阻碍智能工厂进一步展开的5大挑战

Q168

根据英特尔公司发布的报告，应用了数字化技术的制造企业中有三分之二尚未将此类项目大幅展开。是哪些挑战导致了智能工厂项目难以实施或扩大？领导者又该采取哪些举措来避开其中的陷阱？
随着大数据的普及，联网条件的升级，以及计算机处理能力的突飞猛进，人工智能与物联网技术将成为工厂加速转型的关键。但根据英特尔公司发布的报告，应用了数字化技术的制造企业中有三分之二尚未将此类项目大幅展开。原因在哪儿？

针对400多家制造业企业以及为开发智能技术、解决方案或服务的技术专家，英特尔公司开展了耗时两年的调研，以探讨工业4.0落地及普及的关键要素。该调研最近刚刚发布了报告的第二部分，主题为“加速工业化”，关注的重点是智能工厂的工人该如何适应和应对人工智能在制造业中的角色，以及领导者该如何通过企业战略进一步加速这个转型过程。

研究发现，尽管83%的公司计划在未来两三年内对智能工厂技术进行投资，但他们往往不太确定如何推进，或者在面对相关风险时犹豫不决。那么是哪些挑战导致了智能工厂项目难以实施或扩大？领导者又该采取哪些举措来避开其中的陷阱？下文就是受访者提出的5大挑战，以及英特尔提出的相关建议。

Q168

挑战1：技术技能缺口
36%的受访者称，技术技能方面的缺口对企业的智能工厂项目的投资构成阻碍。为了成功实施新技术并维持运营，公司的员工必须具备“数字灵活性”：员工必须了解制造流程，同时掌握为这些流程提供支持的数字化工具。

解决方案：

· 制作课程以支持现有员工不断学习，然后把新的概念跟一手的实践机会结合，让员工能够在运营活动的背景下应用；构筑相互关联的模组，让员工能够逐渐开发和磨练其技能，从而提高效率。

· 就未来重要性可能进一步提升的数字化工具和技能提供指导。材料的内容要全面，包括网络安全，基础设施，人工智能，数据，存储和算力需求。在其中讲解各个概念，以及它们之间的相互关系。

· 比起解决方案的实施，应该更注重强调问题的评估和解决。

· 在启动新的智能技术项目时，在外聘专家和培养内部人才之间达成平衡，从而让公司的数字化能力得到足够的发展。

Q168

挑战2：数据敏感性
27%的受访者提到了“数据敏感性”，并且对数据和IP的隐私、所有权和管理等问题表现出越来越多的关注。

比方说，某种人工智能算法的成功部署需要大量的数据加以训练，然后进行检验。这意味着必须分享数据，但许多公司不愿将他们的数据与第三方解决方案开发商进行分享。而且，受访者普遍认为组织内现有的数据安全政策不足以支持这种分享活动。

解决方案：

· 将数据的分享政策常态化，让组织内外的数据传输能够顺利进行

· 制定数据治理政策，从而权衡分享数据与随之而来的风险。但也要注意，政策的制定必须根据具体情况进行调整，大而化之的做法会留下隐患。如果可能的话，未来与供应商之间签订的合同中也应加入相关的条款。

· 在企业开展智能化项目之前就考虑好数据的分享需求，并在项目运营的日程安排中留出时间，以便就此类需求进行协商。

Q168

挑战3：互用性
23%的受访者称，企业内应用的协议、组件、产品和体系缺乏互用性。这种麻烦一直存在，但在数字化转型的过程中显得尤为关键，这方面的欠缺限制了企业的创新能力，以及对系统组件升级的能力，因为他们无法轻易地变更供应商，或是更换系统中的某一组成部分。

解决方案：

· 积极推进相关标准的制定并给予支持，从而提高互用性；尽可能地参加相关的协会和团体。

· 与供应商合作制定和部署模块化的解决方案，并设法推进多供应商方案，以打通长期的升级路径。

· 在上马智能技术项目时考虑开源方案。

Q168

挑战4：安全
22%的受访者提到了安全威胁，对工厂现有的和将来可能出现的隐患表示担忧。

智能工厂结合了物理和数字化两套系统，虽然大大方便了员工对相互关联的系统进行实时操作，但遭受黑客攻击的风险也随之提升。智能工厂中的所使用的网络中接入了大量机器和设备，其中任何一台机器的漏洞都会被利用来攻击整个网络。企业需要预测企业系统和具体机器运营层面的漏洞。但在企业的防御手段普遍不足，往往依靠技术和解决方案提供商代劳。

解决方案：

· 让运营和IT方面的技术人才加入智能化项目团队，以评估人员、流程、机器和网络方面可能存在的漏洞和弱点

· 了解供应商在其设备和运营活动中的新动向，预测可能会出现哪些新的漏洞

· 针对一些极端的情况进行预演，比如运营活动中的每一个组成部分都没有重大漏洞，但彼此之间的联动会构成新的漏洞。对这种情况要有所准备。

Q168

挑战5：应对数据的增长
18%的受访者提到了企业的数据在规模和产生速度上的增长，以及利用数据的机制。随着人工智能的应用，企业会以更快的速度产生更多数据，而且数据的格式也更加多样化。因此应用数据的难度也成倍数地提升，比如说人工智能提出的推荐建议必须能够结合以不同方式、不同频率产生的数据。另一方面，人工智能的算法必须让人便于理解，才能对决策有所帮助。

解决方案：

· 去理解能够产生商业价值的数据，从企业资产的层面去平衡算力、带宽以及对实时（低延迟）反馈的需求。

· 要能够提前预估足够反映机器或运营状态的采样率。没有必要将一切数据都收集起来。

· 在智能化项目实施前就建立稳健的系统架构，从而平衡算力需求与产生需求之间的地点（比如说，考虑边缘计算还是云计算），当下和未来的存储需求，搭建通讯基础设施。

本文作者秦岭