本文翻譯自《Industrial IoT Artificial Intelligence Framework》，原始來源：https://www.iiconsortium.org/pdf/Industrial-AI-Framework-Final-2022-02-21.pdf。本翻譯作品僅供參考，遵循 Industry IoT Consortium 使用資訊 - 使用條款、條件和通告。作者和貢獻者對原文内容享有版權。請閱讀原文以了解詳細資訊和權限限制。
作者 AuthorsWael William Diab, Alex Ferraro, Brad Klenz, Shi-Wan Lin, Edy Liongosari, Wadih Elie Tannous, Bassam Zarkout.
4.4 通用工業人工智能功能架構
工業人工智能是在更大的系統中實作越來越智能的工業營運的核心功能。工業人工智能功能依賴于底層服務，例如資料收集、清洗、存儲和通路，模型建構和執行的運作時支援，以及內建架構和API，以支援工業營運或業務應用（圖4-6）。
資料對于工業人工智能的模型訓練和執行都是基礎性的。對于給定的工業應用環境，工業人工智能的資料支援通常由某些資料平台提供，用于資料收集、清洗、存儲、通路和其他資料管理功能。
資料平台為建構和運作人工智能模型提供了曆史和實時的基礎。當使用曆史資料在模型建構平台或環境中建構人工智能模型（包括探索、訓練和驗證）時，所得到的模型部署在運作時平台上，使用實時資料運作，并且在許多情況下還使用曆史資料，例如使用滑動時間視窗的曆史和實時資料（最後的資料點）進行預測。
人工智能模型可以以批處理模式運作，模型定期或按需調用，也可以以流式處理模式運作，模型運作是由新的實時資料到達觸發的，或者可以采用兩種模式的混合方式。人工智能模型的運作模式取決于所支援的工業應用的要求。
圖4-6. 工業人工智能進階功能元件。
上述的工業人工智能的通用功能架構是一種通用的概念，無論是部署在遠端資料中心、本地資料中心還是邊緣端都适用。通常，模型建構平台與模型運作平台是分開的，但兩者應共享相同模型的支援能力，隻是容量上可能有所差異。
通常情況下，模型的訓練需要處理大量的資料，而模型的運作每次調用時涉及的資料量較小，特别是在流式模式下。在某些情況下，模型可能具有自學習能力，并且可以在運作時重新訓練或調整自身。在這種類型的自學習模型的輸出可能影響機器或過程運作的情況下，必須實施嚴格的驗證和條件，以防止意外的結果。
模型建構平台通常需要比運作平台更大的處理能力。另一方面，運作平台可能需要連續運作，特别是在流式模式下，而模型建構平台隻在進行模型建構或改進時才需要運作。
對于模型建構的資料平台的曆史資料通路可以是線上的（模型建構過程可以線上通路資料平台），也可以是離線的（所需資料可以從資料平台下載下傳以供模型建構，甚至可以從其他來源擷取）。
4.5 系統內建問題
系統內建（SoS）是一組獨立且分布式的嵌入式和實體系統，動态組合形成一個新的更複雜的系統，具有新的功能和特性，并且受到各個組成系統中未表現的新目标的驅動，包括：
- 獨立運作的個别系統：SoS由獨立且有用的元件系統組成，每個系統能夠獨立地執行有用的操作，而不受其他系統的影響。
- 系統的管理獨立性：元件系統可以獨立運作，同時可以實作預期的目标。
- 地理分布：元件系統的地理分布通常很廣，它們之間經常交換資訊和知識。
- 新興行為：SoS可以執行不屬于任何元件系統的功能和目标。
- 演化開發：系統內建永遠不會完全成形或完善。這些系統的發展是随着時間的推移而逐漸演化的，随着系統的增長和演化，其結構、功能和目标會不斷添加、删除和修改。
圖4-7展示了電動汽車充電領域的一個系統內建示例。每個系統本身都是一個系統內建中的元件系統。在這個示例中，人工智能能力可以嵌入到系統內建層級的不同級别上。
圖4-7. 電動汽車充電領域的系統內建示例。來源：Artemis。
在實施的各個階段，包括需求定義、技術選擇和AI系統的實際實施，都必須考慮到本節開頭提到的特征。在系統內建中設計和實施AI系統時，還必須考慮到系統內建的設計和實施挑戰，包括架構（多技術、利益相關者和演化性質）、系統元件之間的互操作性、嵌入式對象的可組合性以及系統內建的系統工程。
4.6 工業人工智能的應用範圍
工業人工智能可應用于分布在工業物聯網系統中的不同領域，并根據不同的時間尺度進行調整。所需的架構可以在IIC（工業網際網路聯盟）工業網際網路參考架構（IIRA）的功能領域背景下進行分析。
在IIRA中，端到端的工業物聯網系統在功能上被分解為五個功能領域：
- 控制：感覺、通信、執行、運動和執行操作
- 營運：供應、管理、監控、診斷和優化
- 資訊：資料融合、轉換、持久化、模組化和分析
- 應用：邏輯、規則、內建、人機界面
- 業務：企業和人力資源、客戶關系、資産、服務生命周期、計費和支付、工作計劃和排程。
控制領域是由工業裝置或控制系統執行的核心功能集合。營運領域是為了確定工業裝置和控制系統的持續運作而進行的管理和維護功能的集合。資訊領域是收集、轉換和分析資料，以擷取整個系統的進階智能的功能集合。
應用領域是一組根據資訊領域獲得的資訊應用特定用例邏輯、規則和模型，以實作系統範圍内的營運優化或其他業務目标的功能集合。業務領域是一組在業務系統和應用程式之間內建資訊以實作業務目标的功能集合。
工業人工智能可以應用于控制領域的邊緣，為控制回路提供實時營運洞察，以滿足毫秒級或更短時間内的分析響應需求。邊緣人工智能的示例包括自動駕駛車輛和智能工業機器人。在這個時間尺度上的分析往往具有流式特性并自動應用。
工業人工智能還可以應用于應用和營運領域，以提供機器洞察，實作自動故障檢測和診斷、預防性維護（例如例行裝置檢查和維修）或用于優化機器或資産組合的營運。營運時間尺度通常需要在幾秒鐘或更長的時間範圍内做出分析響應。
在營運時間尺度上，人工智能也往往具有流式特性，并自動應用。工業人工智能還可以應用于業務領域，提供洞察力，實作智能業務流程（例如戰略規劃）和産品設計與工程流程。
分析結果在規劃時間尺度上應用，通常需要在幾天或更長時間範圍内做出分析響應。它既包括實時自動應用的流式分析結果（例如用于現場維修的工作和機器部件排程），也包括基于按需查詢進行批處理處理的分析結果。請注意，上述使用的術語"分析"包括人工智能機器學習分析。
Copyright © 2022, Industry IoT Consortium®, a program of Object Management Group, Inc. (“OMG®”). All other trademarks in this document are the properties of their respective owners.
All copying, distribution and use are subject to the limited License, Permission, Disclaimer and other terms stated in the Industry IoT Consortium Use of Information – Terms, Conditions & Notices, as posted at https://www.iiconsortium.org/legal/index.htm - use_info. If you do not accept these Terms, you are not permitted to use the document.
This document is a work product of the Industry IoT Consortium Industrial Artificial Intelligence Task Group, chaired by Wael William Diab.
Editorial Team: Bassam Zarkout (Chief Editor) and Wael William Diab (Editor).
Authors: The following persons contributed substantial written content to this document: Wael William Diab, Alex Ferraro (PwC), Brad Klenz (SAS), Shi-Wan Lin (Thingswise), Edy Liongosari (Accenture), Wadih Elie Tannous (AASA), Bassam Zarkout (IGnPower).
Contributors: The following persons contributed valuable ideas and feedback that significantly improved the content and quality of this document: Eric Harper (ABB), Salim Abi-Azzi (Dell).
Technical Editor: Stephen Mellor (IIC staff) oversaw the process of organizing the contributions of the Authors and Contributors into an integrated document.