聯網工廠現已變得司空見慣，因為製造商認識並擁抱其營運數據所能釋放的力量。事實上，COVID-19疫情迫使許多公司轉型並適應「新常態」，而這些努力的主要推動力正是數據能力的基礎——數位化。
透過揭示其技術、人員與流程，並提取這些營運數據，許多公司發現了無數潛在的能力與連結，這些都為他們提供了對其生產線運作、產能與效率的更深入洞察。
但面對所有這些新的可用數據，最大的問題是：這些數據是否已被發揮到最大效益？公司是否榨取了每一個可用位元組的資訊，並且是否在能產生影響的時間與地點部署這些資訊——在正確的時間做出正確的決策？
在許多情況下，正確的決策可能會受到決策制定地點的影響，這可以說與決策制定方式同樣重要。每個使用案例都不同，因為在設備、控制、邊緣和/或雲端解決問題都有其價值。
雲端的價值在於特定類型的應用，例如跨生態系統與供應鏈的資料共享、資料聚合與非即時視覺化（如能源監控）、高運算應用、機器學習模型開發與訓練等。
但通常，您距離資料來源越遠，看到資料更新的頻率就越低，這意味著中間資料值可能會遺失。因此，雲端使用者通常只能看到一小部分可能的資料值和內部設備資料；流程、控制和設備模型則完全不可見。
在大多數情況下，決策應該盡可能接近資料來源——邊緣——以維持資料脈絡和速度。在邊緣進行脈絡化與建模能夠帶來更豐富的分析洞察，而邊緣到雲端的解決方案則可結合兩者優勢，提升敏捷性與生產力。
當您在更接近資料來源的地方收集和分析資料時，您可以獲得即時回饋。若缺乏這種即時性，您可能會建立一個能力和範圍有限的模型或模擬——因為您不知道自己不知道什麼！您需要能讓您了解實際能力的資訊，而不僅僅是典型觀察到的能力。然而，邊緣解決方案僅是整體圖像的一部分。
分析、人工智慧與機器學習在結合資料庫與領域專家時，能成為強大的工具——這些專家能理解並挖掘未被發現的價值與機會——並可根據觀察到的行為，為流程優化與未來預測提供機會。然而，鑑於廣泛工業領域中應用的多樣性，這些工具無法被普遍套用。
數據分析同樣無法提供完整全貌。您只能看到可觀察到的數據，因此額外的能力與限制通常無法顯現，且可能無法取得全貌狀態。
以一輛手工披薩餐車為例，看看營運數據能告訴我們什麼。它營運X小時，每週Y天，供應Z個披薩，從下單到送達的時間為T。我們無法「觀察」到的是餐車的能力：它每天最多能營運多少小時？員工需要工作多少小時？他們是否受過訓練，訓練程度如何？最大供應量是多少？它在不同地點間的行駛範圍（及速度）是多少？是否有適當維護？廚房內有什麼設備（能力）？能否準備其他食物？
披薩餐車的例子說明了許多公司面臨數據與模型混合的情況，其中部分細節並非隨時可得。在嘗試遠端檢查數據時尤其如此。了解可觀察數據的限制，並考慮在哪裡可以收集並納入額外數據，最終將能更全面地掌握任何情況。
此外，數據可用性還面臨多重挑戰，包括採樣率、數據表達方式，以及網路通訊資源的限制，導致數據出現巨大缺口。
您需要了解您試圖解決的問題以及您希望達成的結果。如果您需要了解更多並做更多，建議從分析開始，這將為您提供問題存在位置的洞察，從而制定解決策略。這通常意味著增加額外感測器或建立模型來模擬解決方案。這些模型對於發現和探索您從未嘗試過的解決方案也至關重要。
在裝置、控制、邊緣與雲端層級解決問題皆有其價值，但在所有情境下，您都應該嘗試使用最能滿足您需求的工具。事實上，您甚至可能會部署混合式解決方案。
找到正確的平衡點以釋放工廠的全部潛力至關重要。最終目標應是應用領域知識與正確的建模，利用完整的數據全貌來建立準確的模擬——而不僅僅是您已知的部分！
已發佈 2021年11月3日
