感知运算会是下一步
在现有的设备预诊与制测检测之后，制造系统的边缘运算接下来将会有那些重点应用？ 易用性将会是下一个趋势，而要让设备易用，感知会是系统的必要设计理念。
相对于现在的工业物联网中，边缘运算只能找出系统问题，感知运算则可找到问题的原因，并直接提出最佳解决方式，制造系统的智能化设计，必须针对不同用户提供适用功能，决策者、管理者、操作者所需的信息大不相同， 第一线的设备作业者遇到问题时，往往面临极大的时间压力，此时系统并不需要问题以外的信息，只需要系统直接告知问题所在，甚至提出可行的解决方式，像是设备故障，系统会直接在画面显示或以语音提示，告知操作人员先按下某个按键， 让系统先恢复安全状态，之后再提示紧急状态的发生原因。 这就是感知运算最大的优势所在，随着IT领域软硬件技术提升与制造业对智能化概念的逐渐接受，感知运算将成为制造业的应用会越来越多。
观察发展现况，工业4.0在制造业已是大势所趋，无论是设备应应商或制造业者，导入工业物联网的动作也都转趋积极，不过有成效者仍占少数，之前研究机构麦肯锡（McKinsey）就曾针对欧、美、日等地的制造大厂进行调查， 根据调查显示，建置相关系统的企业中，仅有四成认为有获得成效或确实改善了制程，此一结果虽然不至于太惨，但与当初预期仍有一段距离。
至于台湾地区市场，由于制造业族群分布零散，工业4.0要落实在不同产业中仍有困难，原因在于无论是技术成熟度、策略方针到问题痛点，不同型态的制造业，其差异都相当大，因此制造业导入工业物联网的第一步，就是先审视自己所处的位置， 以找出最合适的解决方案。
业者指出，各族群制程系统的技术成熟度不同，对工业物联网的功能需求差异也极大，例如传产可能连第一步将设备连网的阶段都还未达到，更遑论AI，但也有产业已在深入研究AI、机器学习等技术的深化应用，让设备自主优化。
你在工业4.0的哪一阶段？
至于制造业要审视本身在工业4.0中所占的位置，则可透过讯息物理系统（Cyber Physics System）当中的5C架构来进行评判标准， 5C标准非常适合用来检视工业4.0技术的成熟度，并辅助企业审视各阶段所需的代表性能力与技术，顺利导入工业物联网。 5C架构从最底层初阶技术至最高层高阶应用共可分为五个能力组成，分别是链接（Connect）、转化（Covert）、虚拟（Cyber）、感知（Cognition）以及自我配置（Configure）。
第一阶段的链接，最主要是整合OT与IT系统，透过联网技术让机器与机器间能够互相通讯、进行串联。 其次是转化，这阶段是让设备机台在初步的连网后，将撷取到的信息转换为具有分析价值的数据信息，例如设备的失效或良率的分析。 其中，设备端点须具备分析、智能化的能力是这一阶段中非常关键的能力。
在第三个阶段虚拟中，则是强调虚拟化的数字双生（Digital Twins），在所有机台都连网之后，形成另外一个虚拟、同步化的工厂运行，而其数字工厂具备感知、预测能力，可预测“ 非计划内”的设备故障，当故障讯息被数字工厂撷取后，更可以仿真接下来如何执行优化的重新排程，例如像日本近年就非常致力于推动数字工厂的运行。
至于第四层感知阶段，主要则是导入如机器学习、深度学习等一系列的人工智能技术，让机器可自我学习、进化，并从大数据分析中不断进行推算与仿真，进而在设备端预防机器故障与良率不佳的状况。
最后一个阶段自我配置，则是能够机器能够藉由感知、学习的结果，以自主的方式改变机器设备的设定，就好比自动驾驶的概念，利用系统对环境变化的判断与分析自动更改执行命令。 而工厂的机器同样也能够根据感测系统、订单需求等的变化重新排程，订立优化的结果，这也是目前工业4.0追求的最高层级。
透过不同阶段的认知，制造业即可掌握目前自身系统所在的位置，并根据自身问题，向系统整合商提出功能需求，例如产品质量不佳，就以图像处理强化质量控管；要提升效能，则可侦测设备的使用状态，提升OEE（整体设备效率）， 而这些功能都可透过简单的AI设置，加快效益的浮现速度。
谈到AI，过去多认为是遥不可及的概念，但其实AI可分为强AI与弱AI，在工业物联网的边缘运算中，通常只需要用到有限效能的弱AI，就可有效提升效能，因此制造业者不必认为太过遥远就一径排斥，可与系统厂商沟通讨论，先从影响不大 、成本不高之处先行建置，再视成效决定下一步动作，透过不断的尝试、修正与导入，企业就可在有限的成本与风险下逐步转型，维持市场竞争力。
