音频文字.

埃里克：安德烈，感谢您今天加入我们的播客。

安德烈：谢谢你邀请我。很高兴来到这里。

Erik：我不得不说，当我大约七年前第一次进入这个行业，然后真正开始深入研究工业物联网时，relayr 是我们关注的第一批公司之一。很高兴今天能与您交谈。让我们从一个非常高的水平开始。那么您加入 Relayr 的时间是——现在怎么样了？大概六年吧，是吗？ 7年？

Andrei：快到七了，是的。所以也许只是几句话。我是 Relayr 的首席技术官。如果我没记错的话，我想我已经 6 岁零 10 个月了。这些年来我戴过几顶帽子。我一开始是一名人工智能总监。我后来担任工程副总裁，管理工程团队，现在担任首席技术官，专注于技术战略。在加入 Relayr 之前，我也有幸和他人共同创立了一家人工智能初创公司，在那里我致力于开发结合了自然语言处理、计算机视觉和一些时间序列处理的系统。我住在德国慕尼黑。

Erik：Relayr 是一家非常有趣的公司。因为，一方面，您拥有技术堆栈和技术产品，但由于慕尼黑再保险公司的所有权，您还拥有金融服务和保险产品。因此，如果能稍微了解一下如何将这些结合在一起，那就太好了，因为我认为这确实是您业务的独特部分。那么我们为什么不从商业角度从 101 开始呢？今天中继器的范围是什么？

Andrei：是的，我的意思是对于 Relayr，我们的目标确实是成为工业企业的首选合作伙伴。我们赋予他们权力。我们寻求通过解锁新产品和以服务为中心的商业模式来增强他们的能力。我们通过有效利用我们收集的机器数据来提供数据分析和建模来做到这一点。我们的 SKYLER 系列产品提供一系列可重复的产品，专注于预测性维护。这两种产品的重点是旋转设备电梯。但正如您也指出的那样，我们还开发了一种设备即服务产品，旨在帮助资本支出-运营支出转型。该产品的有效作用是将物联网世界与金融运营和结构世界结合起来。我们拥有财务结构方面的内部专业知识。这是我们过去几年所吸收的。我们也在努力——自然地，由于该公司由 HSB 所有，通过 HSB 由慕尼黑再保险公司拥有，这有点所有权的关系，我们也作为保险方面的合作伙伴与他们合作。

我认为这里真正需要注意的是，尽管称其为工业物联网公司，但我们的命脉最终是数据。数据科学是我们为客户创造价值的方式。我想今天我们可以触及这个领域的表面。但值得注意的是，即使在设备即服务的世界中，数据仍然是最重要的元素。不仅因为我们根据获得的数据得出使用情况，而且将基于使用情况的计费与数据驱动的产品相结合也很重要，目的是增加正常运行时间或提高输出质量，这是我们的目标今天也可以覆盖。

埃里克：如果我们只选择一个例子，因为您拥有相当强大的电梯产品组合，并描述了价值主张，那么您是否会去找一家电梯制造商，提出帮助他们转换其产品的建议，即销售电梯——从资本支出投资转向运营支出投资——这会改变他们的现金流，也会改变他们与客户的关系，比如说，客户是拥有十亿资产的所有者？通过实现从资本支出到运营支出的转变，Relayr 在这个市场上就是这样发挥作用的吗？

Andrei：设备即服务不太关注电梯领域。这就是我们拥有 SKYLER Elevate 产品的地方。我们更专注于工业领域的设备即服务产品。因此，从高价值工业设备的角度考虑，您可以有效地考虑您是一家 OEM，与 Reyrr 合作，为您的最终客户带来基于使用的商业模式。海德堡就是一个例子，我们在那里致力于开发高效的印刷机。这些被带到最终客户并与基于消费的产品捆绑在一起。纯粹从现金流的角度来看，这样做有一些非常实际的优势。但它也增加了最终客户方面的灵活性，例如减少非高峰需求以及应对使用量下降的情况。

我认为真正重要的是，当我们考虑 Relayr 时，真正将 SKYLER 系列和设备即服务视为三种不同的产品。有时它们可以捆绑在一起。在大多数情况下，我们确实将它们单独交付给我们的合作伙伴和最终客户。

埃里克：好的。清除。因此，如果我们继续这种思路——你就有了一家工业设备制造商。他们将您的技术部署到他们的解决方案中，然后他们可以拥有这种更灵活的业务模型，一种基于 OPEX 的业务模型。然后，您在业务的保险部分提供金融服务 - 当他们向市场销售设备时，这如何适应他们当时的产品？

安德烈：嗯，有几个要素。当我们谈论保险时，我们会以正常运行时间保证为例。这确实是整个数据和人工智能的用武之地。这也为最终客户基础设施带来了更复杂的连接，以获取这些数据。然后自然是财务结构部分。我想说，当你纯粹从计费机制的角度来看设备即服务时，它有 20% 到 30% 是物联网。其他一切都是财务结构——管理建筑模型、运营资产管理。显然，作为原始设备制造商，有整个财务结构。您希望以某种方式拥有一个可以带给最终客户的资产池，并且这些资产必须得到融资。因此，围绕着金融结构问题展开了一场精彩的表演。

埃里克：嗯，我认为这很有趣。因为物联网，就其本质而言，你说你真的是一家数据公司，对吗？访问这些数据可以让您重新思考业务模式，或者让您的客户重新思考他们的业务模式，因为他们实际上可以跟踪资产的使用方式，这是以前不可能的。但当谈到最终客户时——我知道你是首席技术官。您可能不是日复一日地从事业务方面的前端工作。但当涉及到最终客户时，各个行业却处于不同的位置。比如说，对于新的商业模式的接受程度，有些行业可能更愿意接受。我认为其他人可能非常传统，可能不愿意重新思考他们的购买方式。对于那些最愿意重新考虑其资产所有权模式的行业，或者从 OEM 方面来说，即使用不同的业务模式将资产推向市场的业务模式，您的经验是什么？

安德烈：我认为成熟度讨论有两个方面。一是在OEM方面。具体来说，原始设备制造商是否准备好有效地根除其整个业务模式，真正转向基于服务的产品？这是大银行无法真正做到的事情。因此，我们与合作伙伴（尤其是在制造领域）看到的是，它是与现有业务并行的一系列产品。因此，从这个意义上来说，这并不是一个完整的转变。

看看最终客户方面，我认为纯粹从实用角度来看更有趣一些。显然，存在围绕资产所有权的讨论。但我认为不必拥有这些资产的实际影响超过了任何形式的阻力。您几乎可以将其称为对不拥有资产本身的意识形态抵制，纯粹是由于服务的开销，或者随着时间的推移管理竞争对手的资产使用。我认为，在过渡方面，对于最终客户来说，有一个更强大的故事情节。我认为我们在 OEM 方面完成了挑战。

埃里克：我正在和一家公司交谈。这大概已经是三年前的事了。但他们评论说，对于他们的产品，他们是卖给制造商的，但实际上他们更容易卖给制造商背后的金融机构，所以卖给银行。因为这些人了解能够跟踪资产回报率的价值主张。而直接销售给工厂的总经理可能是一项艰巨的任务，或者需要更多的教育。您是否发现自己通常也会让可能是参与此次收购的运营业务的重要股东的金融公司，或者您通常直接且仅与 OEM 或制造商打交道？

安德烈：目前通常是后者。考虑有关剩余价值等的主题，以及我们利用中继器中的专业知识处理的各种主题。这是第一个元素和第二个元素。一旦将这些模型与数据驱动的产品（智能维护、定制维护、套餐和保证）捆绑在一起，它们就会变得非常有趣。这些是该资产的性能，无论是质量还是正常运行时间。不管怎样，你都必须与物联网方面的某种合作伙伴一起做这件事。我们喜欢将自己视为所有这些事情并解决所有复杂性的一站式商店。我认为，总的来说，人们往往低估了管理所有这些元素并将它们放在可以带给最终客户的单一管理平台下的复杂性。

埃里克：是的，当然。我认为这为我们的业务奠定了良好的基础。您是首席技术官，所以让我们在这里更深入地了解一下技术堆栈。我认为我们最终可能关注的主题是人工智能。但在我们去那里之前，让我们快速浏览一下它的样子。在你的网站上，你有边缘、中间件、人工智能可视化。这通常是您描述关键要素的方式吗？

安德烈：是的，我们开发端到端解决方案。我认为了解技术堆栈很重要。不仅是我们今天所拥有的东西的镜头，也是我们到达这里的旅程的镜头。过去，我们非常关注定制物联网解决方案，仅仅是因为超 SKYLER 方面的环境和可用产品以及这方面的成熟度。我们还着手构建自己的物联网平台，因此您通常会发现这些组件是当今交钥匙服务。当你查看 Amazon 或 Azure 的产品时，你会发现它当时还不可用。所以很多东西，我们必须自己构建。无论是数据代理还是用户和访问管理。

大约两年半前，我们对堆栈进行了战略转变。就您的观点而言，我们继续关注边缘，但中间件堆栈变得相当薄，因为我们专注于为我们从头开始开发的一些组件采用超级 SKYLER 服务。我们将注意力从中间件转移到了——我们称之为数据驱动的产品方面，特别是更多地关注可重复的业务逻辑，并且更关注特定的垂直领域，而不是一刀切的平台。因此，它仍然是一个端到端的设置，但在过去几年中，重量确实从中间件转移到了产品。

Erik：如果我们关注或放大人工智能——这似乎确实是许多工业技术目前正在努力解决的关键问题——我们如何使人工智能可重复？如果我们看看预测性维护，你会说，好吧，一条汽车生产线，比如说，一个工厂有两条生产线。它们看起来很相似，但实际上它们的组成部分和行为有所不同。因此，在某种程度上，这是两个在两条生产线上部署预测性维护解决方案的项目，对吧？

安德烈：对。

埃里克：从你如何看待和评估情况来看，你发现了什么？这是一个可扩展的项目，因此可以为客户带来投资回报，因此对我们来说是一个很好的项目，而不是您可能为客户提供建议的项目，由于 XYZ 原因和缺乏可扩展性？您今天如何看待这种情况并做出评估？

Andrei：正如您所指出的，我认为从实验室过渡到生产对于大多数参与者来说仍然是一个挑战。我们注意到了一些事情。我在这里真的只是触及了表面。但即使当您看到我们这个听起来相对简单的预测维护系统时，您也必须考虑您解决的各种问题。即使从传感器级别开始，何时唤醒传感器、如何根据您想要解决的问题的时间尺度定制收集策略、识别故障然后对它们进行分类，您通常也会查看具有不同特性的资产。运作模式。如何识别正确的操作模式以及如何区分向不同操作模式的转换与实际故障？然后思考如何为每种不同的操作模式创建模型。这是一个多层次的问题。

当您从两个首要限制（第一，缩短价值实现时间）的角度来看待问题时，您如何以一种能够在不同客户和资产类别之间良好转换的方式解决所有这些问题？我认为需要考虑的第二个约束是非常重要的，如何平衡所有这些系统的敏感性而不是业务案例的经济性。归根结底，您必须问自己，作为一个组织，我可以接受多少次因误报而进行的检查？假阴性的成本是多少？等等？这些都是必须融入模型中的东西。

就您关于将人工智能产品化并使其在不同客户之间良好转化的观点而言，我们的经验对于对数据收集策略、其机制以及数据路径进行非常规范性至关重要。您至少可以考虑依赖数据的特征、数据的丰富性等等。事实上，另一个因素是——这听起来很平庸——专注于非常具体的资产类别。也许这在人工智能和物联网炒作浪潮的顶峰时期并不明显，但这些系统很少能在不同的资产类别之间很好地转换。集中注意力确实很重要，也是我们思考的动力。我们发现，通过我们理解和控制的端到端堆栈很好地解决一类问题，而不是为不同的资产类别解决 1,001 个定制的 AI 问题并为每个不同的问题采用不同的方法，具有更大的价值。

Erik：电梯看起来是您优先考虑的资产类别之一。也许有两个问题。其中之一是，您认为有很大潜力或目前关注的其他资产类别是什么？那么，您如何评估电梯和其他资产类别是您想要投入精力的资产类别呢？

安德烈：显然，我们也关注市场的特征。但也许从技术角度来看，我们正在开发的两个产品，Rotate和Elevate，Rotate是重点关注的——可能是基于旋转设备的名称。我认为这里的关键显然是业务背景，但事实上这是一个经过充分研究的问题陈述。不一定是经过充分研究的解决方案基础，但绝对是一个易于理解的问题陈述，我们相信我们可以以可重复的方式跟踪价值。我认为，特别是对于 Rotate 而言，还需要考虑的重要一点是，与资产类别正交，你也拥有市场。这也给问题陈述带来了一点味道。如果你有一个大风扇和一个小风扇，那么你的运行时间尺度是不同的。因此，我们还必须小心谨慎，不要以同样的方式对待所有资产类别，即使它们是旋转设备。因为，如果我们专注于在相当长的时间范围内运营的市场，那么最终它会是一个完全不同的产品，不同的数据收集策略，等等。所以实际上，我们通过考虑所有这些元素来缩小范围：资产类别本身、问题的时间尺度、市场给问题陈述带来的额外风味，显然还有解决问题的经济学。

就我最初的观点而言，该操作员能否负担得起例行检查的费用，是否有一个业务案例可以通过增加维护自动化水平并提供某种预测系统来减少检查和维护的开销？至于电梯，那就简单一些了。显然，电梯的类型也有很多变化，但实际上没有那么强烈。事实上，从我们的角度来看，电梯的最佳点是，如果你看看大型电梯原始设备制造商，就会发现有一种趋势开始开发嵌入电梯基础设施的物联网功能。我们的最佳点确实更多是以非侵入性方式增强现有机队。因此，我想，显然，我们需要在经济剧本上就安装该装置的时间以及我们考虑的问题进行经济季后赛讨论。

埃里克：关于最后一点，如果您正在处理棕地情况，听起来您会非常关注分析。硬件 - 您是否提供自己的硬件解决方案，或者您正在进行评估并使用现成的解决方案？当涉及到这个棕地时，您拥有并推动该决定的哪一部分，而不是将其传递给客户？

Andrei：嗯，这两种产品都是端到端的，因为在我们可以依赖来自这些系统的数据方面有类似的限制。对于你的问题，是的，Elevate 确实有自己的硬件。整个产品体验是围绕我们可以简单地通过控制数据收集机制做出的假设来设计的。我认为还需要注意的是，也许在硬件方面，它是一种非侵入式解决方案，例如，它不需要连接到电梯控制板，或者当您在电梯一侧时不需要任何形式的侵入性。我认为这是我们最终也在内部管理的产品的优势。

Erik：将这个市场视为资产类别的一种方法。另一种看待它的方式是用例。预测性维护无疑是您关注的重点领域之一。你的同事提到了模拟，这可能是为了提高运营效率、能源管理或其他方面的模拟。您发现哪些其他用例往往具有可靠的投资回报率，并且在技术上往往可以在大型资产中复制或扩展？

安德烈：我认为也许不是很明显。但研究预测性维护的一种方法也可以是模拟问题。当你将其视为一个模拟问题时，它最终是一种根据机器过去和现在的状态来计算其未来行为的方法：考虑磨损压力源、历史模式等，模拟状态随时间的进展在。因此，从某种意义上说，预测性维护和模拟的世界实际上在某种程度上是齐头并进的。具体来说，我们主要在减少停机时间方面看到了很多价值。但这并不是说预测性维护是我们要解决的一个技术问题。正如我所提到的，要计算资产的潜在停机时间，您必须考虑相当多的层面。孤立的每一层也可以带来相当大的价值。

当您从以下角度看待预测性维护时，我想知道该资产何时会发生故障，那么这确实是预测性维护的圣杯。但在此过程中还有几个里程碑，它们本身也很有价值。如果你倒过来，也许你不知道机器坏掉的确切时刻，但你会发现某种异常现象。它正在工作，您可以对其进行分类。您已经比没有该系统时领先了一步。即使没有分类，您至少也会遇到异常情况，如果它随着时间的推移重复出现，那么您就知道存在潜在问题。即使异常本身也可以用人工智能构建，或者更简单的用例最终也可以基于简单的规则。真的，这没什么可耻的。

我的意思是，预测性维护是圣杯。但我认为，实现这一目标的旅程也有一些非常有价值的里程碑。我们也会关注有关质量控制的主题，但它们并不是我们产品的真正组成部分。原因之一是这些系统的训练数据非常稀缺。另一个原因是，QA 流程通常是异步的。也就是说，当你从你的资产中创建一批输出，然后你可能在当天晚些时候或第二天进行质量控制时，所以它变成了一个人工智能问题，而这个问题本身可能并不很难解决并与您的客户围绕该流程以及如何处理 QA 流程进行讨论。因此，纯粹从运营开销方面来看，它变得更加复杂。这是我想到的两个例子。当我想到质量控制时，我的意思是像计算机视觉这样的两个主题都会浮现在脑海中。

你提到了模拟。我认为在模拟方面与我们相关的一个非常有趣的讨论也是如何生成合成数据作为更大的测试平台的一部分来对我们自己的模型进行基准测试。因此，在某种程度上，模拟故障，然后您可以对算法进行基准测试。这是我们一直在探索的事情。我们还探索了一些使用自动编码器的最先进方法。我认为，作为一家公司，我们实际上只触及了人工智能辅助模拟可以为我们提供的服务的表面。即使最终客户没有直接受益，但归根结底，它确实使我们的系统变得更加强大。这确实转化了它，并最终将其转化为客户价值。

Erik：创建模拟数据的概念，您是否认为生成式人工智能对您的工作流程有价值，无论是创建数据集、扫描纸质文档，还是 PDF 文档和作为附加数据输入的文本信息？或者是用户界面增强，以便以更直观的方式共享特定分析的结果？您如何看待生成式人工智能作为您技术堆栈的一部分？

Andrei：我们正在积极探索这些用例。有几个领域是我们特别感兴趣的。一是我们的知识库朝着大规模数据集成的方向发展。考虑有关交互式手册和手册生成的主题。这对价值实现时间有直接影响。考虑一下传感器加入和交互式辅助的好处，可以真正以相关的方式指导安装过程和故障排除。例如，这确实有助于我们扩大部署传感器的合作伙伴规模。

另一个对我们来说非常有趣的领域，也许是中期的，是用户体验方面。因此，请考虑数据解释。考虑将生成式人工智能与区块链等技术相结合，为最终用户提供对话界面，并允许仪表板有效地将最终用户的自然语言要求转化为某种有意义的可视化效果，但与该角色无关。也许最后一部分，你已经接触过，是关于研发的加速。我不认为有太多希望，至少对于合成数据生成中的技术或在实施方面真正加速预测维护系统的开发来说是这样。但当我们以科学材料为例时，它可以帮助完成许多文本摘要练习。对于数据科学团队来说，这可能是一条捷径。

我认为，对于法学硕士，对于我来说，归根结底，这确实是两个最大的障碍，一个是当模型听起来正确但实际上并不正确时，需要可靠地解决幻觉。只有解决了这些幻觉，我们才能讨论高风险的实施。也许对于我刚刚提到的有关传感器加载的用例，我们可以承受模型时不时出错的情况。但是任何真正人工智能以某种方式帮助我们的用户的应用程序，我都会非常小心，直到我们在事情的可解释性方面完成更多的工作。显然，关于我们在哪里运行这种生成式人工智能，很快就有了一些公平的答案。过去几个月，ChatGPT、lambda.md、微软、Azure OpenAI 服务等出现了爆炸式增长。当然，这些用例都不能使用公共 API 来处理。这可能是不明智的。但我认为看看新兴的开源技术以及我们运行它的能力也很有趣。

举一个非常具体的例子，如果我们为传感器创建一个入门助手，并且我们希望在没有互联网连接的环境中运行系统，那么自然会引发关于运行边缘模型的讨论。因此，我们确实在密切关注有关缩小模型、稀疏模型以及开源领域中出现的所有各种语言模型的所有这些发展。我希望我能为您提供一个目前非常成熟的用例。但我认为，与许多其他人一样，我们确实只是触及了可实现目标的表面。我们正朝着这个方向迈出谨慎的第一步。但我认为这个领域有很大的价值。

Erik：是的，我想开发方面的另一个领域是使用这些技术来支持您的编码过程。那么，您的团队现在是否正在使用任何远程软件来帮助编写代码，或者您是否将其集成到产品中，以便您的系统集成合作伙伴或您的客户可以更轻松地进行修改并降低技术门槛在您的平台上进行修改？您今天是否看到了这种承诺或采用？

安德烈：我们看到了希望。我们尚未采用它们，因为我们仍在考虑风险。以 Copilot 为例。我认为，这甚至是早于 ChatGPT 的产品。目前正在进行的法律辩论具有相当深远的影响，尤其是当你以 Copyleft 等话题为例时。法律，仍在进行中。我认为实际上存在三种潜在的结果。其中之一是某种 GNU GPL 许可证，禁止针对特定代码库进行人工智能训练并驳回所有声明。另一个结果是，微软赢得了诉讼。 GPL 和其他 Copyleft 许可证变得无关紧要。然后是灾难性的选择，微软输掉了诉讼，所有通过 Copilot、ChatGPT 或其他任何东西生成的代码都被标记为 GPL 代码。数百家大公司——无论是 Stripe、可口可乐、通用汽车等等——都必须很好地解释他们的代码库有多少可以被标记为 GPL 代码。举例来说，您如何才能针对虚构条目提出版权主张。

所以我认为这绝对是有希望的，我可以想到非常具体的用例来加速 API 方面的开发，特别是加速我们自己围绕 QA 的一些内部流程。我认为使用这些系统生成测试用例甚至边缘测试用例非常容易，这在质量保证方面本质上是相当重复的。但在法律方面存在一些悬而未决的问题，这使得我们在实施这些系统时有点谨慎。

埃里克：是的，明白了。是的，这可能是改天再谈的。但我最终与许多欧洲客户谈论的一件事是，欧洲大陆相对于美国公司、亚洲不同国家的公司的竞争力，或者说，政策对竞争力的影响。目前的情况有点棘手，激励措施正在促使政府承担风险。我认为欧洲是最不愿意这样做的地区。但也许中国和美国更愿意一些。

安德烈：好吧，让我举一个不同的例子。如果我没记错的话，这是六月份的情况。今年，在欧洲方面，我们制定了《欧洲数据法案》。它有效地专注于访问数据的最终用途。我认为这对于像 Relayr 这样的公司来说是真正相关的。因为该立法旨在打破数据孤岛并使数据访问民主化，特别是为 Relayr 等第三方公司提供了对通常由 OEM 及其专有系统隔离的数据的潜在访问权限。我认为欧洲在数据方面也出现了希望之光，并且采取了一些良好的举措。但我认为，就你的观点而言，关于竞争力和监管有更深入的讨论，这可能是不同的理念会导致中长期不同的结果和竞争力。与其他地区相比，欧洲确实有着更加谨慎、更倾向于关注风险和监管的记录。

埃里克：是的，清楚。那么，我们为什么不以一两个案例研究来结束呢？您为我们提供了一些很好的用例和行业示例。但是，如果我们可以选择一个非常具体的客户示例并进行演练，那么从技术部署来看，这会是什么样子？而且，他们如何重新思考自己的商业模式？

Andrei：嗯，我认为当你观察 SKYLER 系列产品时，你会发现它们最终都遵循相同的客户旅程。所以我一直非常关注销售流程本身。显然，我之前已经暗示过有关商业案例经济学的问题。所以这必须是合理的。归根结底，我们必须清楚我们的产品能够创造价值。但纯粹从部署的角度来看，无论最终的资产类别如何，我们都遵循相同的方法。

有几个离散的步骤。我们实际上是在进行现场调查，弄清楚我们必须注意的现场限制是什么，我们可以具体交付的基础设施的具体限制是什么？有多少个网关？我们需要多少个传感器？我们可以玩网状网络吗？我们是否正在考虑某种法拉第笼类型的情况，我们无法真正从资产和我们必须查看的所有内容中无线获取数据？下一步实际上是传感器安装部分。目前，我们还部署工程师来完成我认为对传感器安装件真正关键的工作，我们还进行数据健全性检查，并设置上行链路基础设施。

我想说，在很多情况下，绝大多数情况下，您将拥有通往中继器云的单独数据路径，并且不会利用客户端现有的 IP 或 LTE 基础设施。我认为这也是客户倾向于避免的事情，因为它为基础设施增加了新的复杂性和安全性。一旦我们建立了数据传输，就会有一个完整的围绕具体基线的练习，在我们开始测量时对那些无法正常工作的资产进行校准算法，最终会导致糟糕的结果。很简单，因为模型将被训练为认为错误行为是正常行为。这是一项健全性检查，我们的内部振动分析师也提供支持。之后，我们就可以有效地投入生产。特别是在部署的最初几个月，我们不仅与我们的数据科学家，而且还与振动分析师一起，对部署给予了很多关注，以确保模型的行为符合预期，并且我们的路线正确如果系统没有提供应有的结果，则可以向系统添加额外的标签。无论是试点还是大规模部署，您都可以应用此秘诀。显然，您需要寻找合作伙伴来帮助大规模部署传感器。但从客户的角度来看，这仍然是同样的旅程。

关于商业模式变革的最后一个问题，这还取决于您的客户是谁。如果您的客户是操作员，那么归根结底，您将帮助维护流程变得更简单、更可靠、更可预测等等。如果您的客户是 MRO，那么他们会将您的解决方案带给其自己的最终客户、其自己的运营商。然后，您还可以讨论联合上市、白色标签、为针对 MRO 定制的产品创建基本外观并将其与 MRO 服务产品捆绑在一起。我认为这确实是我们必须做出的区分以及非常具体的客户旅程的开发。我还可以谈论设备即服务，但我认为我们需要一个单独的播客节目。考虑一下，即使是在现场获得资产的过程也可能需要一两年的时间。这确实是一个相当复杂的过程。

埃里克：太好了。嗯，无论从您自己的角度还是从客户、质量管理和工作负载管理的角度来看，这听起来都是一个经过深思熟虑的过程。您已经提到了您的团队正在研究或您个人感兴趣的许多技术领域。也许作为最后一点，我们在接下来的 12 个月内会关注什么？您是否正在准备推出新产品或计划推出新功能？来年我们应该对 Relayer 有何期待？

安德烈：我认为，当我们审视自己的产品组合时，我认为纯粹在算法方面将会有很多伟大的发展，围绕我们的产品的新功能可处理变速电机。我认为这对我们来说是一个亮点——真正扩大了我们可以通过我们的产品线处理的不同资产类别的数量。我还希望能够提供更前沿、面向未来的功能，这些功能真正专注于目前正在开发的这些新的生成技术。我认为这确实是纯粹从产品线角度来看的两大亮点。

如果你纵观整个行业，也许是我个人好奇的一个领域，你会发现 Nvidia 如何将物联网模拟和远程协作与这个 Omniverse 堆栈相结合。所以这也是我在接下来的几个月里想要深入研究的事情。我认为工厂有一些非常有趣的发展，这些工厂在建造之前基本上都是模拟的。我相信其中一座正在匈牙利建造。看看现实如何与团队最初的愿景相匹配以及结果如何，这真的很有趣。

埃里克：当然。我的意思是，现在是一个令人着迷的时刻。有如此多的投资者资本更广泛地进入这个领域，即使它并不总是在这些特定领域。这肯定会推动技术堆栈向前发展。因此，我们将非常高兴地看到未来几年会发生什么。也许我可以在 12 个月左右的时间里让您参加播客，看看您在这些主题上的进展如何。我很想再谈谈。

安德烈：当然。我喜欢。

埃里克：安德烈，感谢您今天抽出时间。欣赏它。

安德烈：谢谢你邀请我。