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 功能視角
功能視角（圖4-1）關注工業人工智能系統中的功能元件、其結構和互相關系，以及系統與外部元素的關系和互動，以支援整個系統的使用和活動。
圖4-1. 工業人工智能架構的功能觀點及其利益相關者。來源：IIC。
4.1 架構目标和限制條件
對工業人工智能的功能元件進行讨論需要基于對建構和使用工業人工智能模型的基本了解。人工智能模型是實作特定問題解決算法的單個或一組計算機程式。
人工智能模型的一個關鍵特點是其能夠從資料中學習。Tom M. Mitchell給出了一個關于計算機程式學習的經典定義：“如果計算機程式在某類任務T上以P衡量的性能随着經驗E的積累而提高，那麼就可以說該計算機程式從經驗E中學習了。”
在我們讨論的背景下，經驗包含或呈現在從特定環境或上下文中擷取的資料中（明顯或隐藏）。利用人工智能，特别是機器學習模型的過程通常包括兩個主要階段，即模型建構和模型執行（使用），如圖4-2所示。
在模型建構階段，我們需要從真實環境中收集的資料建立和驗證針對特定問題領域的模型。在模型執行階段，模型建構階段得到的模型可以部署到系統中，以在來自真實環境（運作時）的資料上檢測模式并進行預測。在這個階段，可以嘗試使用各種算法，有時會将一組算法組合在一起或以內建方式來獲得最佳結果。
圖4-2. 人工智能/機器學習模型流程。
模型建構通常是一個疊代的過程，涉及算法的探索、訓練、微調和驗證。即使在模型最初部署到運作時之後，也可以使用新資料對其進行重新訓練，然後将更新版本的模型重新部署到運作時，以提高其準确性或覆寫更廣泛的問題空間或條件。
在模型執行階段，模型的執行可以根據問題的性質以幾種模式進行。
即時或按需、定期批處理執行：模型根據某些事件或計時器的觸發進行按需運作。例如，在預測性維護中，可以定期運作一個預測機器維護需求的模型，或者在積累了大量資料時運作，例如當從油井獲得資料進行詳細的大規模分析時。
準實時執行：隻要有新的資料可用，模型就會持續運作。例如，對工業爐進行實時監控以檢測操作異常的模型可能會持續運作，隻要從正在運作的爐子收集到資料。
4.2 資料問題
資料對模型的建構和執行都至關重要。資料品質對這兩個階段都很重要，而資料的數量對于建構多功能模型也至關重要。
資料品質涉及幾個因素，可能會影響模型的品質。其中包括：
• 用于模型訓練的資料集是否包含（甚至隐藏的）待檢測模式的特征，
• 資料集中包含的特征（甚至是隐含的）是否具有足夠高的信噪比，
• 資料集是否包含可能使模型訓練變得模糊的系統偏差。
資料數量的問題涉及資料集是否足夠大，以使得：
• 資料集涵蓋足夠的問題空間（條件、場景或情況的變化範圍），使得模型足夠強大，能夠處理真實環境中可能發生的情況，
• 資料集使得模型能夠成熟地進行訓練（與人腦中的神經網絡不同，人腦具有強大的推理能力，隻需要少量示例就能學習識别某種模式，而機器學習需要大量樣本來形成和鞏固其模式識别能力）。
有關詳細資訊，請參閱第5.2.7節的資料屬性。
4.3 學習技術
由于資料在人工智能和機器學習模組化中的重要性，使人工智能和機器學習變得更加複雜，超出了圖4-2所包含的内容。圖4-3給出了更詳細的表示，并添加了一些資料處理階段。
圖4-3. 用于人工智能模組化的資料處理。
在工業物聯網（IIoT）的背景下，
• 資料收集涉及連接配接到工業裝置和傳感器，并從中收集資料。
• 資料預處理涉及資料驗證（類型、範圍、一緻性）、轉換（例如機關、時區）、對齊（例如時間戳）、噪聲減少（例如平滑）、缺失資料處理和資料稀疏化。資料預處理的目标是確定下一個階段可用的資料品質。
• 資料轉換涉及資料處理，使模型建構（包括學習）更可行。常見的例子包括核技巧和次元縮減（例如PCA）等轉換，使得模型對資料的真實特征更敏感，或者在學習過程中減少處理量，使其在經濟水準上不降低最終模型的結果。
• 資料預處理和資料轉換中的處理步驟在模型建構和執行階段之間必須保持一緻，以確定在模型的訓練、驗證和執行過程中輸入相同的資料内容和形式。
• 資料标記涉及根據其已知特征用有意義的标簽識别資料集，以提供上下文，以便模型在訓練過程中從資料集中學習。監督式機器學習算法需要進行資料标記。
• 模型建構涉及探索和選擇适當的算法來解決手頭的問題，并使用可供學習的資料集對模型進行訓練和微調。
• 模型驗證涉及使用經過驗證的資料集對模型進行測試，這些資料不在模型訓練過程中使用。
• 模型的建構和驗證是一個整體的過程，需要進行多次疊代。
• 模型執行涉及在真實環境中執行模型，或使用真實世界的資料作為模型的輸入來解決特定問題。
• 模型的輸出通常是模型執行的結果，涉及模式識别和預測。
人工智能模型通常不能單獨解決現實世界的問題。一方面，很明顯，應用人工智能模型在很大程度上依賴于資料，無論是用于模型的訓練還是用于解決現實世界問題。在工業背景下，通常依賴于某種工業物聯網平台，提供一組資料功能，包括資料收集、預處理、存儲、查詢和管理，以便為模型的訓練和執行提供一緻的資料。
圖4-4 工業人工智能系統。
另一方面，人工智能模型的輸出必須與業務邏輯或上下文相結合，将模型的洞見轉化為可行的決策。反過來，這些決策需要直接或間接地采取行動，以優化工業裝置和流程的運作。通常通過工業領域的應用實作這一機制。圖4-4展示了人工智能模型和工業領域應用的關系。
依靠從工業營運環境中收集的大量資料，工業人工智能将與基于第一性原理的傳統模型和傳統統計模型一起，支援新一代基于資料驅動和人工智能驅動的智能工業應用。
這形成了工業營運環境中的閉環回報，通過優化的業務決策、優化的營運流程和優化的裝置狀态，實作日益智能化的工業營運，如圖4-5所示。
工業物聯網系統收集的資料包括人員（例如用于勞工安全）、裝置、材料、工藝、産品和環境的資料。
圖4-5. 工業營運環境中的工業人工智能。
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.