從工業物聯網的角度來看，不同類別製造業的基礎架構概念其實相同。PTC台灣物聯網發展業務總監王寶慶指出，網路傳輸為必備功能，以便蒐集彙整到物聯網平台，建立視覺化拓撲圖提高能見度，進而運用機器學習演算分析重要指標，獲得精準地數據輔助監控維運或決策參考。
至於演算法模型，現階段工業物聯網平台大多是採用Python撰寫主流的Binary Tree（二元樹）、迴歸分析、類神經網路等演算程式，並以內建方式提供，讓OT/OT人員無須自行撰寫，即可達到以自動化處理80%的工作，騰出更多時間專注於解決個別領域獨特的問題，或是撰寫符合自家流程的演算法來輔助。
杜絕接觸感染遠端檢修正夯
工業物聯網平台核心價值是解決製造現場的問題，例如從機台設備中擷取資料，經常遭遇老舊設備欠缺通訊連接埠、廠商專屬通訊協定等障礙。早期導入工業自動化的企業實體傳輸大多是採用PTC Kepware，讓工廠設備彼此之間建立連結。
王寶慶說明，Kepware就如同軟體的交換器，實體網路線接上後即可具備管理性與安全性。其已內建各國際大廠的可程式化邏輯控制器（PLC）驅動程式，例如Rockwell、西門子、歐姆龍等，只要IP位址可連通，依據部署型號進行參數配置即可擷取相關資料，彙整到ThingWorx工業物聯網平台。以偵測馬達震動頻率狀態為例，透過Kepware擷取馬達產生的振動資料，ThingWorx平台持續以機器學習演算分析數值，一旦偵測發現訊號異常自動觸發告警通知。此流程完全無需投入人力開發，部署完成設定後即可應用。
依ISA-95架構的定義整合OT與IT應用系統，除了有助於維運工業場域運行不中斷，對於生產製造的業者，還可把預測分析機制內建到嵌入式系統，藉此提高技術支援服務品質。王寶慶以國際企業實際應用為例，以往已出貨的產品發生故障時，報修流程是訂單客戶撥打客服電話再安排派工處理，如今工業物聯網時代則不同，PTC可介接客戶關係管理（CRM）系統，接收到產品故障通知資料後由CRM系統直接派工，甚至註明到現場維修時須拆解馬達，即可搭配3D模型清楚展現硬體結構，讓工程師儘速排除故障。
2020年爆發COVID-19全球大流行後，工業擴增實境Vuforia技術受到高度關注，現場人員無需開發，標準程序配置後即可讓ThingWorx平台蒐集的資料，以行動化、視覺化方式呈現，搭配微軟HoloLens 2等智慧眼鏡，或是手機、平板的攝影鏡頭進行巡檢，原廠工程師則可遠端透過Vuforia Chalk協同現場技師即時通訊，來執行操作與維修，在防疫期間減少人員到場接觸。
提高數位化程度機器學習展效益
在智慧化的發展趨勢下，企業已不再質疑機器設備資料蒐集的必要性，接下來的重點是釐清大數據分析的任務，定義可藉由資料科學來解決的問題。王寶慶從實際接觸客戶發現，多數企業至今仍未能制定具體的計畫，主要因素是台灣製造業的評估特性偏向代工思維，講究立即的投資回報率（ROI），因此必須要有完整且具體的績效指標，老闆才會願意投資。然而數位化應用場景著眼於創新，傳統思維已不合時宜，僵固的評估準則須先轉換為佈局未來，才能開創新商機。
過往產線數位化經常遭遇的技術性問題，現在已經有許多解套的手法，包含透過光學字元辨識（OCR）、影像辨識等技術，來蒐集相關資料。建立機台故障預測，幾乎已成為最基本的功能，但須經過資料的清理與轉換，藉此訓練的機器學習模型更具準確度。此後再經過實際生產驗證，調整參數以提高預測能力。
在預測之外，欲深入解析探究導致故障的根本因素，反倒較為棘手。主因是機台資料的蒐集，往往欠缺故障相關資料，即使曾經發生過的故障事件也皆為人工填表抄寫，可能會有遺漏、語意不清等問題，就算利用Excel表單輸入，也難以精準地對應到機台產出資料的時間點，如今這些都成為棘手的問題。
王寶慶強調，「這即是工業領域專家經常提醒的：建立機器學習演算模型的前提是，應用場域已經達到一定程度的數位化，否則機台資料雖可完整蒐集，也無用武之地。」
即時分析數據輔助快速排除故障
實際上，能夠把機器學習演算模型訓練到準確預測，就已經可獲得效益，一旦工作流程、機器設備等因過往人工執行環節造成的障礙被突破，後續發展人工智慧應用目標較容易推進，拜現代資訊科技的進步所賜，艱深的技術已經被轉化為易於上手的工具，不用自行撰寫Python等程式即可簡單做到。
PTC台灣物聯網發展業務總監王寶慶指出，工業物聯網建立的機器學習演算模型，若要持續進化到具備自我反應能力，須涉及大量產業領域知識，可說是最難突破的門檻。先齊備自動化、數位化程度，才有能力推進到智慧化應用。
對企業來說，要建立機器學習或發展人工智慧應用，最清楚工作流程的員工必須要有能力提出問題。經過近幾年的市場教育，工業場域漸漸已可收斂關鍵指標，例如產品良率、投料配方、生產參數穩定性等，再檢視蒐集的資料是否足夠訓練機器學習模型。經過資料清洗、轉換，建立機器學習演算模型，讓運算結果持續地回饋，以收斂特徵資料重新訓練模型，進而透過實際生產驗證關鍵指標的意義與有效性。
王寶慶建議，數位化程度尚未完備的工業場域，或許難以整條生產線都運用機器學習來輔助分析，至少可先應用在特定的關鍵環節，例如電子零組件與印刷電路板（PCB）的結合採用表面黏著技術（SMT），板子上面要用刮刀去除多餘錫膏，以便順利地放置電子零件，過往大多是在自動光學檢測（AOI）階段才知道問題，如今可透過機器學習演算模型輔助即時監控系統，蒐集印刷機刮刀上感測器的資料，可即時解決問題，並預防刮刀與電路板的損害風險與成本。