Insight Tech

AI、机器学习和物联网共同打造了几乎可实现任何可能的零售技术市场。只剩下一个问题：大量技术导致建立关联面临挑战。当前的系统集成商需要为客户装配复杂的解决方案，同时提供支持服务来强化业务关系。另一方面，硬件和软件提供商需要帮助为其产品找到新用途和新市场。

为创新提供商务对接：现代技术总代理。利用其广博的产品知识和专业技能，他们将交互式数字标牌 SI 与制造商和独立软件厂商 (ISV) 联合起来，通过打造并访问需求和解决方案生态系统，帮助每家企业拓展其业务。

“如今，经销商的技术堆栈必须超越 5 或 10 年前的功能，”特种电子产品总代理 Bluestar 公司营销副总裁 Dean Reverman 表示，“从一开始，他们就必须拥有更广泛的解决方案集合。如何满足那方面的要求呢？智能系统集成商依赖于增值总代理。”

虽然传统总代理也会进行拣货、包装和运输，但 Reverman 认为，利用对行业内情的了解，增值总代理会突破这些基本职能。

“我们独特的运营方式获得了外界的广泛好评”，Reverman 解释说，“我们了解增值经销商的日常运营，因为我们每天都在与他们进行交流。我们知道，产品供应商正在努力实现其战略目标并完成产品开发。同时我们了解到，软件社区正通过构建他们想要纳入生态系统的独特解决方案来做出自己的贡献。”

为了促进对接，BlueStar 发起了 BlueStar 计划，联合硬件和软件提供商来开发新的解决方案，如数字标牌自助服务终端和交互式数字标牌。

“我们正尝试做的事情之一，就是发掘软件社区的潜力，并将它们纳入渠道，” Reverman 表示，“但是，如果没有软件，我们做出的大量努力都将徒劳无功。”

在 BlueStar 进行商务对接的过程中，英特尔^® 发挥了巨大作用。“现在，我们有了合作伙伴，当客户在解决方案开发的早期阶段向我们求援时，可以为其提供帮助，” Reverman 这样说道，“这对于物联网至关重要。正因为可以信赖英特尔强大的工程能力，才得以构建那其中的一些解决方案。在实施 TEConnect 计划的过程中，我们与英特尔建立了密切的协作关系，通过这种方式，我们将软件开发公司纳入渠道，并帮助他们销售其产品。”

创建数字标牌自助服务终端

BlueStar 与领先的交互式触摸屏制造商 Elo Touch Solutions 公司之间的合作是成功生态系统的典范。这两家公司携手合作，共同创建并推广针对特定行业的创新型解决方案。Appetize 就是这样一款产品 — 专为体育馆设计、可大规模处理访客交易并跟踪库存的销售点系统。该解决方案包括固定和便携式终端、自助服务终端和手持设备。

BlueStar 装配的组件包括 Elo Touch 触摸屏、支架和打印机。随后，该总代理会更进一步，提供安装服务来帮助 SI 部署整个解决方案。

“例如，利用 Appetize，您可以在各个位置部署成千数万台设备，” BlueStar 业务开发经理 Karey Linkugel 表示，“那需要时间，并且必须有人将它们整合在一起。在产品离开仓库之前，BlueStar 会取来 Elo 触摸屏，将它装在支架上，连接电缆，然后安装软件。接下来，我们会给它装箱，并发送到收货地点。”

而且，为了创造需求，BlueStar 和 Elo Touch 会共同投入营销资金，以开展市场活动并拓展其业务。

Linkugel 指出：“Elo 等制造商希望与了解相关业务和技术、拥有经验丰富的销售团队的企业合作，以便联手将产品推向市场。”

Elo Touch Solutions 渠道销售高级总监 Kim Davis 补充说：“我们珍视根据环境变化进行相互协商，并因此确定最适合两家公司的方针的机会。这将为我们创造巨大的价值，因为它可以显著提高管理水平，并继续扩大我们的产品线。”

进行对接之后

除了整合硬件与软件提供商以外，BlueStar 还可为其客户提供各种支持，包括自定义配置、融资、营销和服务支持。

“在某种程度上，经销商会面临现金短缺，” Reverman 表示，“他们会走出去赢得交易，但并非总是能够筹措到资金来利用这些机会。我们提供了独特的融资选项，可通过解决方案帮助经销商走向市场。”

总代理也可以从这类关系中受益，包括能够提供动态化的新方法来打包解决方案。同时，他们可以向市场推广创新型的新用途，并拓展他们自己的业务。

随着工具和用例变得日益复杂，BlueStar 等增值总代理将成为零售解决方案专家，可为 SI 提供适当的技术和服务，帮助他们进入新市场并发掘新机会。

Reverman 表示：“我们将帮助合作伙伴利用最新的可靠技术 — 为他们拓展当前的业务铺平道路。这可能是机器视觉，也许是后台标记和跟踪资产。无论如何，我们的工作就是通过我们的生态系统来实现这种可能。它就像是瑞士军刀，为解决方案提供支持并将其推向市场。”

 

本文由 insight.tech 的编辑副主管 Georganne Benesch 编辑。

在过去的几年里，制造商一直面临着精简业务的巨大压力。要实现这一点的一种方法是通过向智能工厂转型。这本身可能意味着许多事情，其中之一是使用机器视觉的摄像头系统。将人工智能加入机器视觉解决方案中，这种解决方案似乎比问题本身更令人生畏，特别是没有数据科学家或人工智能开发人员的情况下。

Mariner 是一家利用物联网、人工智能和深度学习的技术解决方案供应商，其营销副总裁 David Dewhirst 为我们剖析了这个情况。David 强调了 Mariner 的关键专业领域—利用机器视觉和人工智能来保证工厂车间的质量，因为正如他所指出的，质量总是需要用某种方式支付才能保证的。而在工厂车间预先支付，肯定比为伪劣产品补救声誉支付要好。

成为智能工厂意味着什么？

我喜欢把数据和信息分开来看。数据只是输入，它们无处不在。你需要以某种方式转换这些数据，这样就可以把它作为信息做有用的事情。当我在思考智能工厂或互联工厂时，我在想工厂车间里固有的所有信息。那么如何将所有数据连接到一起？如何处理这些数据以获得有用的结果，也就是获得信息？以及利用全新的传感器和技术来真正推进制造业的技术水平。

制造商在向智能工厂转型的旅途上做得如何？

事实上，在这个领域有很高的项目失败率。但你无论如何都要做，因为你的所有竞争者都在做。如果你不做，你就落后了。

根据我的观察，这些项目失败的原因是制造商没有真正想清楚他们要做什么。他们知道需要做这个很酷的事情，但他们可能不一定是为了解决某个具体的问题。但这正是我认为任何智能工厂计划应该进行的方式。如果你负责工厂的数字化转型，请找一个做起来不是最酷但可以解决最大、最棘手问题的用例。我们的解决方案非常明确地旨在改善工厂的缺陷检测，所以这就是一种用例。

同样重要的是找到那些你可以同时向上层和下层推销项目的用例—向受其影响的工程师，也向开支票的决策人。然后你就会走上一条清晰的中层道路，走向智能工厂。清楚识别你的用例会帮你销售它，也会帮你解决它；如果是一个缺陷检测问题，你可以寻找像 Mariner 这样专门从事该领域的公司。从那开始，也许你会识别其他可以后续处理的用例。

开始识别这些用例最好的方法是与有问题的人交谈。与工厂车间的人交谈，和实际做事的工程师交谈。他们往往会意识到很多日常问题；他们可能甚至在压制这些问题，或者只是试图减轻问题，如果你问他们的话，他们会很想得到一个解决方案。也要与比你职级更高的的人交谈。告诉他们，“我们把钱花在哪里了？”

对智能工厂来说，机器视觉的重要性是什么？

当我们讨论t工厂环境中的机器视觉、摄像头系统或计算机视觉时，我们所指的通常是固定位置的固定摄像头，有固定的类型。它们是根据生产线高度定制化的。他们被设计固定在它们的位置、照明和设置上，以针对生产线上特定的产品。它们的重要性在于改善质量控制流程的能力。

有个概念叫总质量成本，对吧？你要在工厂车间上花钱让出厂的产品获得良好的质量。如果不这么做，你就会收到很多退货，会有保修索赔。不在工厂车间的质量成本上花钱，结果是你仍然要在质量成本上花钱；而且还面临合同取消和坏的品牌关联。

支付这笔成本最便宜、最高 ROI 的方法就是在工厂车间做质量工作。这不是新概念。自密歇根州迪尔伯恩的第一条装配线以来，就有一些人在装配线的末端查看产品并进行质量控制。机器视觉系统，或摄像头系统来帮助完成这一工作，这已存在了几十年。它们很有用，因为可以呈现非常一致的外观，从一块到另一块，从一部分到另一部分。看起来也是一样的，正如我之前所说，摄像头的位置是固定的。

人工智能如何帮助将这一过程提升到新的水平？

在过去的几十年里，机器视觉系统一直非常擅长解决二进制问题。例如，这块上面有洞吗，或是这块上面没有洞吗？这是个二进制的问题：是或否。这里使用传统的编程是非常容易的，它依赖于那些真/假问题，得出一个真/假答案。

但如果你的问题不是二进制时会发生什么？当你不只是问这是不是一个洞的时候，而是比如当你在看这是布料上的油渍还是一块棉絮的时候，会发生什么呢？它们都是有点模糊的。可能油渍有点模糊，而棉絮没那么模糊，但你必须在模糊等级之间划出一条鲜明的界限。如果有块棉絮比你划出的界限更模糊，那么会发生什么？这就被称为缺陷。如果油渍比你预想的更模糊，会发生什么？它会被忽视，因为你可能认为那是棉絮。这就是人工智能发挥作用的地方。

有了机器学习和深度学习技术，你不再需要为真/假答案划出一条界限。你只需用足够多的油渍和棉絮样本来训练人工智能，人工智能就能自己学会区别是什么。人工智能可以解决那些以前仅靠传统编程无法真正解决的挑战，所以你可以经常让你的机器视觉系统、你的摄像头系统做你本来需要它做的事情，以及它从来没有真正做好过的事情。

如果制造商缺乏 IT 或人工智能支持，他们可以做什么？

在 Mariner，我们使用一个工具。我们请你的质检人员把所有显示缺陷的产品拍成照片，上传到工具，并在旁边画一个小框。这是让你的质检人员做他们擅长的事情—看这些图片并指出缺陷。我们可以利用这个做我们擅长的部分，也就是数据科学。我们的数据科学家将构建一个人工智能模型，这样你就不需要在工厂车间里配置数据科学人员。我们已经帮你解决了。

其他解决方案和其他领域的其他公司可使用预建模型。这些模型不一定可用，取决于预建模型与工厂车间里的特定情况有多大的匹配度。

所有数据收集和处理在哪里进行，边缘还是云？

这得视情况而定。如果你的工厂里有 1 万个传感器，而且正在产生数千兆字节的信息，那就不得不在云中进行。在机器视觉方面，对云的依赖性要小一些。Mariner 使用的是 Spyglass Visual Inspection (SVI) 解决方案，实际上是一个混合解决方案。这是因为，对于实时缺陷检测工作，我们没有时间到云端来回跑。我们在工厂车间进行实际的缺陷检测和人工智能推理工作，因为即使失去互联网连接，你的生产也不会停止，工厂也不会关门。

但我们确实要用到云。SVI 设计成无头运行，没有任何人站在旁边，但工程师可以回去审查人工智能做出的决定。如果人工智能出了错，工程师可以纠正它。这将上升到云端。如果需要重新训练人工智能模型，我们可以在云端进行，因为这不需要实时连接。

你们如何与这个生态系统中的其他合作伙伴合作，让一切整合起来？

第一，我们不销售摄像头；我们是一个人工智能软件即服务解决方案。如果你需要摄像头，我们与一家视觉集成商合作，会为你提供合适的摄像头。总的来说，我们不关心是什么摄像头；我们可以利用你已有的任何摄像头，或与你合作获取一个。

第二个合作伙伴，因为我们需要强大的处理能力，我们与英特尔^® 和 Nvidia 都在工厂车间密切合作。我们提供人工智能软件即服务，讽刺的是，它会在一个服务器盒子上配送给你。我们这样做是因为我们可以构建这些服务器盒子来做我们想做的事情。因此我们有英特尔^® 至强^® 芯片，用于特别强劲、大型的处理，我们有 Nvidia 显卡，用于额外的 GPU 能力。

我们还与微软在云端合作，通常是在 Azure。Azure 上有很多预建服务和其他功能我们可以利用，并确保安全和速度以及所有其他重要的事情。

还有什么要补充的吗？

你可能不需要 Mariner 的解决方案，但你需要在工业物联网和人工智能方面取得进展。实际上，考虑到你的用例，你可能需要也可能不需要人工智能，但你终将需要拥有一种工业物联网。我主要会鼓励人们思考适合他们的用例和情况。找到那个机会，加入，别成为最后一个。

相关内容

要了解更多关于缺陷检测的信息，请阅读《有保障的机器学习模型》，并收听《你可以信赖的产品缺陷检测：使用 Mariner》。有关 Mariner 的最新创新，请在 Twitter 上关注 @MarinerLLC，LinkedIn 上关注 Mariner。

 

本文由文案编辑 Erin Noble 编辑。

过去几年，智能制造领域一直在快速发展，以跟上数字时代的需求。边缘计算是该数字化转型之旅的重要部分。但边缘并非固定的目标，而是该过程的一部分。

但企业在该旅程中可能仍需要路牌。那么哪些人能提供路线图呢？这些企业如何了解他们何时真正到达了自己需要到达的境界。高性能计算领域全球领导者联想公司全球的 ThinkEDGE 事业部总经理 Blake Kerrigan ，以及物联网和边缘计算服务提供商 ZEDEDA 的生态系统副总裁 Jason Shepherd 确信，根本不存在某种通用型方法。

他们讨论了边缘计算的编排，将公有云领域的最佳体验引入边缘，并着重讨论了云与边缘计算之间的关系。

现如今，制造业的数字化转型如何进行？

Blake Kerrigan：过去 15 到 20 年，大多数工业客户始终关注于自动化，但现在我们发现，计算机视觉 AI 用例逐渐成为主流趋势。我在制造和配送领域还发现了其他一些趋势，如缺陷检测和安全应用。

问题：您如何提高现有流程的效率？我们开始着眼于一些独特解决方案，客户采用这些解决方案变得越来越容易。

这将如何改变边缘计算和云的角色？

Jason Shepherd：只有那些想要向您出售因特网连接的人才会认为将原始视频直接发送到云端是一个好主意。利用计算机视觉，关键是能够在边缘观看直播摄像头或视频流，您可以持续进行监控，并可以构建智能，在需要时引入人工干预。

制造商完成本次边缘之旅的最成功的方法是什么？

Jason Shepherd：边缘是一个从真正受限设备直到本地设备的一个连续体。最终会到达云，而在该连续体中运行工作负载要考虑性能、成本、安全和延迟问题的均衡。

对制造商来说，首先也是最重要的一点是了解它是一个连续体，然后了解各种不同的权衡。比如，如果您处于安全数据中心，那么这与在车间里的安全需求不同。第一个问题是熟悉并了解环境。

进入实际部署阶段，始终从用例开始，然后进行 POC。本阶段，我们会看到许多实验。但是，将实验室中的实验引入现实世界确实是一项挑战，摄像头角度变化、光线变化、环境切换等等。

主要是要解决这个问题，并将基础设施投资与应用程序领域的投资分离开来。与设计灵活架构的供应商合作，然后逐步开展后续工作。最终会回到领域专业知识，并采用一致的基础设施，就如同我们与联想、ZEDEDA 和英特尔^® 的合作一样。

Blake Kerrigan：您可以在实验室中进行构建，通常设计师最后才会考虑到设计或部署解决方案的成本。进行扩展面临的最大障碍是部署和管理生命周期，以及随时间推移需要从一个芯片转换到另一个芯片。

第一步是弄清您想要达成何种类型的业务成果，然后了解与达成该成果相关的成本。为了选择合适的硬件，客户必须了解该解决方案整个生命周期中的程序如何迭代。在联想，我们会与人们共同搭建解决方案架构，考虑他们需要哪些类型资源，以及该架构在明天、下一周、明年和未来五年将如何扩展？

深入了解如何实现边缘计算。

Jason Shepherd：有许多特殊的专用垂直解决方案。对于任何新的市场，我始终认为，先进行垂直扩展，再进行水平扩展。这与领域知识有关。

不一样的地方在于一切都是软件定义的，您从基础设施中抽取应用程序。在制造领域，控制系统始终处于非常封闭的状态，这是一场为控制供应商创建关联的游戏。当然，考虑到安全和流程的正常运行，控制不严格的确会造成一定影响。

边缘的作用是，让我们能够利用公有云元素，如平台独立性、云原生开发、持续交付不断更新和创新的软件，且我们能够将这些工具转移回边缘。基本上说，我们正在获取公有云体验，并将其加以扩展，以适应车间生产。

在 ZEDEDA，我们会帮助从管理和安全角度扩展这些工具，但我们还必须考虑如下事实，即使采用相同的原则，在物理安全的数据中心内也不会发生此类扩展。当您处于数据中心时，会定义一个网络边界，如果未定义，我们会假定您部署在不受信任的网络上。此外，处于数据中心外部时，必须准备好随时可能失去与云的连接，且您必须能承受这种情况。这里并不存在通用型方法。

那么何时应使用云，何时应使用边缘？

Blake Kerrigan：云意味着针对不同的人采取不同的措施。在联想，我们认为边缘最终将成为云的扩展。边缘计算就是将有意义的数据存储起来，或者对数据运用更密集的人工智能；我们试图要做的是梳理大量平平无奇或缺乏洞察的数据。

真正需要考虑的有两大问题。第一个是编排：如何远程创建和编排环境，让我可以管理外部的应用程序？第二个就是让这些模型在初始训练后变得越来越好。训练是 AI 和计算机视觉的一个重要环节，但在所用资源和时间方面却被严重低估。进行训练最有效的方式是在云端开展协作。

我们以缺陷检测为例。假设您在美国有 50 家不同的工厂，每家工厂都有一个缺陷检测计算机视觉应用程序在车间里运行。最终，您希望将一家工厂获取的训练成果和知识分享给另一家工厂。要做到这一点，真正有效的方法就是在云端进行。

因此，我确实认为边缘计算中应该采用云，更具体地说是边缘人工智能，以处理从边缘计算数据或边缘分析数据生成的大数据。然后还要训练人工智能工作负载，将其重新分配到边缘，以提高效率，提高对用户的影响力和洞察力。

Jason Shepherd：在 ZEDEDA，我们认为：边缘是最后要构建的云。这是云的边缘所在。这里有三个模型包。一个是云中心型，采用轻量级边缘计算，然后在云中进行大量处理。第二个是利用云的功能来训练模型，然后将推理模型部署到边缘，以进行本地操作。因此这是一个云支持或云辅助的模型。第三个是以边缘为中心的模型，可能会在云中进行训练，但对数据的所有重大处理都在本地进行。就像 Blake 所说的，并没有通用型方法。

如果制造商缺乏适当的 IT 专业知识，哪些工具或技术可以提供帮助？

Jason Shepherd：ZEDEDA 是否是令人满意的答案？

它实际上就是找到正确的工具，然后应用领域知识。拥有领域知识的人有很多，专家就在现场。但尝试在现实中进行部署时，有时可能没有合适的人员来进行脚本编制以及在数据中心领域工作。另外比例因子也大了很多。ZEDEDA 存在的意义就在这里：让流程更简单，并将公有云体验引入现场。

联想及其与英特尔^® 的合作伙伴关系适用于该领域中的哪些方面？

Blake Kerrigan：与英特尔之间关系存在的价值不仅仅在于边缘计算，但谈到边缘计算，从芯片角度来说，英特尔是我们最强大的合作伙伴。它在嵌入式领域和工业 PC 领域的地位一直以来都举足轻重。但另一方面，英特尔继续引领科技前沿。它继续投资于边缘的重要功能，不仅仅是数据中心，也不仅仅是电脑。

OpenVINO^™ 位于英特尔更大的工具生态系统中，但我真正喜欢的是另一款工具，英特尔 DevCloud，因为它可以帮助客户快速入门，且无需将客户发送到四台或五台不同的机器。该工具让这些客户从本质上基于云的开发环境入手。客户可以控制各不同的参数，然后在环境中运行应用程序和工作负载。这加速了上市或部署。

在联想，我们希望能够为试图在边缘部署基础设施的客户打造摩擦最少的体验，联想和 ZEDEDA 在与英特尔的合作中真正做到相辅相成的原因也在这里。

Jason Shepherd：ZEDEDA 基本上算是一家 SaaS 公司 – 所有业务都与软件相关，但都衍生自硬件领域。硬件问题很难解决，因此与联想合作让我们的工作更加轻松。要与搭建了可靠基础设施的人员合作，这一点很重要。

边缘计算之旅中最后的收获是什么？

Blake Kerrigan：如同 Jason 所说，硬件问题可能很难解决。我认为很多人都是从硬件开始，但从硬件入手并不一定是最佳方式，尽管我来自于一家硬件公司。但在联想，我们仍然希望能参与到旅程中的第一步。联系我们的专家，看看我们如何帮助您了解潜在的障碍有哪些。然后，我们还欢迎您加入我们的合作伙伴生态系统，无论是英特尔、ZEDEDA 还是其他公司。

提出您的问题，提出您面临的最重大、最困难的问题，让我们帮助您设计、实施、部署和实现这些洞见和成果。

Jason Shepherd：一切都与生态系统有关。投资于社区，致力于获得更大价值。

这与免费与否无关，而是关于赚钱。但很大程度上也与合作伙伴关系有关。

相关内容

要了解关于边缘计算在制造业中应用的更多信息，请收听制造商在边缘解锁 AI：联想和 ZEDEDA，并阅读云原生将计算机视觉带到了关键的边缘。有关联想和 ZEDEDA 的最新创新，请在 Twitter 上关注 @Lenovo 和 @ZededaEdge，并在 LinkedIn 上关注 Lenovo 和 Zededaedge。

 

本文由文案编辑 Erin Noble 编辑。