能工廠項目難以實施或擴大？領導者又該采取哪些舉措來避開其中的陷阱？下文就是受訪者提出的5大挑戰，以及英特爾提出的相關建議。

 

挑戰1：技術技能缺口

36%的受訪者稱，技術技能方面的缺口對企業的智能工廠項目的投資構成阻礙。為了成功實施新技術并維持運營，公司的員工必須具備“數字靈活性”：員工必須了解制造流程，同時掌握為這些流程提供支持的數字化工具。

解決方案：

1.制作課程以支持現有員工不斷學習，然后把新的概念跟一手的實踐機會結合，讓員工能夠在運營活動的背景下應用；構筑相互關聯的模組，讓員工能夠逐漸開發和磨練其技能，從而提高效率。

2.就未來重要性可能進一步提升的數字化工具和技能提供指導。材料的內容要全面，包括網絡安全，基礎設施，人工智能，數據，存儲和算力需求。在其中講解各個概念，以及它們之間的相互關系。

3.比起解決方案的實施，應該更注重強調問題的評估和解決。

4.在啟動新的智能技術項目時，在外聘專家和培養內部人才之間達成平衡，從而讓公司的數字化能力得到足夠的發展。

 

挑戰2：數據敏感性

27%的受訪者提到了“數據敏感性”，并且對數據和IP的隱私、所有權和管理等問題表現出越來越多的關注。

比方說，某種人工智能算法的成功部署需要大量的數據加以訓練，然后進行檢驗。這意味著必須分享數據，但許多公司不愿將他們的數據與第三方解決方案開發商進行分享。而且，受訪者普遍認為組織內現有的數據安全政策不足以支持這種分享活動。

解決方案：

1.將數據的分享政策常態化，讓組織內外的數據傳輸能夠順利進行。

2.制定數據治理政策，從而權衡分享數據與隨之而來的風險。但也要注意，政策的制定必須根據具體情況進行調整，大而化之的做法會留下隱患。如果可能的話，未來與供應商之間簽訂的合同中也應加入相關的條款。

3.在企業開展智能化項目之前就考慮好數據的分享需求，并在項目運營的日程安排中留出時間，以便就此類需求進行協商。

 

挑戰3：互用性

23%的受訪者稱，企業內應用的協議、組件、產品和體系缺乏互用性。這種麻煩一直存在，但在數字化轉型的過程中顯得尤為關鍵，這方面的欠缺限制了企業的創新能力，以及對系統組件升級的能力，因為他們無法輕易地變更供應商，或是更換系統中的某一組成部分。

解決方案：

1.積極推進相關標準的制定并給予支持，從而提高互用性；盡可能地參加相關的協會和團體。

2.與供應商合作制定和部署模塊化的解決方案，并設法推進多供應商方案，以打通長期的升級路徑。

3.在上馬智能技術項目時考慮開源方案。

 

挑戰4：安全

22%的受訪者提到了安全威脅，對工廠現有的和將來可能出現的隱患表示擔憂。

智能工廠結合了物理和數字化兩套系統，雖然大大方便了員工對相互關聯的系統進行實時操作，但遭受黑客攻擊的風險也隨之提升。智能工廠中的所使用的網絡中接入了大量機器和設備，其中任何一臺機器的漏洞都會被利用來攻擊整個網絡。企業需要預測企業系統和具體機器運營層面的漏洞。但在企業的防御手段普遍不足，往往依靠技術和解決方案提供商代勞。

解決方案：

1.讓運營和IT方面的技術人才加入智能化項目團隊，以評估人員、流程、機器和網絡方面可能存在的漏洞和弱點。

2.了解供應商在其設備和運營活動中的新動向，預測可能會出現哪些新的漏洞。

3.針對一些極端的情況進行預演，比如運營活動中的每一個組成部分都沒有重大漏洞，但彼此之間的聯動會構成新的漏洞。對這種情況要有所準備。

 

挑戰5：應對數據的增長

18%的受訪者提到了企業的數據在規模和產生速度上的增長，以及利用數據的機制。隨著人工智能的應用，企業會以更快的速度產生更多數據，而且數據的格式也更加多樣化。因此應用數據的難度也成倍數地提升，比如說人工智能提出的推薦建議必須能夠結合以不同方式、不同頻率產生的數據。另一方面，人工智能的算法必須讓人便于理解，才能對決策有所幫助。

解決方案：

1.去理解能夠產生商業價值的數據，從企業資產的層面去平衡算力、帶寬以及對實時（低延遲）反饋的需求。

2.要能夠提前預估足夠反映機器或運營狀態的采樣率。沒有必要將一切數據都收集起來。

3.在智能化項目實施前就建立穩健的系統架構，從而平衡算力需求與產生需求之間的地點（比如說，考慮邊緣計算還是云計算），當下和未來的存儲需求，搭建通訊基礎設施。