迎接終端AI新時代:讓運算更靠近資料所在
作者 : Andrew Brown,Strategy Analytics
2021-03-03
資料/數據(data)成長的速度越來越快。據估計,人類目前每秒產出1.7Mb的資料。智慧與個人裝置如智慧型手機、平板電腦與穿戴式裝置不但快速成長,現在我們也真正目睹物聯網(IoT)的成長,未來連網的裝置數量將遠遠超越地球的人口。
這包括種類繁多的不同裝置,像是智慧感測器與致動器,它們可以監控從震動、語音到視覺等所有的東西,以及幾乎大家可以想像到的所有東西。這些裝置無所不在,從工廠所在位置到監控攝影機、智慧手錶、智慧家庭以及自主性越來越高的車輛。隨著我們企圖測量生活週遭數位世界中更多的事物,它們的數量將持續爆炸性成長。
資料爆量成長,讓許多企業把資料從內部部署運作移到雲端。儘管集中到雲端運算的性質,在成本與資源效率、彈性與便利性有它的優點,但也有一些缺點。由於運算與儲存在遠端進行,來自終端、也就是那些在網路最邊緣裝置的資料,需要從起始點經過網際網路或其他網路,來到集中式的資料中心(例如雲端),然後在這裡處理與儲存,最後再傳回給用戶。
對於一些傳統的應用,這種方式雖然還可以接受,但越來越多的使用場景就是無法承受終端與雲端之間,資訊被接力傳遞產生的延遲。我們必須即時做出決策,網路延遲要越小越好。基於這些原因,開始有人轉向終端運算;越來越多人轉而使用智慧終端,而去中心化的程度也越來越高。此外,在這些即時應用中產生的龐大資料量,意味著處理與智慧必須在本地以分散的方式進行。
與資料成長連袂而來的,是人工智慧與機器學習(ML)也朝終端移動,並且越來越朝終端本身移動。大量來自真實世界的資訊,需要用ML的方式來進行詮釋與採取行動。透過AI與ML,是以最小的延遲分析影像、動作、影片或數量龐大的資料,唯一可行且合乎成本效益的方式。運用AI與ML的演算法與應用將在邊緣運作,在未來還將會直接在終端裝置上進行。
資料正在帶動從集中化到分散化的轉變
隨著資訊科技市場逐漸發展與成熟,網路的設計以及在其運作的所有裝置,也都跟著進化。全盛時期從服務數千個小型客戶端的主機,一直到客戶端伺服器模型中使用的越來越本地化的個人電腦運算效能,基礎架構持續重組與最佳化,以便更貼近網路上的裝置以及符合運作應用的需求。這些需求包含檔案存取與資料儲存,以及資料處理的需求。
智慧型手機與其他行動裝置的爆炸性成長,加上物聯網的快速成長,促使我們需要為如何讓資產進行最佳的部署與安排進行評估。而影響這個評估的因素,包括網路的可用性、安全性、裝置的運算力,以及把資料從終端傳送到儲存設備的相關費用,近來也已轉向使用分散式的運算模型。
從邊緣到終端:AI與ML改變終端典範
在成本、資源效率、彈性與便利性等方面,雲端有它的優點,裝置數量的急遽增加(如圖2),將導致資料產出量大幅增加。這些資料大部份都相當複雜且非結構化的,這也是為何企業只會分析1%~12% 的資料的原因之一。把大量非結構化的資料送到雲端的費用相當高、容易形成瓶頸,而且從能源、頻寬與運算力角度來看,相當沒有效率。
在終端執行進階處理與分析的能力,可協助為關鍵應用降低延遲、減少對雲端的依賴,並且更好地管理物聯網產出的巨量資料。
終端AI:感測、推論與行動
在終端部署更多智慧的主要原因之一,是為了創造更大的敏捷性。終端裝置處於網路的最邊緣與資料產生的地方,可以更快與更準確地做出回應,同時免除不必要的資料傳輸、延遲與資料移動中的安全風險,可以節省費用。
處理能力與神經網路的重大進展,正協助帶動終端裝置的新能力,另一股驅動力則是對即時資訊、效率(傳送較少的資訊到雲端)、自動化與在多數情況下,對近乎即時回應的需求。這是一個三道步驟的程序:傳送資料、資料推論(例如依據機器學習辨識影像、聲音或動作),以及採取行動(如物件是披薩,冰箱的壓縮機發出正常範圍外的聲音,因此發出警告)。
感測
處理器、微控制器與感測器產生的資料量相當龐大。例如,自駕車每小時要搜集25GB的資料。智慧家庭裝置、智慧牙刷、健身追蹤器或智慧手錶持續進化,並且與以往相比,會搜集更多的資料。
它們搜集到的資料極具價值,但每次都從各個終端節點把資料推回給雲端,數量又會過多。因此必須在終端進行處理。倘若部份的作業負載能在終端本身進行,就可以大幅提升效率。
推論
終端搜集到的資料是非結構性的。當機器學習從資料擷取到關聯性時,就是在進行推論。這表示使用AI與ML工具來幫忙訓練裝置辨識物件。拜神經網路的進展之賜,機器學習工具越來越能訓練物件以高度的精準度辨識影像、聲音與動作,這對體積越來越小的裝置,極為關鍵。
例如,圖4顯示使用像ONNX、PyTorch、Caffe2、Arm NN或 Tensorflow Lite 等神經網路工具,訓練高效能的意法半導體(ST)微控制器(MCU),以轉換成最佳化的程式碼,讓MCU進行物件辨識(這個的情況辨識對象是影像、聲音或動作)。更高效能的MCU越來越常利用這些ML工具來辨識動作、音訊或影像,而且準確度相當高,而我們接下來馬上就要對此進行檢視。這些動作越來越頻繁地從邊緣,轉移到在終端運作的MCU本身。
行動
資料一旦完成感測與推論後,結果就是行動。這有可能是回饋簡單的回應(裝置是開啟或關閉),或針對應用情況進行最佳化(戴耳機的人正在移動中,因此會針對穩定度而非音質進行最佳化),或是回饋迴路(根據裝置訓練取得的機器學習,輸送帶若發出聲音,顯示它可能歪掉了)。物聯網裝置將會變得更複雜且更具智慧,因為這些能力提升後,運算力也會因此增加。在我們使用新的機器學習工具後,一些之前在雲端或終端完成的關鍵功能,將可以移到終端本身的內部進行。
終端 AI:千里之行始於足下
從智慧型手機到車輛,今日所有電子裝置的核心都是許多的處理器、微控制器與感測器。它們執行各種任務,從最簡單到最複雜,並需要各式各樣的能力。例如,應用處理器是高階處理器,它們是為行動運算、智慧型手機與伺服器設計;即時處理器是為例如硬碟控制、汽車動力傳動系統,與無線通訊的基頻控制使用的非常高效能的處理器,至於微控制器處理器的矽晶圓面積則小了許多,能源效率也高出很多,同時擁有特定的功能。
這意味著利用ML工具訓練如MCU等較不複雜元件來執行的動作,之前必須透過威力更強大的元件才能完成,但現在邊緣與雲端則是理想的場所。這將讓較小型的裝置以更低的延遲執行更多種類的功能,例如智慧手錶、健康追蹤器或健康照護監控等穿戴式裝置。
隨著更多功能在較小型的終端進行,這將可以省下資源,包括資料傳輸費用與能源費用,同時也會產生極大的環境衝擊,特別是考量到全球目前已有超過200億台連網裝置,以及超過2,500億顆MCU(根據Strategy Analytics統計數據)。
TinyML、MCU與人工智慧
根據Google的TesnsorFlow 技術主管、同時也是深度學習與TinyML領域的指標人物 Pete Warden 表示:「令人相當興奮的是,我還不知道我們將如何使用這些全新的裝置,特別是它們後面代表的科技是如此的吸引人,我無法想像那些即將出現的全新應用。」
微型機器學習(TinyML)的崛起,已經催化嵌入式系統與機器學習結合,而兩者傳統上大多是獨立運作的。TinyML 捨棄在雲端上運作複雜的機器學習模型,過程包含在終端裝置內與微控制器上運作經過最佳化的模式識別模型,耗電量只有數毫瓦。
物聯網環境中有數十億個微型裝置,可以為各個產業提供更多的洞察與效率,包括消費、醫療、汽車與工業。TinyML 獲得 Arm、Google、Qualcomm、Arduino等業者的支持,可望改變我們處理物聯網資料的方式。
受惠於TinyML,微控制器搭配AI已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如自然語言處理)、影像處理(例如物件辨識與識別),以及動作(例如震動、溫度波動等)。啟用這些功能後,準確度與安全性更高,但電池的續航力卻不會打折扣,同時也考量到各種更微妙的應用。
儘管之前提到的雲端神經網路框架工具,是取用這個公用程式最常用的方法,但把AI函式庫整合進MCU,然後把本地的AI訓練與分析能力插入程式碼中也是可行的。這讓開發人員依據從感測器、麥克風與其他終端嵌入式裝置取得的訊號導出資料模式,然後從中建立模型,例如預測性維護能力。
如Arm Cortex-M55處理器與Ethos U55微神經處理器(microNPU),利用CMSIS-DSP與CMSIS-NN等常見API來簡化程式碼的轉移性,讓MCU與共同處理器緊密耦合以加速AI功能。透過推論工具在低成本的MCU上實現AI功能並符合嵌入式設計需求極為重要,原因是具有AI功能的MCU有機會在各種物聯網應用中轉變裝置的設計。
AI在較小型、低耗電與記憶體受限的裝置中可以協助的關鍵功能,我們可以把其精華歸納至我們簡稱為「3V」的三大領域:語音(Voice,如自然語言處理)、視覺(Vision,如影像處理)以及震動(Vibration,如處理來自多種感測器的資料,包括從加速計到溫度感測器,或是來自馬達的電氣訊號)。
終端智慧對「3V」至關重要
多數的物聯網應用聚焦在一些特定的領域:基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何?),以及安全性功能、自動化、預測性維護以及遠端遙控(詳見圖 6)。
Strategy Analytics的研究顯示,許多已經完成部署或將要部署的物聯網B2B應用,仍然只需要相對簡單的指令,如基本的開/關,以及對設備與環境狀態的監控。在消費性物聯網領域中,智慧音箱的語音控制AI已經出現爆炸性成長,成為智慧家庭指令的中樞,包括智慧插座、智慧照明、智慧攝影機、智慧門鈴,以及智慧恆溫器等。消費性裝置如藍牙耳機現在已經具備情境感知功能,可以依據地點與環境,在音質優先與穩定度優先之間自動切換。
如同我們檢視的結果,終端AI可以在「3V」核心領域提供價值,而它觸及的許多物聯網領域,遍及B2B與B2C的應用:
震動:包含來自多種感測器資料的處理,從加速計感測器到溫度感測器,或來自馬達的電氣訊號。
視覺:影像與影片辨識;分析與識別靜止影像或影片內物件的能力。
語音:包括自然語言處理(NLP)、瞭解人類口中說出與寫出的語言的能力,以及使用人類語言與人類交談的能力-自然語言產生(NLG)。
垂直市場中有多種可以實作AI技術的使用場景:
震動
可以用來把智慧帶進MCU中的終端AI的進展,有各式各樣的不同應用領域,對於成本與物聯網裝置與應用的效用,都會帶來衝擊。這包括我們在圖6中點出的數個關鍵物聯網應用領域,包括:
溫度監控;
壓力監控;
溼度監控;
物理動作,包括滑倒與跌倒偵測;
物質檢測(漏水、瓦斯漏氣等) ;
磁通量(如鄰近感測器與流量監控) ;
感測器融合(見圖7);
電場變化。
一如我們將在使用場景單元中檢視的,這些能力有許多可以應用在各種被普遍部署的物聯網應用中。
語音
語音是進化的產物,也是人類溝通非常有效率的方式。因此我們常常想要用語音來對機器下指令,也不令人意外;聲音檢測是持續成長的類別。語音啟動在智慧家庭應用中很常見,例如智慧音箱,而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞,如電視、遊戲主機與其他新的電器。
在工業環境中,供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正方興未艾。iTSpeex的ATHENA4是第一批專為這些產品設計的語音啟動作業系統。這些產品往往因為安全原因,有離線語音處理的需求,因此終端 AI 語音發展在這裡也創造出有趣的機會。用戶可以指示機器執行特定的運作,並從機器手冊與工廠文件,立即取用資訊。
語音整合在車輛中也相當關鍵。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統,進行大量投資。語音有潛力成為最安全的輸入模式,因為它可以讓駕駛的眼睛持續盯著道路,而雙手仍持續握著方向盤。
對於使用觸控螢幕或硬體控制器通常需要多道步驟的複雜任務,語音辨識系統特別能勝任。這些任務包括輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集,以及選擇廣播電台頻道。其他的服務包含如拋錨服務(或bCall)與禮賓服務。
視覺
正如我們之前已經檢視過,終端 AI 提供視覺領域全新的機會,特別是與物件檢測及辨識相關。這可能包括觀察生產線的製造瑕疵,以及找出自動販賣機需要補貨的庫存。其他實例包括農業應用,例如依據大小與品質為農產品分級。
曳引機裝上機器視覺攝影機後,我們幾乎可以即時檢測出雜草。雜草冒出後,AI可以分類雜草並估算它對農產收穫的潛在威脅。這讓農民可以鎖定特定的雜草,並打造客製的除草解決方案。機器視覺然後可以檢測除草劑的效用,並找出農地中仍具抗藥性的殘餘雜草。
使用場景
預測性維護工具已經從擷取與比較震動的量測資料,進化到提出即時的資產監控。藉由連接物聯網感測器裝置與維護軟體,我們也可能做到遠端監控。
震動分析
這種類型的預測性維護在旋轉型機器密集的製造工廠裡,相當常見。震動分析可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。例如,把震動計量器接上靠近選煤廠離心泵浦內部承軸處,就可以讓工程師建立起正常震動範圍的基線。超出這個範圍的震動,可能顯示滾珠軸承出現鬆動,需要更換。
磁感測器融合
磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器,測量液面的高低。所有的這些應用都使用一個固定面上的磁感測器,它與附近平面的磁鐵一起作動,與這個磁鐵相對應的感測器也會移動。
聲學分析(聲音)
與震動分析相似,聲測方位分析也是供潤滑技師使用,主要是專注在主動採取潤滑措施。這意味我們可以避免移動設備時產生的過度磨損,否則會為了修理造成代價高昂的停機。實際的例子可能包括測量輸送皮帶的承軸狀況。出現過度磨損時,承軸會因為潤滑不足或錯位出現故障,可能造成整個生產流程的中斷。
聲學分析(超音波)
聲音聲學分析雖然可以用來進行主動與預測性維護,超音波聲學分析卻只能用於預測性維護。它可以在超音波範圍內找出與機器摩擦及壓力相關的聲音,並使用在會發出較細微聲音的電氣設備與機器設備。我們可以說這一類型的分析與震動或油量分析相比,更可以預測即將出現的故障。目前它部署起來比其他種類的預防性維護花費較高,但終端 AI 的進展可以促成這種細微層級的聲學檢測,大幅降低部署的費用。
熱顯影
熱顯影利用紅外線影像來監控互動機器零件的溫度,讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置,可以長期檢測微細的變化。與其他對事故敏感的監視器一樣,它們會觸發排程系統,自動採取適當的行動來預防零件故障。
消費者與智慧家庭
將語音運用在消費者與智慧家庭,是最常看到的場景之一。這包括智慧型手機與平板電腦上、未包含電話整合功能的裝置,例如螢幕尺寸有限的穿戴式裝置。這類型的裝置包含智慧手錶與健康穿戴式裝置,可以為各種功能提供免動手的語音啟動。像 Amazon 的 Echo 或 Google 的 Home 等智慧音箱市場的成長,說明消費者對於可接收與提供語音互動等現有裝置的強勁需求,與日俱增。
消費者基於各種理由使用智慧音箱,最常見的使用場景為:
聽音樂;
控制如照明等智慧家庭裝置;
取得新聞與天氣預報的更新;
建立購物與待辦事項清單。
除了像智慧音箱與智慧電視等消費裝置,智慧家庭裝置語音的使用,也顯現相當的潛力。諸如連網門鈴(如 ring.com)等裝置與連網的煙霧偵測器(例如 Nest Protect 煙霧與一氧化碳警報)目前都已上市可供消費者選購,它們結合了語音與視覺的感測器融合功能以及運動檢測。有了連網的煙霧偵測器,裝置在偵測到煙霧或一氧化碳時,可以發出語音警告。
終端 AI 為強化這些能力提供了全新機會,而且常常結合震動(動作)、視覺與語音控制。例如,增加姿態辨識來控制例如電視等家電,或是把語音控制嵌入白色家電,即是以最低成本強化功能性最直接的方式。
健康照護
用來發現醫護資訊的 AI 驅動終端裝置的應用,將為病況的治療與診斷,提供更多的價值。這種資訊可能是資料,也可能是影像、影片以及說出的話,我們可以透過 AI 進行型態與診斷分析。這些資料將引發全新、更有效的治療方法,為整個產業節省成本。受惠於終端 AI 的進展,像 Google Duplex 等語音系統的複雜性將會降低。例如門診預約等勞力密集的工作,也可以轉換成 AI 活動。利用自然語言語音來延伸 AI 的使用,也可以把 AI 用在第一線的病人診斷,然後再由醫師接手提供諮詢。
其他健康照護實例包括像 Wewalk5 等物件,這是一個供半盲與全盲人員使用的智慧拐杖。它使用感測器來檢測胸口水平以上的物件,並搭配 Google Maps 與 Amazon Alexa 等 app,方便使用者提出問題。
結論
由於連網的終端裝置數量越來越多,這個世界也越來越複雜。連接到網際網路的裝置已經超過 300 億個,而微控制器的數量也超過 2,500 億,每年還會增加約 300 億個。越來越多的程序開始進行自動化,不過,把大量資料傳送到雲端涉及的延遲以及邊緣運算的額外費用,意味著許多全新、令人興奮且引人矚目的物聯網使用場景,可能無法開花結果。
解決這些挑戰的答案,並不是為雲端資料中心持續增添運算力。降低出現在邊緣的延遲雖然會有幫助,但不會解決日益分散的世界的所有挑戰。我們需要把智能應用到基礎架構中。
儘管為終端裝置增添先進的運算能力在十年前仍不可行,TinyML 技術近來的提升,已經讓位處相當邊緣的裝置 (也就是終端本身)增添智能的機會大大改觀。在終端增加運算與人工智慧能力,可以讓我們在源頭搜集到更多更具關聯性與相關的資訊。隨著裝置與資料的數量持續攀升,在源頭掌握情境化與具關聯性的資料,具有極大的價值,並將開啟全新的使用場景與營收機會。
終端裝置的機器學習,可以促成全新的終端 AI 世界。新的應用場景正在崛起,甚至跳過傳送大量資料的需求,因而紓解資料傳輸的瓶頸與延遲,並在各種作業環境中創造全新機會。終端 AI 將為我們開啟一個充滿全新機會與應用場景的世界,其中還有很多我們現在想像不到的機會。
附圖:圖1:從集中式到分散式運算的轉變。
(資料來源:《The End of Cloud Computing》,by Peter Levine,Andreessen Horowitz)
圖2:全球上網裝置安裝量。
(資料來源:Strategy Analytics)
圖3:深度學習流程。
圖4:MCU的視覺、震動與語音。
(資料來源:意法半導體)
圖5:AI 工具集執行模型轉換,以便在MCU上執行經最佳化的神經網路推論。
(資料來源:意法半導體)
圖6:物聯網企業對企業應用的使用-目前與未來。
(資料來源:Strategy Analytics)
圖7:促成情境感知的感測器融合。
(資料來源:恩智浦半導體)
資料來源:https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/?fbclid=IwAR0JTRpNsJUl-DmSNpfIcymGQpkQaUgXixEaczwDpELxGCaCeJpkTyoqUtI
神經整合監視系統 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
AI加值智慧製造 鋼鐵傳產乘浪而起
芮嘉瑋/專欄 2021-01-28 02:45
2020年面對COVID-19(新冠肺炎)的襲擊,疫情籠罩之下各行各業幾乎空轉一年,投資購買設備及原料的腳步也都放緩,預期新的一年,隨著疫情穩定與經濟復甦,許多企業勢必加速添購設備和增加庫存料,鋼材需求可望隨著市場回升而轉強,且至少旺到第2季。
舉例來說,在汽車的構造上,有相當高的比例是使用鋼板,包括車門、引擎蓋、後車箱、底盤、車頂等,所以汽車業的好壞,間接影響了鋼材的需求。這2年汽車上游原材料反應了因電動車興起所展開的換車潮,從而鋼市好轉、鋼價高漲,幾乎各國都是如此。
隨著消費型態轉變,產品生命週期縮短,各行各業面臨客製化的挑戰,並在智慧工廠生產流程的訴求下,往往需要智慧機械、智慧製造設備以從事更複雜的生產工作,鋼鐵傳產業也不例外。然而,現有機器人或製造機台受限於原本功能單一又無法擴充的窘境,必須藉由人工智慧、物聯網、大數據等各種新興技術多元化功能的整合,以利製造業數位轉型升級,因應瞬息萬變的市場挑戰,凸顯「智慧製造」的概念是企業轉型升級的唯一出路。
何謂智慧製造?
經歷4次工業革命的演進,第4次工業革命被視為「工業4.0」,且因智慧製造是工業4.0的核心部件,在製造產業兩者幾乎可劃上等號,從而「工業4.0」常被稱為「智慧製造」。
在工業4.0的時代驅動下,現今製造業不斷與數種新興技術結合,從而工業4.0被定義為「製造技術中整合了網路安全(cybersecurity)、擴增實境(AR)、大數據、自主機器人(autonomous robots)、積層製造(additive manufacturing)、模擬(simulation)、系統整合(system integration)、雲端運算(cloud computing)和物聯網等技術使之具有自動化、聯網、數據交換以及智能工廠所需功能的系統平台」 。
因此,智慧製造實際上需要整合以上所述之各種關鍵領域技術的同步發展以建構出相應的產業生態體系,並在生產過程的每一個環節都能達到高度自動化、客製化與智慧化的先進製造模式,使生產環境具備自我感知、自我學習、自我決策、自我執行以及自我適應的能力,以適應快速變化的外部市場需求。
如何利用AI加持智慧製造
由於智慧製造包括連網(connection)、轉化(conversion)、虛擬(cyber)、認知(cognition)和自我配置(configure)等能力 ,其中利用機器學習、深度學習等AI技術使機器具備自我診斷並即時做出判斷的認知能力,就是AI之所以成為智慧製造核心技術之所在,它可以從大量原始數據中自動提取關鍵特徵及製造業中規律性的模式,進而學習過往曾經發生過的錯誤,以提前作預測及預警,藉此不僅可降低停機時間、提升製程效率,也可適時的根據產線作調整。
至於該如何利用AI加持智慧製造,讓我們看看國內鋼鐵龍頭中國鋼鐵股份有限公司(簡稱中鋼公司),在其智慧生產技術中導入AI實現智慧製造的專利布局,提供製造業者掌握AI加值智慧製造,讓工廠轉型升級邁向智慧工廠。
中鋼發明一種透過人工智慧演算模組在生產製程中進行估測及控制的系統(TWI704019),具體而言,係透過人工智慧演算模組所產生的估測鋼帶翹曲模型對鋼帶翹曲量進行估測,而該人工智慧演算模組係利用機器學習模組、深度學習模組或者使用一雲端伺服器模組評估該製程參數及該翹曲量。
該專利提供一種包含熱浸鍍鋅設備100、矯正機構130、感測模組150、人工智慧演算模組160以及最佳化演算模組165的熱浸鍍鋅鋼帶翹曲量估測系統。其中,該人工智慧演算模組160連接該感測模組150及該熱浸鍍鋅設備110,用以收集且評估該熱浸鍍鋅設備110中諸如產線速度、張力、鋼帶鋼種、鋼帶寬度、鋼帶厚度、鋼帶剛性等製程參數及翹曲量,進而可產生估測鋼帶翹曲模型,且該估測鋼帶翹曲模型包含一矯正干涉量,用以供矯正機構130矯正鋼帶。
經過大量數據的累積,該估測鋼帶翹曲模型還可以包含來自該最佳化演算模組165的製程參數最佳值,當類似或相同的製程參數(例如類似或相同鋼種)的鋼帶需要進行熱浸鍍鋅時,該估測鋼帶翹曲模型就會顯示諸如最佳張力、最佳產線速度、最佳矯正干涉量等製程參數最佳值,供操作者參考,從而獲得翹曲量最少且鍍鋅厚度一致的鍍鋅鋼帶。
再者,由於一般的鋼捲產品需要經過諸如煉鋼、熱軋和冷軋等許多生產階段,為了讓產品的機械性質符合預定的規範,過去往往依賴人為經驗調整生產階段的製程參數,然而,人為經驗難以即時反應生產線狀況,中鋼就此發明一種適用於一軋延系統之製程參數的調控方法(TWI708128),當執行完一部分的生產階段以後,可以即時地計算下一個生產階段的製程參數,其中之製程參數的調控方法包括根據歷史資料建立一機器學習模型,後續並將測試資料輸入至機器學習模型以預測目前產品的機械性質等步驟。
在該專利之軋延系統的運作流程示意圖中,在步驟220,可根據這些歷史資料來建立一個機器學習模型221,此機器學習模型221是要根據生產參數來預測產品諸如拉伸強度、降伏強度和伸長率等的機械性質,換言之在訓練階段中生產參數是作為機器學習模型221的輸入,機械性質則作為機器學習模型221的輸出。機器學習模型221可以是卷積神經網路、支持向量機、決策樹或任意合適的模型。
在步驟230,對目前在線上的產品執行部分的生產階段。在步驟240中,將測試資料輸入至機器學習模型221以預測目前產品的機械性質,並判斷所預測的機械性質是否符合一規範。在步驟250中,依照預設生產參數進行下一個生產階段。
如果步驟240的結果為否,則執行一搜尋演算法以取得最佳的生產參數,並據此實施下一個生產階段(步驟260)。其中,執行搜尋演算法以取得調控後參數的步驟包括:設定一利益函數;將尚未完成生產階段的可調控參數與線上資料合併後輸入至機器學習模型以取得預測機械性質,並根據利益函數計算出預測機械性質的誤差值;以及取得最小誤差值所對應的可調控參數以作為調控後參數。
此外,中鋼亦發明一種設備監診方法(I398629),係在設備故障監診分析流程的邏輯下導入類神經網路(neural network)之人工智慧,以便在決策分析時有效解決故障類型分類方面問題。
給台灣製造業的建議與展望導入AI技術、配合感測器收集各類數據以及大數據分析進行諸如產線異常診斷或品質監控,以維持機器正常運作無虞是智慧工廠有效運作的基礎。然而,智慧製造除了藉由智慧機械建構智慧生產線、透過雲端和物聯網分析資料、AI自主監測診斷調整產線產能之外,虛實整合系統(或稱網路實體系統,Cyber-physical systems)也是構成工業4.0創建智慧製造所需的功能之一,整合物理模型、感測器資料和歷史數據,在虛擬空間即時模擬呈現生產狀態,透過遠程監視或跟踪與工廠現有的資訊管理系統緊密整合,建立完整資訊生態系統才能透過AI即時彙整資訊進行決策。
未來製造業仍將是全球產業不可或缺的一環,隨著工業4.0的蓬勃發展,台灣製造業在邁向智慧製造過程中,所有智慧化的步驟都需要運用AI來執行分析、診斷、預測或決策等工作,欣見國內鋼鐵龍頭已率先落實AI加值智慧製造,然而若能整合虛擬(Cyber),強化與工業物聯網之整合,更可提升透過AI提高組織運作效率及效能的目的。
過去製造業藉由大量生產與低價競爭已非決勝關鍵,如何協助國內產業在後疫情時代轉型升級,是當前的重要議題。持續強化在地製造業與資訊業領域的技術整合優勢,透過機器學習、類神經網路或深度學習等AI技術的導入,並與使用者/消費者連結形成完整的製造服務體系,將可望從傳統製造體系中依賴人為經驗、人力需求及規格一致的常態,轉換為自動化、客製化、智慧化和靈活彈性化的智慧製造。本文以鋼鐵龍頭之典範轉移為例,以期台灣所有製造產業均應具備智慧製造的軟硬實力,才能持續在全球製造體系中發光發熱。
附圖:鋼帶翹曲量估測及控制系統結構示意圖。芮嘉瑋
台灣專利號I708128之軋延系統的運作流程示意圖。芮嘉瑋
資料來源:https://www.digitimes.com.tw/tech/dt/n/shwnws.asp?cnlid=1&cat=140&id=0000602586_r1c6gnef7wl2247ink60m
神經整合監視系統 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
德勤發佈2020技術趨勢報告:五個新趨勢可引發顛覆性變革
北京新浪網 10-26 18:12
來源:產業智能官
「2020 年的趨勢將顛覆整個行業,並在未來十年重新定義業務,即使數字創新已成為各種規模企業的常規行為。」德勤管理諮詢新興技術研究總監兼政府及公共服務首席技術官 Scott Buchholz 在一份報告中如是說。
近日,《德勤 2020 技術趨勢報告》(中文版)正式發佈(以下簡稱《報告》),報告指出了五個可能在短期內引發顛覆性變革的關鍵新興趨勢:「數字孿生:連結現實與數字世界」;「架構覺醒」;「技術道德與信任」;「人感體驗平台」;「財務與 IT 的未來」。
值得注意的是,這是德勤第十一年發佈技術趨勢年度報告。今年的技術趨勢報告繼續在開篇回顧了 11 年來的技術趨勢發展,展示了技術趨勢隨時間推移的演進全過程以及最新宏觀科技力量作為業務轉型基礎帶來的共生效益和不久的未來的新興科技力量。與此同時,《報告》還指出,未來三大顛覆性技術(即環境體驗、指數智能和量子技術)正蓄勢待發,我們將在本世紀20年代末開始感受到它們的影響。
一、九大宏觀科技力量
隨著以技術為驅動的創新的空前擴張,一場高風險的「打地鼠」的競爭遊戲由此展開,企業利用技術保持先進的能力將決定其生死存亡。
過去十年內,數字化體驗、分析技術和雲技術為各項技術賦能,展現了他們自身的價值,已然成為眾多企業有效地推進戰略和新商業模式的核心基礎。接下來十年中,數字現實、認知技術和區塊鏈將成為企業變革的顛覆性驅動力。它們的應用範圍將越來越廣,各行各業的案例成倍增加。技術業務、 風險和核心系統現代化是驅動企業變革和創新的基礎技術,它們需要保持穩定、強勁、可持續發展。
基於此框架下討論新興技術,可以簡化技術進步對企業所造成的顛覆性影響。同時,圍繞九大宏觀科技力量衍生更多細分領域和更加細化的技術創新點和趨勢點。
十年前我們首次探索數字化體驗、分析技術和雲技術之時,只能看到其中的可能性,並不能確切地估測 它們的影響。現如今,這些技術已經為大家所熟知,並在對業務、運營模式和市場造成了顛覆性影響之 后,發展勢頭依舊迅猛。
(1)數字化體驗
數字化體驗依然是企業變革的重要驅動因素。實際上,在德勤 2018 年全球 CIO 調查報告 中,64% 的參與者表示接下來的三年裡,數字化技術將對他們的業務造成影響。在去年的超越營銷:體驗重塑中,我們已經審視了這一趨勢,企業正逐漸摒棄傳統意義上以獲客為核心的營銷模式,轉而致力於創造更多以人為本的互動——包括與其員工和商業夥伴的互動。
(2)分析技術
分析技術包括能夠提供深刻洞察的基本技術和工具。數據管理、數據治理以及數據運營體系這些重要因素不僅僅是人工智慧項目的核心基礎。同時,鑒於企業內對數據儲存、數據隱私和數據使用的嚴格要求,這些重要因素也是必須面對和考慮的重大策略點。
60%的首席信息官(CIO)表示,在未來的三年內, 數據和分析技術將對他們業務帶來影響。但這個問題正變得更具挑戰性。「靜止的數據」 和「使用的數據」這兩個久經考驗的概念被「動態數據」所連接,藉助工具和平台動態數據進而支持數據流、數據攝取、數據分類、儲存和訪問。值得欣喜的是,雲技術、核心系統重塑、認知技術和其它技術正在為異常複雜的挑戰帶來全新的解決方案。
(3)雲技術
雲技術已經全面深入企業。90% 的企業在使用基於雲技術的服務,並且這一比例有增無減。實際上,就信息技術領域的投資預算來看,接下來三年內對雲技術的投資會翻倍。正如我們 2017 年所預計的那樣,雲技術已經不僅僅只是作為基礎應用,它帶來了 「一切即服務」 的藍海,使任何 IT 能力都可以變成基於雲的服務供企業使用。在眾多企業當中,少數超大規模企業主宰了公有雲和雲技術服務市場,在雲技術的賦能下,為其它宏觀力量的進一步創新提供基礎和平台,例如分析技術、雲技術、區塊鏈、數字現實,以及未來的量子技術。
雲技術還驅動我們思考並重塑一些陳舊的企業管理和業務職能。
當今的顛覆性驅動力(即數字現實、認知技術和區塊鏈)都是由體驗、分析技術和雲技術發展而來。未 來十年,這些新的趨勢雖然不再新鮮,但它們將和過往的重大趨勢一樣,在人們持續深刻的理解和應用 中,推動重要的變革。
(4)數字現實
數字現實技術,包括 AR/VR 、混合現實、語音交互、語音識別、普適計算、360°全方位攝像和沉浸式技術等,幫助用戶突破鍵盤和屏幕的禁錮,與用戶感知無縫銜接,用戶可更加自然地參與互動。數字現實的目的是打破傳統的空間界限,讓人與底層技術進行自然、本能、甚至下意識的互動。
(5)認知技術
機器學習、神經網路、機器人流程自動化、機器人程序、自然語言處理、以及更廣泛的人工智慧領域等認知技術可能推動所有產業變革。這些技術將人機互動個性化、場景化,通過 定製化語言或圖像信息,驅動業務流程,實現無人值守。
企業對認知技術的需求大幅增長一一互聯網數據中心(IDC)預測 2022 年 企業此項支出將達 776 億美元,與此同時,信任和技術道德問題也迫在眉睫。
(6)區塊鏈
德勤 2019 年全球區塊鏈調查報告中,超過半數的參與者表示區塊鏈技術至關重要,較前一 年增長了 10% 。83% 的人能夠明確構思區塊鏈技術的實際應用,較前一年增長了 9% 。調查結果顯示,2019 年,企業已經不再討論「區塊鏈是否可行?」,轉而關注「我們該如何利用區塊鏈?」
金融服務和金融科技公司持續領航區塊鏈技術的發展,但其它領域也開始推行區塊鏈技術, 尤其是政府、生命科學與醫療健康、科技、媒體、通訊等領域。
再提技術業務、風險和核心系統重塑似乎有些枯燥無味,但不可否認,它們是業務的核心所在。企業在這些已經發展很成熟的領域,依然繼續進行著可觀的投資。綜合來看,正是因為它們不僅為數字化轉型、創新與增長提供了可靠的、可規模化的基礎,也是在分析技術、認知技術、區塊鏈等顛覆性技術成功投資的必要條件。
(7) 技術業務
隨著技術應用與業務戰略的融合,技術業務也在不斷發展。隨著企業更多地通過重塑 IT 來實現運營效率提升和與業務部門合作者一起進行價值創造,很多 IT 團隊通過實施促進跨業務協作的開發體系(如敏捷和 DevOps ),逐漸將傳統的項目制交付調整為產品化運營。
強大的技術功能讓企業更敏捷地響應技術驅動的市場和業務的變化。一隻強大的數字化技術運營團隊能夠幫助企業迅速回應技術對市場的影響以及相關業務挑戰。
(8)風險
在以創新為驅動力的時代,企業面臨的風險遠遠超越了傳統的網路風險、監管風險、運營風險及財務威。2019 年的 CEO 和風險管理調查報告指出,企業最大的風險廣泛涉及新顛覆性技術、創新、生態系統合作夥伴、企業品牌及名譽、文化等。對此,很多公司清楚地意識到他們還未對此類風險做好準備,或沒有想法在管理此類風險方面進行投資。
除合規和安全的必要要求,企業還面臨新興技術對產品、服務和商業目標的潛在影響,這些使得企業正在把更為廣泛的信任作為企業戰略。
(9)核心系統現代化
核心系統現代化體現了數字化轉型、用戶期望及數據密集型演算法給核心系統的前台、中台和後台帶來的持續性壓力。無論是在財務數字化、實時供應鏈,還是在客戶關係管理系統,核心系統都承載了關鍵業務流程。
在如今這個即時、持續和定製交互的時代,企業需要降低整體的技術負債。實現核心系統 現代化的成熟舉措,比如重塑現有的遺留系統,更新 ERP 系統及重寫其他系統,這些目前來講尤為重要。
二、未來三大顛覆性技術
隨著三大顛覆性技術(即數字現實、認知技術和區塊鏈)崛起,並準備在未來十年為業務做出重大貢獻 的同時,未來三大技術發展和創新的新星(環境體驗、指數型智能和量子技術)正蓄勢待發。我們將在 本世紀 20 年代末開始感受到它們的影響。
a:環境體驗
環境體驗展望了這樣一個構想:在未來,技術只是環境的一部分。計算設備的功率不斷增加,體積不斷縮小。這些越來越小的設備將我們的輸入從非自然的(指向、點擊和滑動) 演變為自然的(說話、手勢和思考),它們與我們的交互從被動的(回答問題)變成主動的(提出意料之外的建議)。
隨著設備變得無縫和無處不在,它們和我們越來越密不可分。想像未來的世界,一些微小的,已連接的,內容感知的設備被嵌入辦公室、家中或者其他地方,成為背景活動的一部分。例如,你如果在腦海中想「我要在一個小時之內出發去機場」,就能觸發一系列背景活動,包括安排航班值機,準備可供生物特徵識別的虛擬登機牌,將無人駕駛汽車目的地設置為正確的航站樓,將家中的智能系統狀態調為「離開」,以及暫停出差期間的快遞服務等等。
b:指數智能
指數智能建立在當今認知技術能力上。如今,機器智能能夠發現數據中蘊藏的規律,但是無法判斷這些規律是否有內在的意義。同時,它目前還缺乏識別和響應人類互動和情感的細微差別的能力。而且,機器智能的認知能力還非常有限,比如機器能夠打敗國際象棋大師,卻不能理解房間發生了火災需要逃跑。
未來有無限可能。隨著對語義和符號識別的理解,機器逐漸能從假想的相關中梳理出真實的因果關係。藉助來自人感訥驗平台的技術組合,我們的虛擬助手將越來越能夠識別並適應我們的情緒。隨著研究人員開發出更廣義的智能,指數智能將超越統計和計算的層面。我們敢說,最終,這將導致更有能力的人工智慧誕生。
c:量子技術
量子技術利用亞原子微粒的反直覺特性處理信息,進行新型計算,實現「不可非法侵入式」 交流,技術微型化等等。量子計算中,這些量子比特(或量子位)的特殊屬性有可能發生 指數型變化。通過操縱單個粒子,量子計算機將能夠解決某些高度複雜的問題,這些問題 對於目前的超級計算機來說,太大,太雜亂,包括從數據科學到材料科學。
隨著研究者們不斷突破技術限制,量子計算機將逐漸取代傳統的計算機。數據科學家將能 夠處理前所未有宏大的數據量,並從中獲取相關性信息。材料科學家利用量子比特模擬原 子,這是無法在傳統計算機上實現的。同時,在通訊、物流、安全、密碼學、能量等不同領域,我們都能預見無限可能。
為了幫助大家更好的理解各類前沿技術動態,基於宏觀科技力量及其可被預期的時間範圍,報告歸納整理了一張完整的統一化視圖。
三、五大關鍵新興趨勢
一)技術道德與信任
技術變革常態化的同時,贏得全方位的信任變得更具挑戰——但也充滿機遇。
隨著數字技術的出現,企業要用戶以新的更深層次的方式信任他們,過去是獲取用戶個人信息,現在則是通過數字痕迹追蹤用戶的線上行為。同時,技術引起的問題也經常成為新聞頭條,例如安全漏洞、不當或非法監視、個人信息濫用、虛假信息傳播、演算法歧視、缺乏透明度等等。這些事件導致利益相關方之間不信任(包括客戶、僱員、合作 夥伴、投資者和管理者),嚴重損害企業聲譽。的確,消費者對商家的信任正在逐漸下降,人們對公共機構的態度也越來越謹慎,員工則要求企業明確闡述其核心價值觀。
德勤 2020 年全球市場趨勢報告中提到,當今時代,品牌信任對企業來講尤為重要,關係到企業的方方面面。無論是客戶、監管機構,還是媒體,都期望品牌商在其開展業務的各個領域都是開放、誠信和始終如一,從產品生產、促銷活動、到員工文化和合作夥伴關係維護等。
被技術顛覆的企業,它的每一個方面都意味著可以贏得或失去任何一個客戶、員工、合作夥伴、投資者和/或監管機構信任的機會。如果領導者能夠充分貫徹企業價值觀和技術道德觀,努力履行「做好事」的承諾,企業就能夠與利益相關者建立長期牢固的信任關係。在這種情況下,信任就變成了一個全方位的 承諾,並且確保信任是企業的技術,流程,人員都在共同努力維護的基礎。
技術道德這一術語指的是不局限於或側重於任何 一項技術的綜合價值觀,這個價值觀是指導企業對技術使用的整體方法及通過部署這些技術驅動業務戰略和運營企業應考慮主動評估如何以符合公司宗旨和核心價值觀的方式使用技術。
在數字時代,信任是個複雜的議題,企業面臨著無數的生存威脅。雖然顛覆性技術通常會給企業帶來指數型增長,但僅憑技術卻無法建立長期信任。因此,領先企業們正在通過全方位的維持利益相關者所期望的高度信任。領先企業們正在嘗 試通過各種方式,來維持利益相關者所期望的高度信任。
人工智慧、機器學習、區塊鏈、數字現實和其它 新興技術正以前所未有的速度和深度融入我們的 曰常生活。企業該如何通過客戶、合作夥伴和員工使用這些技術來構建信任呢?
解讀企業價值觀。
如今,技術根植於業務,機器學習也驅動著業務決策和行為,因此,必須先了解企業的技術解決方案,才能進一步解讀和評價企業價值觀。數字化系統可以被設計用來減少偏差,讓企業能夠遵循自己的原則運 營。
保障措施可以防止用戶以不健康或不負責任的方式使用技術,從而幫助提高利益相關者的利益。例如,一家公司對可能成癮的遊戲強制限定遊戲時間和遊戲花費一個內容提供商提醒用戶關注信息來源的準確性;雲計算提供商在 戶超出其預算之前自動發出警報。
建立強大的數據基礎。
如果不能系統性地、統一地追蹤數據內容及來源,並確定可訪問數據的人員,就沒有辦法營造良好的信任環境。強大的數據基礎讓利益相關者擁有共同的願景, 為數據負責,採用安全的技術手段實現有效的數據管理。管理者需要讓利益相關者了解他們提供的數據將如何運用,此外,除非為了法律或監管的目的,在利益相關者要求時須刪除相關數據。
強化防護措施。
德勤 2019 年未來網路調查報告顯示,管理者為網路問題花費的時間越來越多,網路防禦體系意味著您要 保護您的客戶、員工和商業合作夥伴,讓他們遠離與他們——或者說你們——的價值觀不同的群體。從最開始就需要建立並實施網路安全風險策略略,並將其貫穿於商業運營和政策制定的全過程,這絕不僅僅是信息技術部門的問題。企業領導者應當與信息技術部門一起制定全面的數字安全風險策略,考慮安全、隱私、 誠信和保密等各方面,增強利益相關者的信任,提高企業競爭力和優勢。因此,需要評估企業的風險容忍度,明確弱點所在,並判斷企業最具價值的數據和系統,制定風險緩解策略和恢復計劃。
二)財務與 IT 的未來
IT 和財務領導者共同努力為創新融資尋找靈活的途徑。
德勤的研究發現,56% 的首席信息官(CIO)期望應用 Agile, DevOps 或類似的靈活 IT 交付模式,來提高 IT 的響應能力並激發更廣泛的創新的雄心。
但目前有些難以克服的障礙阻礙這些努力:資金的來源和分配。IT 的運營和開發流程正變得越來越靈活,更加側重產品,而財務部門仍舊按照過去數十年的方式來制定預算、融資和財報。結果顯而易見:IT 需求與財務流程之間的矛盾。若這個問題得不到解決,那麼它可能會破壞首席信息官(CIO)的創新計劃,乃至整個企業的戰略目標。
IT 對資金的需求與財務的漫長流程之間的矛盾並非形成於一夜之間。而是在過去十年中曰漸累積。雲技術和平台技術一步步地顛覆了傳統運營模式,迫使財務部門不得不重新評估財務管理方法。
《報告》指出這種變革體現在三方面:
從資本支出轉向運營支出
從在現場轉型到基於雲的系統,涉及大量的支出從資本支出轉移到運營支出。事實上,團隊一直都有一些資本支出和運營支出。新的準則是「誰開發誰管理」。從會計的角度而言,短期運營支出增長會影響季度財報。
衡量難以捉摸的投資回報率。
技術創新舉措通常是難以達到內部收益率預期的嘗試,可能產生正回報也可能不會。在財務及短期收益上, 創新投資通常不具備傳統 IT 項目的信心水平, 因此這類投資往往也很難通過標準管理流程獲得有力支持。在某些情況下,這會導致財務部門難以建立精確的流程,來跟蹤長期投資回報率。例如,對於無限期重複使用的平台這類的固定預算投資,跟蹤其投資回報率更是難上加難。
計算交付價值。
根據德勤《 2018 年全球首席信息官(CIO)調查報 告》,65% 的受訪者表示他們在評估 IT 投資時, 通常採用具體案例具體分析的方法,而不是遵循常規財報流程。顯然,在評估 IT 帶來的價值這件事上,首席信息官 (CIO )與首席財務官 (CFO)不在同一立場。
作為財務與未來的T趨勢的一部分,我們預計有更多首席信息官(CIO)、首席財務官(CFO)以及他們各自的團隊,將會積極探索解決這些及其他在融資、會計與財報上所面臨的挑戰的方法。
三)數字孿生技術
利用下一代數字攣生技術助力企業設計、優化和轉型。
當下,企業正以多種方式使用數字彎生技術。在汽車和飛機製造領域,數字彎生技術逐漸成為優化整個製造價值鏈和創新產品的重要工具;在能源領域,油田服務運營商通過獲取和分析大量井內數據,建立數字模型,實時指導鑽井作業在醫療保健領域,心血管研究人員正在為臨床診斷、教育、培訓,創造高模擬的人類心臟的數字彎生體;作為智慧城市管理的典型案例, 新加坡使用詳細的虛擬城市模型,用於城市規劃、維護和災害預警項目。
數字彎生可以模擬物理對象或流程的各個方面。它們可以展現新 產品的工程圖和尺寸,也可以展現從設計到消費者整個供應鏈中 所有子部件和相應環節——即」已建成「數字彎生,也可採用 「即維護」模式——生產車間設備的實物展現。模擬模型可以捕獲 設備如何操作,工程師如何維護,甚至該設備生產的產品如何與客戶關聯。數字彎生可以有多種形式,但它們無一例外都在捕獲和利用現實世界的數據。
數字孿生髮展勢頭迅猛,得益於快速發展的模擬和建模能力、更好的互操作性和物聯網感測器, 以及更多可用的工具和計算的基礎架構等。因此, 各領域內的大小型企業都可以更多地接觸到數字孿生技術。IDC 預測,到 2022 年,40% 的物聯網平台供應商將集成模擬平台、系統和功能來創建數字孿生,70% 的製造商將使用該技術進行流程模擬和場景評估。
與此同時,通過訪問大量數據,使得創建比以往更為詳細、更為動態化的模擬成為可能。對於數字孿生的長期用戶而言,這就好比從模糊的黑白快照過渡到彩色高清數碼照片一樣,從數字源中獲取的信息越多,最後呈現的照片就越生動逼真。
長期來看,若想要實現數字孿生技術的全部潛力, 可能需要集成整個生態圈內的系統和數據。創建 一個完整的客戶生命周期或供應鏈(囊括了一線供應商和其自身的供應商)的數字化模擬,可以提供富有洞察力的宏觀運營觀點,但仍然需要將外部實體整合到內部數字化生態系統內。直至今曰,大多數企業仍對點對點連接之外的外部集成感到不滿意。克服這種猶豫可能是一個長期挑戰, 但最終,所有的付出都將是值得的。未來,期望企業會利用區塊鏈打破信息孤島,繼而驗證信息並將其輸入數字孿生體中。這可以釋放先前無法訪問的大量數據,從而使模擬更加細節化、動態化、更具潛在價值。
四)人感體驗平台
通過Al、神經科學、人本設計重塑人機聯接。
人感體驗平台趨勢顛覆了傳統的設計方法,它首先確定我們想要實現的人性化和情感體驗,而後決定使用何種情感和 AI 技術組合能夠達成這一效果。企業將面臨的一大挑戰是,如何針對不同的客戶群體、員工群體和其它利益相關者,確定能引起他們共鳴和引發他們情緒的具體響應或行為,並進一步開發情感技術,使其能夠識別和複製某一段體驗中的特質。
在不久的未來,我們將會看到人們對人性化的技術需求曰益增長。在數字化革命進程中,我們目前進入到一個階段,就是每個人之間未必有 接,但每個人一定都與技術有聯結。我們正在消除流程和交互,直接與機器互動。因此,我們渴望我們正在迅速失去的東西:有意義的聯結。為此,我們期望技術能夠用更 加人性化,更人道化的方式跟我們互動。設計能夠滿足這一期望的技術需要對人的行為有更深刻的洞察,並不斷創新,以提高我們預測和響應人們需求的能力。不久的將來,人感體驗很有可能會帶來長久的、可持續的競爭優勢。
五)架構覺醒
演進架構師角色,從而轉變系統架構並支持業務 發展的速度。
越來越多的技術領導層和高管們逐漸意識到,如今,技術架構領域的科學在戰略上比以往任何時候都更加重要。事實上,為了在技術創新顛覆的市場中保持競爭力,已成立的企業需要不斷演 他們的架構一一這一過程可以從改變技術架構師在企業內扮演的角色開始。
這種轉變的目的非常明確:把經驗最豐富的架構師安排到最需要他們的地方——即加入到設計複雜技術的軟體開發團隊中。一旦這些架構師被重新部署和賦能,他們便可幫助簡化技術棧, 提升技術敏捷性,從而為新興企業獲得市場優勢。另外,他們還可以直接負責實現業務成果,解決架構難題。
此外,擁抱架構覺醒這一趨勢的企業將開始重新定義架構師角色,使其更具協作性、創新性,並能對利益相關者的需求做出回應。具有全局觀的架構師可能會發現,自己正在多部 門混合的項目團隊中,與專注於應用程序的架構師 以及來自 1T 和業務部門的同事共同作戰。未來,他們的使命將不僅是利用傳統的架構組件,還要利用顛覆性力量(如區塊鏈、AI、及機器學習)大胆創新。
資料來源:https://m.news.sina.com.tw/article/20201026/36690918.html