音频文字.

埃里克：尼昆伊，感谢您今天参加我们的播客。

Nikunj：是的，谢谢。我很荣幸来到这里。

埃里克：是的，太棒了。对我来说，这是我们将要讨论的一个非常重要的主题，这个主题是——我认为如果你能从高层次上讲，如何将人工智能从一个项目转变为一个软件？由于 GenAI 和最近的一些其他发展，这是一系列相当有趣的发展。

Nikunj：同样如此。对我来说，我也花了 15 年时间做这件事，无意中经历了一些令人惊讶的曲折。但这也是一个让我非常关心的话题。

埃里克：在我们深入讨论之前，我想先多了解一下您自己以及您的公司 Falkonry。如果我没记错的话，您是在 2012 年创立这家公司的。到现在已经有十年了。当时的人工智能格局与现在大不相同。当时的人工智能格局是什么？是什么促使您在那个特定时期创立这家公司？

Nikunj：是的，我当时在 C3。我是一名软件架构师，我们正在开发一个用于能源效率和温室气体监测与减排的平台。在开发过程中，我们与一些电力相关系统制造商进行了交谈。我从他们那里了解到，时间序列数据中有很多未解答的问题。特别是，这些时间序列是由系统运行产生的。在了解客户需求的过程中，我意识到时间序列系统的前景非常贫乏。没有太多的研究。没有软件提供商。人们没有语言来谈论他们的问题。然后我意识到，当我们寻求采用更有利于气候的解决方案时，我们必须对这个时间序列数据问题做些什么。数据太多并不是太多，而是我们真的不了解如何处理它。随着时间的推移，我们一直在完善利用数据和使人们可以使用数据的方式。所以对我来说，灵感来自于，这是一种全新的数据类型，人们对此知之甚少。从我在 Oracle 的经历来看——我在那里工作了大约五年——我了解到，当你正确处理这些问题时，整个软件公司生态系统就会出现，甚至不是项目公司。

Erik：有趣的是，您提到碳管理是促使您从事这项工作的初始项目。我很好奇您对 AI 的横向和纵向应用的看法。因为我认为 Falkonry 和许多 AI 平台都是相对横向的，对吗？因为我猜，最终您处理的是数据，而数据的主题是什么并不重要。在许多其他软件领域，您会看到公司构建的 SaaS 应用程序非常横向，这实际上与 UX 和 UI 有关，并且非常深入地了解特定的客户问题，以便为他们构建正确的解决方案。您如何看待 AI 的发展？您认为 AI 是否更倾向于垂直应用，还是真正需要构建强大的横向工具包，然后让客户或系统集成商弄清楚如何将其用于特定应用？

Nikunj：是的，我想说两点。第一，项目与软件。一般来说，软件往往是横向的。项目往往是纵向的。这并不意味着它们是一回事，但通常情况就是如此。第二，当谈到人工智能时，对人工智能来说最难的通常是理解数据类型。因此，语音（即口语）与文本是截然不同的数据类型，即使它们可能会延迟。同样，时间序列是一种与文本截然不同的数据类型。因此，从根本上讲，人们必须弄清楚如何处理该数据类型。您仍然可以考虑横向。因为时间序列并不局限于制药行业，例如雷达。我的意思是，它们仍然都是时间序列数据。也许数据的采样率可能非常不同。但它们仍然是时间序列数据。我确实认为，人工智能从根本上必须擅长处理时间序列数据，这样人们才能真正利用这种技术。

因此，总体而言，从高层次来看，人工智能的横向方法将继续存在，因为这就是规模经济所在。我相信，人工智能的专长在于如何使用相同的计算架构来处理不同类型的数据。如果可以的话，数据类型必须在数据库级别查看。在应用程序级别则不是。

Erik：好的。我想谈谈 AI 采用从基于项目到基于软件的演变这一主题。但在深入讨论之前，让我们先介绍一下 Falkonry 的产品组合，这样人们也知道你们的业务来自哪里。所以，我看到的较高层次是，你有一个时间序列 AI 云。你插入数据。

Nikunj：时间序列。

Erik：是的，插入时间序列。所以时间序列才是这里的主题。你围绕这个 AI 云构建了哪些产品？

Nikunj：我们从工作中了解到，人们在操作和管理时间序列数据方面的技术确实非常差。因此，我们称之为 AI 云的 Falkonry 产品提供了两项核心功能。一是处理这些数据以满足分析需求。这需要根据具体情况采用不同的技术。Falkonry 提供的一项技术是异常检测。异常检测可以识别异常行为、罕见行为和新奇行为。人们希望知道这些，因为他们存在一系列问题，即使设备通常以正常方式运行，这些问题也不会发生。当出现异常行为时，通常表明存在某种损坏或健康状况。这就是 Falkonry 执行的处理类型的一个例子。

我们还执行模式处理，这意味着区分模式和识别模式。Falkonry 执行的第三种类型是规则处理。因此，您可以将精确或模糊谓词应用于数据，以将您正在测量的内容转化为您想要采取的操作。这是处理数据的三种不同方式。现在，这些是不同的处理方法。除此之外，Falkonry 还提供了以与统一命名空间一致的方式提取、组织和存储数据的方法，以及一种可视化数据的方法，以便人们能够了解他们的数据是什么样的以及他们的工厂中发生了什么。所以这些是 Falkonry 在其 AI Cloud 中提供的核心。

Erik：好的。那么对于前端用户来说，他们通常会直接与 Falkonry 的前端交互吗？还是您会将这些分析输出插入到他们现有的软件堆栈中？

Nikunj：一般来说，在正常操作过程中，Falkonry 的结果会被插入工作流系统，人们会在那里进行交互。我们还发现，当人们试图对分析过程产生信任时，他们希望直接与 Falkonry 界面互动。因为这是可解释性最高的地方。其次，我们还发现很多人需要有办法了解他们的数据中发生了什么。为此，他们主要通过 Falkonry 自己的用户界面与其互动。所以一般来说，使用 Falkonry 结果的大量用户将通过工作流系统。但会有一小部分人是该组织数据的专家，他们将直接与 Falkonry 的界面互动。

Erik：好的。明白了。然后是您所涵盖的行业，几个行业，但我想它们都有特定的主题。石油和天然气、化学品、半导体、制药，所以这些都是面向流程的，汽车和金属。离散的，但数量也非常大。

Nikunj：是的，我想说金属并不意味着减材制造。金属生产本身。这里我们谈论的是炼钢。它实际上是一个过程工业。另一方面，半导体，尽管感觉像是一个过程工业，但在室内完成的工作本质上是非常离散的。因此，当您开始在时间序列级别上工作时，离散和过程之间的区别实际上变得无关紧要。您需要不断地在这两个词之间来回切换。所以是的，我们确实与您提到的行业合作，也与非常复杂系统的设备操作员合作，例如美国海军，他们也在寻求充分利用一艘军舰内使用的所有不同类型的设备。从这个意义上说，它非常多样化，因为他们都在寻求从数据中了解他们的世界中发生的事情。

埃里克：哦，这很有趣。基本上，你正在与一系列制造业合作，这些制造业的停机成本或某种中断成本非常高，对 OEE 的要求很高。然后你正在与国防合作。在那里，你实际上是在与资产本身打交道，而不是生产设施。对吗？

Nikunj：没错。所以这些资产并没有产生什么。它们被用来履行组织资产的功能，例如国防。

埃里克：我明白了。那么你们用于分析国防时间序列的平台是否必须与制造业用例有很大不同，还是基本相同？

Nikunj：不，没什么不同。没什么不同。其实是一样的。完全一样。可以这样想，在任何复杂的物理系统中，尤其是连续使用的系统（即在生产级使用）都会有重复的行为。人们想知道这些行为何时开始偏离重复，以便能够采取任何预防措施。因为这是我提到的所有客户的共同主题，所以他们的需求可以通过时间序列 AI 云来满足。我们需要能够存储所有这些数据。我们需要能够将其可视化，通过有组织的方法检索它。我们需要能够找到任何类型的行为，无论是异常行为还是特定已知类型的行为，无论是精确表达还是通过示例表达。这就是人们使用 Falkonry 的原因。

我想回到我们之前讨论过的一个问题，即项目与软件。这个领域的基本挑战是客户想要解决方案，他们成立项目来寻找解决方案。由于问题非常复杂，解决问题本身就非常耗时。最后，我们得到了解决方案，但并不一定解决了问题。在分析的背景下，开发这样的软件一直都是——这并不是什么新鲜事——在上一代，我们有 BI 解决方案，比如 OLAP 数据库技术中的星型模式，这是一个很难实现的解决方案。例如，有很多分析会查看总账。但直到星型模式诞生和 OLAP 数据库专业化，才有可能在不进行任何新软件开发的情况下获得商业智能解决方案。那时，它只是软件，你可以实施。

因此，过去五七年，机器学习主要都是在尝试找出共性，以及背后的软件。即使对我们自己来说，我们也参与了大量机器学习，并且有一个非常明确的想法，那就是我们需要找到这些机器学习活动中常见的软件。因此，我们首先将重点放在软件模式识别上。但我们在此过程中意识到，工业界的大多数需求并不涉及已知模式，因为这些都是第一次出现的新问题。因此，如果你无法解决第一次出现的问题，那么对客户的价值就会大大降低。甚至他们也没有某些特定问题发生时间的精确记录。因此，这让我们明白，我们需要进行异常检测，以便能够在没有任何示例的情况下区分重要行为和不重要行为。这就是软件的发展方式。你必须能够满足多种多样的需求，而不需要精确地指定人们正在寻找什么，并且能够跨越从原始起点到人们了解他们的世界中正在发生的事情的很大距离，而无需进行设置。

埃里克：好的。是的，这很有趣。您今天的工作状态——也许您也可以更广泛地评论一下行业状态——就从基于项目到基于软件的 AI 的这条道路而言，我们目前处于什么位置，也许从客户的角度来看，Falkonry 处于什么位置，能够部署系统以及所需的资源、时间，也许还有客户端的人员，以开展项目以使其处于正常运行状态？

Nikunj：这个问题问得很好。我认为，仅在过去一年，这种情况就发生了巨大变化。我认为，这种变化很大程度上要归功于生成式人工智能技术。不是生成式人工智能本身，而是生成式人工智能技术。广义上讲，人工智能的采用有三个主要阶段。第一阶段是将数据源连接到人工智能。第二阶段是建立对人工智能功能的信任。第三阶段是将人工智能的结果交付到应该采取行动的人手中。一般来说，这就是三个主要阶段。每个阶段都很容易出错，而且非常具有挑战性，尤其是第二个阶段。

在过去一年左右的时间里，随着 MQTT 和围绕 MQTT 的各种数据建模标准的融合，我认为这个问题已经变得不那么严重了。例如，现在我们使用许多数据源，如 IBA 历史数据库，例如 PI 系统及其历史数据库，还有 Litmus Edge，它们能够将工厂直接连接到云端，而无需使用历史数据库。所以这个问题基本上已经解决了。我们的客户通常会在几个小时内将他们的工厂连接到 Falkonry。他们用现有的人才来完成这项工作。你不需要引入系统集成商。你只需要在软件中给他们指令，他们就会自己做。这是一个重大的进步。过去人们会花几个月的时间尝试做到这一点。其次，关于人工智能本身。同样，以前你必须设置机器学习。为了做到这一点，我们必须将领域专家、数据科学家和软件或数据工程师聚集在一起，他们将能够反复地找出领域专家所知道的内容，从而了解如何处理数据以及如何准备数据以用于软件。

我知道工业界面临的挑战有很多。但我想强调的是：第一，数据准备，即对齐数据或删除数据中存在的某些伪像。第二是数据质量。这通常是指人们不知道所收集的数据与感兴趣的事件有何关联。这是第二个问题。第三个是建模和模型验证的问题。这主要是数据科学的功能，即发现其输出结果并将其与现实世界进行比较。第四是 MLops。这是人们试图弄清楚的地方，如何随着时间的推移运行所有这些模型？如何进行维护，等等？因此，这些问题（我没有全部列出）在很大程度上限制了我们成功的能力。而且它们都非常复杂。它们需要大量时间。人们过去通常要花费数周时间，在许多其他公司的情况下，通常要花费数月时间才能完成每个用例。

例如，在 2021 年发表的一篇论文中，我们的一位客户报告说，他们能够每两周完成一个用例。他们做了 50 个这样的用例。他们可以同时完成这些用例，但每个用例需要两周时间。现在，使用我们的生成式 AI 技术的同一个客户可以在五周内完成 100 个用例，而他们什么都不做。计算机在学习它需要学习的一切，并在所有这些用例上进行交易。因此，他们将从 50 周内完成 50 个用例，到 5 周内完成所有这 50 个用例，或者实际上他们将完成 150 个用例。而且，在此过程中，他们实际上没有做任何准备。他们没有做任何标记或数据质量改进。他们没有试图弄清楚如何部署它。所有这些都是自动化的。这就是从 2021 年和 2022 年到 2024 年的今天发生了多大的转变。

埃里克：是的，哇。好的。所以在工作流程的某些部分，我们基本上有 100 倍的改进或 10 倍的改进或类似的改进。

Nikunj：是的，没错。

Erik：您认为目前的瓶颈在哪里？我想，如果您纵观整个工作流程，人们不会说我们实现了 50 倍的改进。因为仍然存在一些瓶颈阻碍了这些技术的实际应用。

Nikunj：是的，非常赞同。所以我认为目前的主要瓶颈是信任。这是一个根本性的瓶颈。我认为，作为一个社会，我们必须找到获得信任或培养信任的方法。这是引入任何新技术的一部分。我们看到，信任和安全是生成式人工智能的主要问题。我们所有人仍然在质疑它告诉我们的一切。从技术角度来看，这是主要瓶颈。第二个瓶颈往往是将数据源集成到人工智能系统中。在这个领域，不同技术或不同供应商使用的方法的差异也带来了延迟。因为人们必须做出选择，而他们的选择存在互操作性问题。所以，这与其说是一个社会问题，不如说是一个经济问题。我们同意采用通用的数据传输机制。我们正在与 Litmus 等某些公司合作，他们通过统一的命名空间和统一的数据架构来解决这个问题。这样，无论数据来自何处，无论数据中记录的行为来源是什么，分析仍可以以相同的方式处理这些数据。因此，我们看到任何供应商的解决方案都具有相同的基础。这并不重要，因为它不是特定于供应商的标准。所以我认为这是采用的最大挑战。当然，人的问题才是更大的问题。我认为软件和标准问题实际上可以得到解决。无论什么成功，都会变得更加普遍。

在信任方面，我们看到的是，实际上，在过去，人们需要花费一些时间来从此类分析中获得输出。因此，建立信任需要很长时间。但现在，由于人工智能的初始输出在短短几周内即可获得，因此人们能够建立信任。一旦他们建立了信任，他们就希望扩大规模。他们希望以工单的形式直接将输出交到维护团队手中。所以这是一个更容易解决的问题。但它目前是一个瓶颈。如何在正确的时间以正确的细节程度将其交到正确的人手中，以便他们采取正确的行动？

Nikunj：是的，我可以想象，尤其是对于首次出现的异常，如果人工智能说你需要关闭这条生产线，因为存在一些异常，你就会有疑问。对吧？我们是关闭生产线并降低生产力，因为我们信任系统，还是我们需要进行操作并冒着出现故障的风险，因为谁知道系统是否正确？作为一家科技公司，我的意思是，很多科技公司都是为了打造技术而设计的。它们不一定是为了改变人类行为而设计的。你如何处理帮助建立对系统的信任这一问题？这可能不是为了你向其销售软件的人。这可能是为了使用你的软件的一线人员。

Nikunj：最终用户。

埃里克：是的，那么作为一家科技公司，你们如何看待这个问题呢？

Nikunj：我认为这有两个组成部分。首先是培养对研究结果的技术信心。也就是说，人工智能是否真的智能？它是否找到了我没有的、对我的工作有帮助的信息？当然，越少付出越有帮助越好。其次是，它是否以我能使用的形式提供给我？现在，由于这些行业的问题往往会产生数百万美元的损失，因此人们的积极性很高。因此，只要可以证明智能，就会有采用的倾向。为了证明这一点，我们基本上进行了纵向研究，研究通常持续一个月，但有时更长，人们可以将正常业务与人工智能的结果进行比较。人工智能是否能够看到最终导致停工或延迟的早期损害，并在之后进行纠正？人工智能是否识别出虚假的行为，因此不需要采取任何行动。总的来说，它发现了多少有用的东西，以及它可能造成的滋扰，这是人们想要做出的关键评估之一。这成为信任的基础。

正如我之前所说，信任的第二个要素是人工智能如何传达它所发现的东西，以及它是否以一种我可以接受的形式传达？我是否相信它并不重要，重要的是我是否理解它。信念部分通常在我描述的研究中完成。因为我可以纵向查看工厂中的大量组件和子系统，所以人工智能是如何运作的？因此，它发现某些东西并不是偶然的，因为它必须在很多地方找到它。

信任实际上通常归结为：它是否足够简单，我可以理解我应该做什么？在这方面，我们正在与组织合作，以确定可能出现故障的子系统，其故障方式与 MICA 并无太大区别，只是他们没有进行关键分析来找出所有原因、这些原因究竟如何发挥作用，或者它们是否有仪器进行测量。因此，如果从临床角度来看，这将是广泛的分析。所以这里只是了解这个组件何时发生故障，这些是它可能会影响的事物。这是我们在这种事物附近进行的所有感知。因此，我们正在利用这种级别的信息来增加用户的信心。当人工智能发现异常时，它会在多个这样的数据源中找到它。他们可以在有限的时间内（可能在几个小时内）看到它是如何演变的，因此他们可以看到它在正常时是如何工作的，以及在损坏开始发生时它是如何工作的。

Erik：在将分析结果传达给用户这一挑战中，您认为生成式人工智能在其中扮演着什么角色？因为我认为这是一项非常适合交流的技术，并且能够以相对人性化的方式使用人工智能进行交流。对吧？这可能与某些人可能使用的传统分析仪表板非常不同。您是否认为未来会有更多基于语言的交流，比如问题所在，以及可能的潜在根本原因，等等，这些都是人工智能带来的？或者您认为，传统的仪表板显示不同的数据视图仍然是人们处理数据集的主要方式？

Nikunj：Erik，我认为此时最重要的一点是认识到或认可制造业可能是一百万个不同的过程，这些过程永远不会完全相同。对吧？我的意思是，半导体制造中洁净室制造的例子很少见。即使是同时投入使用的两条生产线，在其整个生命周期内，其工作方式也可能不同。它们很快就会开始出现分歧。生成式人工智能方法可以解释人工智能的发现，这很可能在预测性维护中最有用，特别是在开发可以大规模应用的零件或组件特定预测时。想想泵。想想电机，那里部署了数万甚至数百万个这样的电机，同一个供应商制造了大量这样的电机，并拥有所有的故障记录，能够开发一种与最终用户沟通的语言方式。

从我们的经验中，从更广泛的制造业中，我们了解到，所有被认为是关键或工厂平衡的、不属于系统高基数的东西都需要关注。几乎没有人能解决这个问题。这就是 Falkonry 通常更擅长的地方。在这个领域，少即是多。所以能够说我们看到了问题。就拿第 12 段 Lazo 来说吧，它是连续铸造过程的一部分，有一块熔融的钢坯流过，通常处于闲置状态。但是当有一根钢条开始流动时，它就会向上移动。所以，如果一开始没有人会立即停止生产线，那么只要知道 Lazo 中存在张力问题就足够了。因为连续铸造不会停工一整周。然后每周，可能有一个四小时的窗口期，任何维护都必须在这个窗口期进行。但知道 Lazo 出现故障意味着有人会在维护窗口期打开时检查它。

通常，人们不需要知道数据中的内容，因为验证是在建立信任时进行的。我们预计会有运营服务中心，维护团队会打电话询问，你能给我解释一下发生了什么吗？人工智能发现了什么？只有在极少数情况下，他们才需要这种类型的帮助。所以我们需要从维护技术人员的角度来考虑这个问题，他们不需要被如此详细地指示他们的工作是什么或他们需要做什么。他们只需要知道在哪里和什么时候，并且有某种方式来找出为什么，什么时候他们需要知道这些，而他们自己无法确定。这可能是在制造业采用人工智能的更好媒介。否则，这将是一个漫长的过程。有太多不同的系统，而且没有公开数据。因此，生成式人工智能也会给人们带来很大的负担，让他们去理解这个人工智能试图告诉我什么。

Erik：有点想换个话题了。很多组织，当然包括你正在合作的组织，都拥有大量的存档数据。我想在很多一次性异常检测的场景中，例如，你处理的是实时数据或某种实时数据加上最近的历史数据，你对存档工业数据的潜在价值有何看法？你认为存储这些数据并对其进行处理以评估潜在见解是否值得？或者一般来说，只有在极少数情况下才值得付出努力和成本？

Nikunj：是的，这个问题问得很好。我们之前谈到了数据质量和数据准备的问题。很多时候，当人们存档工业数据时，他们会对这些数据进行一些或其他准备。很可能一些关键细节被清理掉了，因为它引入了噪音。举一个非常简单的例子，历史数据库旨在将数据存储在 SQL 数据库中。而 SQL 数据库技术的可扩展性不如现代数据存储技术。因此，他们总是试图删除与以前的值略有不同的数据。因此，存档的工业数据（如果将其放入历史数据库技术中）不太可能有太大价值，因为它会消除数据中存在的关键信号。另一方面，将全保真数据存储到历史档案中可能只有在有目录或精确的信息目录的情况下才有用。

例如，我们看到国防部在测试期间收集了非常高保真的数据。但在测试完成后不久，他们就没有任何方法找到他们想要的数据。因此，即使他们将其放入历史档案中，他们以后也很难找到这些数据。因此，出于这些原因，我们相信，当你真正理解并确认你得出的任何结论确实是正确且可行时，近期和实时数据所创造的价值将高得多。历史数据可用于加速学习过程。但这完全取决于操作的稳定性和数据编目程度。在缺乏这两方面的知识的情况下，我们通常认为历史数据档案的潜在价值非常低。

Erik：好的。那么对于您的 AI 引擎，您建议您的客户或用户将在那里处理的数据保存多长时间？我的意思是，我相信这在不同情况下会有很大差异。但在更常见的情况下，什么往往是合理的？

Nikunj：是的，实际上，为了让人工智能能够学习并变得优秀，它至少需要 10,000 个数据点。如果你每秒采样 10 次数据，那么你可以在几个小时内到达那里。所以你不需要很多历史记录。然而，我们仍然告诉客户，在最初的几周里，我们将实际观察该计划并查看它产生的数据，以便我们可以制定一个相当好的基线。通常，这个基线需要大约一个月左右的时间才能在他们带到工厂的所有数据的 80% 中同样有效地发挥作用。通常，在三个月内，90% 的数据将很好地成为基线。所以这就是历史记录的数量，取决于你是想达到 80% 还是 90%，这将是必需的。你的工厂的 5% 总是会发生变化。所以你不应该试图达到 100%，因为它实际上是虚构的。它不存在。达到 80% 意味着您可以投入运营。所以基本上，您可以在一个月内投入运营。拥有超过一个月的历史记录不会有太大区别。因此，我们建议客户，如果您有过去一个月的历史记录，那就太好了。然后我们可以跳过。我们可以为自己节省几周的时间。但除此之外，您的工厂一直在变化，而您没有关于何时发生什么变化的精确记录。因此，很难从旧数据中学习。

埃里克：好的。这是个很棒的见解。是的，工厂肯定在不断发展，对吧？因此，如果生产线在这段时间内发生变化，那么拥有两年的历史数据就没什么用了。

Nikunj：是的，没有记录表明何时发生了哪些变化。

Erik：所以您已经分享了过去几年在流程的某些部分取得的重大改进。如果您看看今天您向市场推出的产品，然后预测未来 3 到 5 年，您认为最让您兴奋的技术是什么？您认为未来几年您在与客户合作的方式方面将发生哪些变化？

Nikunj：我的意思是，Falkonry 以创新而闻名。我们被《福布斯》和 CB Insights 评为 AI 50 强公司。因此，创新是我们的 DNA。我们在全球拥有 29 项专利，从如何将数据写入存储以便轻松平移和缩放，一直到如何对时间序列数据进行深度学习。因此，我们不断创新，过去 10 年我们一直如此。

现在，当我展望未来几年时，实际上，大部分创新都在于使核心创新更容易被人们使用。因此，在这方面，将会有大量与数据源和人们期望在企业部署中使用的标准的集成。同样，将会有大量与工作管理系统的集成，以便可以按照他们的实践进行调度。我想说，这种集成实际上是一个主要的工作领域。我知道这不完全是创新。但是当你开始思考人工智能是否有可能非常迅速地得出结论，最近完成的维护是否有效时，人们需要知道这一点。因为无论人工智能是否告诉他们这样做，他们都会进行维护。了解人工智能维护是否正确执行可能会非常有帮助。我们知道很多故障都是执行维护的结果。所以这是我们期待推向市场的创新领域。

第二个问题是，当人们试图在不提前识别故障模式的情况下观察系统状态时，我们如何获取有关工厂设计的信息，以便我们能够自动创建故障从系统一个部分传播到另一个部分的过程，并且从数据中进行创建，这样人们就不必对故障理论有一个静态的看法，然后在一夜之间保持这种静态看法？所以这是未来工作的另一个主要领域。第三个问题是，我们如何让人们轻松超越人工智能，并说，我知道人工智能为什么这样做，它做了什么。但我不想要它。我希望人工智能不要这样做。这也是生成人工智能所说的安全舱口。例如，不要发表仇恨言论，对吧？不要泄露人们的私人信息。这是另一个。所以这些是安全舱口。在我们的生成人工智能之上的安全舱口，这样人们就会对人工智能感到更舒服，并且在使用它时会更有效率。这些是我们看到未来创新的三大领域。

埃里克：好的。最后一个问题。我们一直在谈论您的业务。我们一直在谈论您正在使用的一些核心技术。如果您稍微看一下业务的边缘，您今天在生态系统中还看到了什么让您个人感到兴奋的东西？这可能传统上不是 Falkonry 业务的核心部分，但可能会产生影响。您认为还有什么可能不太引人注意但人们今天应该更加关注的东西吗？

Nikunj：我认为一个具有挑战性的领域是，人们通常不习惯在工厂中处理实时数据。每个人都以一种略显陈旧的视角、静态的视角来看待地球。人们需要如何改变他们的工作，以便他们能够更聪明地工作，并能够更灵活地做出决策？这是一个很大的人为因素问题，我认为我们大多数人都不太清楚如何实现这一点。所以我非常好奇，人为因素在工人体验的演变中扮演着怎样的角色。其中很多被视为互联工人。它只是在其中发挥作用。但我认为还有更多。特别是，如果你可以对正在发生的事情进行上下文和情境可见性，你就可以结合你的视野和数据来做出及时的决策。所以这是我感到兴奋的一个领域。第二个是理解物理系统设计和操作之间的关系。在很大程度上，我们在模拟世界中理解了这一点。但是模拟和物理设计如何在操作中发挥作用？这仍然是一个未解问题。因此，从计算角度来看，我对这个领域的未来感到非常兴奋。因为我们现在拥有更好的计算手段，并且我们能够更好地了解操作中存在但在模拟中不存在的噪声。

Erik：好的。两个非常有趣的领域。我的意思是，关于第一个话题，我想我们主要讨论的可能是可穿戴设备，护目镜，比如某种护目镜类型的可穿戴设备。我想它们也可能是屏幕。只是可用性吗？显然，当你在工业环境中时，拿着屏幕走动或把屏幕放在眼睛上仍然有点困难。考虑到当今的技术状况，您是否认为这真的只是硬件限制，还是您看到了其他限制？

Nikunj：这是一个形式因素问题，其中存在变量或增强环境。但还有一个问题，即哪些信息可以被使用而不会让用户不知所措。我个人认为，它不太可能是增强现实，更可能是人们可以随身携带的移动信息。它可以在他们的手表上，并且可以更准确地了解他们的位置。因此，当他们经过时，可以获得哪些信息，或者他们是否能够在做出那段时间的决策时查看示意图并查看所有当前信息。所以也许没有那么高科技。但这仍然是人为因素的考虑因素。工作如何发展，特别是在维护、运营和质量团队中，以便他们能够根据最新信息采取行动？目前，唯一能做到这一点的人是站在讲台上的人，而不是其他人。

埃里克：好的。这很有趣。所以挑战在于：你要避免分散人们的注意力。这意味着你必须以一种谨慎的方式，在你能向他们呈现的所有潜在信息中，只呈现相关信息，然后在非常小的屏幕上呈现。

Nikunj：是的。

Erik：Nikunj，我想我们今天已经讨论得够多了。还有什么内容我们没有提到，但对大家来说很重要？

Nikunj：是的，我们刚刚谈到了项目与软件。有一点我想强调一下。过去 10 年左右主要都是关于解决方案和项目。我们所有人都必须认识到的一件事是，这为整个行业创造了一个相当不可持续的局面。其中一个影响是，从我们的角度来看，初创公司将开始消失。这表明，第一，我们已经完成了我们这个领域、这个领域的重大发展周期。第二，那些看似完美契合的解决方案的项目更像是海市蜃楼，而不是现实。我们现在必须更加清楚，是什么让某个东西成为我们可以在很多地方重复应用的软件，即使这个过程可能感觉需要管理人员付出一些努力。这可能是系统从几乎看不见的特定问题的解决方案发展到可以在很多地方应用的软件的重要组成部分。

所以我认为我们应该寻找工业数据平台。Falkonry 正在开发一个工业数据平台，它有点像 Snowflake 和 OpenAI 的结合，形成一个单一的解决方案。这就是未来。时间更容易。除了人工智能之外，它实际上不适合任何其他东西。它太庞大、太复杂，更重要的是，当人类不整天看图表时，它对人们来说太不透明了。我们确实会看文本。我们不听其他东西。但我们不会一直看时间图。所以这总是很难。我们需要人工智能来擅长它。这只有在数据工厂中内置人工智能时才有可能。所以这就是我想建议的。当你在看软件而不是项目时，寻找这样的数据平台。这就是未来所在。

Erik：非常好。Nikunj，非常感谢您今天抽出时间。

Nikunj：是的，我很荣幸，我希望各位听众能从中获得一些有趣的观点。