在本集中，我们将讨论边缘机器学习的商业价值，以及对混合边缘云架构日益增长的需求。我们还提出了一些技术趋势，这些趋势将提高边缘计算系统的可用性和功能。

Sastry 是 Foghorn 的 CTO 和联合创始人。他负责并监督所有技术和产品开发。 Sastry 的专长包括在大数据、SOA、微服务架构、应用服务器、Java/J2EE/Web 服务中间件和云计算领域开发、领导和架构各种高度可扩展的分布式系统。

FogHorn 是面向工业和商业物联网应用解决方案的边缘智能软件的领先开发商。 FogHorn 的软件平台将高级分析和机器学习的强大功能带入本地边缘环境，为高级监控和诊断、机器性能优化、主动维护和运营智能用例提供一类新的应用程序。 FogHorn 的技术非常适合制造、电力和水、石油和天然气、可再生能源、采矿、交通、医疗保健、零售以及智能电网、智能城市、智能建筑和互联汽车应用领域的 OEM、系统集成商和最终客户. info@foghorn.io

_______

自动成绩单

[介绍]

欢迎来到工业物联网，聚焦工业物联网思想领袖与您的主持人埃里克·瓦伦扎（Erik Walenza）一起改变当今企业的洞察力。

欢迎回到工业物联网聚光灯播客。我是您的主持人，IOT one 的首席执行官 Erik Walenza。今天我们的嘉宾是 Foghorn 的首席技术官兼联合创始人 Sastry Malladi。 Foghorn 通过优化约束、计算空间和有限的连接性，在边缘提供全面的数据丰富和实时分析。在本次演讲中，我们讨论了边缘机器学习的商业价值以及对混合边缘云架构的需求。我们还探索了将提高边缘计算系统的可用性和功能性的技术趋势。如果您发现这些对话很有价值，请给我们留下评论和五星级评价。如果您想分享您公司的故事或推荐一位演讲者，请发送电子邮件至 team@iotone.com。

[埃里克]

谢谢萨斯特里。感谢您今天加入我们。

[美味]

这是我的荣幸。

[埃里克]

所以今天我们今天有一个稍微技术性的话题。因此，云主导的解决方案将如何采用更多的边缘优先或云边缘混合方法。

但在我们进入技术细节之前，我想更多地了解你来自哪里以及 Foghorn 的背景。所以从你的背景开始，我知道你现在是 Foghorn 的 CTO。我相信你是在大约四年半前加入的。你是怎么来到 Foghorn 的？是什么路径引导您来到这家公司的？ Foghorn 是什么让你觉得这是一家我认为潜力巨大的公司？

[美味]

绝对地。所以是的，我是。我是四年半的联合创始人兼首席财务官。另外，我是一个内心的企业家。我有技术背景。过去二十年左右的领导角色，以及执行管理角色，大公司，初创公司自筹资金公司。我的背景主要是从硬件设备、操作系统、应用网络开始，慢慢回到应用服务作为大数据。

等等，我是如何对我们的种子基金产生兴趣的，投资者，位于帕洛阿尔托的蜂巢，通常会留出一些种子基金，并试图寻找创始人来解决某些问题。他们想要解决的问题领域之一是工业物联网领域。他们一直在寻找能够来帮助构建这项技术以解决特定问题的创始人。我们将在一秒钟内了解我们实际要解决的问题，但这就是他们开始与我交谈的方式，我会说大约六个月左右。然后我会在同一时间加入其他联合创始人，大卫金。这就是我最终放弃然后再也没有回头的方式，从那时起我一直很享受。我们实际上正在建立一家非常酷的公司来解决工业物联网客户的实际问题。

[埃里克]

那很有意思。所以它实际上是一个种子基金，有一个他们认为需要解决的问题。然后他们基本上招募了你或他们，他们寻找了他们认为能够解决的创始人。

[美味]

就是这样。它的工作方式是，一旦他们招募了我们，然后他们就把它留给我们。我们实际上去筹集资金，就像 CDC 说的，我们从 CDC 开始。我们目前，我们最近刚刚在去年 11 月资助了一个封闭的 C 系列，但 ABMC。然后我们基本上雇佣了团队的其他成员，构建产品，将其推向市场，你知道，向客户收费等等。所以我们从那里拿走它。事实上，种子基金公司帮助我们引导这个，然后我们从那里得到它，但这就是他们的模型的真正运作方式。

[埃里克]

好的。我敢肯定他们对结果很满意，因为 Foghorn 现在有很大的吸引力。

[美味]

是的，绝对的。到目前为止，一切都很好。

[埃里克]

你认识大卫吗，在你和他共同创立公司之前，或者

[美味]

其实我没有。我遇见了他。当我们的种子投资公司介绍我们时，我已经和大卫谈过了

[埃里克]

在我们进入技术细节之前，请告诉我们一些关于什么是 Foghorn 以及您解决了哪些问题。到底是什么，公司背后的价值主张是什么？

[美味]

所以如果我们看看物联网，我知道物联网是一个流行词。很多人都这么用。但是如果你具体看工业领域，无论你是在谈论制造业，猛烈的气体，全线运输，都会出现问题，对吗？因此，这可能是产量提高问题是报废问题或预测性维护问题，直到现在。他们一直在做的是试图以某种方式收集一些关于他们试图监控的资产的数据信息，以优化他们的资产和业务成果。然后以某种方式可能会将所有船发送到云环境中并进行一些分析并尝试找出问题所在，对吗？这对他们来说效果并不好。将所有这些信息发送到云环境并在那里进行处理，然后将结果发送回资产中，这不仅成本高，成本效益低，而且也不切实际。

当他们为啤酒花这样做时，无论他们试图解决什么问题，机器都可能停机了。也许他们正在制造的部分已经发生了坏事。为时已晚，他们不会帮助他们。所以我们着手解决这个问题，也就是说，我们如何让这些客户以主动、预测的方式找出问题？这意味着从现在开始的某个时间机器将出现故障，即将出现的零件将有缺陷。因此随着年龄的增长自动向操作员发出警报。因此，他们可以通过优化业务成果、减少传统、废品、提高产量以及进行一些预测性维护等简单目标来解决这个问题。这是得出有助于实现业务成果的可行见解的基本前提。这就是我们所做的。显然，要做到这一点有很多挑战。这就是我们必须去发明我们以前不存在的技术的地方，也就是说存在限制，因为您在这些受限的环境中工作，并且存在的典型现有软件不在这些环境中运行。所以我们必须想出一种创新的方法来处理来自这些资产的实时数据。这就是我们在欧洲开始的方式。

[埃里克]

肯定是软件吧？因此，所有涉及的硬件，您都将与合作伙伴合作。

[美味]

这是完全正确的。该软件。但正如你可以想象的那样，正如你可能已经看到的那样，我们有很多投资者也是硬件合作伙伴，例如戴尔，是跨合作伙伴投资的，HPE，不是投资者，而是密切的合作伙伴。我们拥有博世，我们拥有与研华密切合作的众多硬件合作伙伴。然后我们进行认证，但我们实际上并不一定销售任何硬件。事实上，这些硬件制造商没有在预加载和测试我们的软件的地方列出偏差目录。如果客户真的想购买他们的硬件以及我们的软件，我们确实提供了这种捆绑包，以一种或另一种方式提供。

[埃里克]

好的。是的。实际上这是一个很棒的商业模式，对吧？我的意思是，作为一家年轻的公司，建立 Salesforce 以进入广阔的市场是相当具有挑战性的。因此，拥有惠普、戴尔和博世等，能够将您的解决方案推向市场，我想这是进入软件领域的正确方式。我想我们可以将软件划分为，比如说围绕如何处理数据、捕获、处理、管理数据的架构元素，然后是特定的应用程序。所以每个客户都有他们的具体问题。而且我认为这些应用程序在某些情况下有些标准化，但在某些情况下，将围绕需求进行一些定制。您通常是在做底层架构和应用程序，还是在许多情况下提供架构，但可能与具有特定问题应用程序的第三方软件提供商合作？

[美味]

嗯，这实际上是一个好问题。让我花几分钟时间解释一下，我们的基本商业模式是年度订阅软件，对吧？我们提供软件，这是一个核心引擎，客户可以在其中将软件安装到现有设备上。请记住，我们的核心 IP 是能够在约束设备上运行这些设备，无论您是否拥有现有的 PLC，无论您是否拥有现有的小型加固型、大型 Prairie 试点设备，或者在某些情况下，资产本身，对。我们可以将我们的软件安装在占用空间小的计算环境中。但是，一旦您这样做了，您就可以使用我们的工具将软件配置为使用他们的所有本地审查信息和所有程序，以了解他们发现要检测的内容以及要解决的具体问题。现在，当我们在 2016 年开始向我们的客户交付这款产品时，我们很早就了解到，这些客户中有很多，因为他们的工业性质，他们不一定专注于技术，因此他们会来问我们，你能帮助我们吗，你知道，不仅，你知道，安装，而且实际上帮助配置你的工具程序，这样我们就可以检测你试图寻找的问题。

我们已经开始这样做了。显然，作为一家互联网公司，我们必须进入这些客户账户。我们开始这样做，很快我们就意识到，在四个月左右的时间里，由于每个客户都在要求它，我们必须为它找到一个真正的解决方案。我们通过两种方式解决了这个问题。一是我们开始建立一个内部数据科学和技术服务部门来帮助解决这个问题。就像最初一样，如果我们想做一个试点，如果你需要我们的几个数据科学家来帮助，最初使用我们的工具来帮助你设置。所有这一切，我们都可以做到。许多客户继续这样做。我们还在全球范围内建立了大量的合作伙伴生态系统，从更大的规模开始，你知道，所有的，你知道的，Vipros India、印度 SIS 以及全球各地的本地 Micronet 站点，以及埃森哲、德勤和 April TCS，其中一些人都是我们的合作伙伴。

他们实际上熟悉我们的软件。我们对他们进行了培训。他们正在他们的实验室中运行它。因此，坦率地说，当客户真正来找我们或他们时，我们正在寻找需要我们技术类型的解决方案，他们也可以处理。但是我们确实有一个内部数据科学部门，它也可以帮助很多飞行员。现在，在我将其转回给您之前，我要说明的另一点是，在过去的四五年中，我们没有做过很多这样的试点，很多很多财富 500 强客户.然后我们开始确定这些可重复的常用用例中有哪些。我们开始将它们打包在一起，这样客户、我们、第三方都不需要自行进行任何定制，但他们会自行安装开箱即用的解决方案，然后使用我们的拥有自己的 UI，然后为这些常用用例启动并运行它。在过去一年左右的时间里，这也是我们发现更多牵引力的地方。

[埃里克]

好的。在这些打包的解决方案中，您可能会与战略合作伙伴一起在内部开发这些解决方案。是这样吗？

[美味]

不一定是为了合作伙伴，软件是我们自己开发的。然后我们确实有战略合作伙伴。例如，说我们正在开发，我们将在一秒钟内进入用例，开发一个需要相机的解决方案。我们与相机供应商建立了合作伙伴关系，从 BOSH 和其他众多供应商开始，我们可以说该解决方案实际上需要两个传感器。实际上也有人想通过中心安装它。他们已经与老师建立了合作伙伴关系。所以这一切都取决于它，但我们在良好的 IT 软件本身中的核心包解决方案开发是在内部完成的。然后在捆绑硬件方面建立伙伴关系。

[埃里克]

好的。非常清楚。让我们来看看会是什么，比如说通常与 Foghorn 相关的前五个用例

[美味]

在我说之前的用例，只有一个词，对吧？所以我们是一个通用的平台引擎。这就是我们开始使用边缘 ML 的方式。人工智能，是不是我们的一些商标能够在受限的小型企业环境中运行机器学习和人工智能。当然，传统分析和基于 CP 的分析也是如此。这是我们从头开始构建的核心引擎。我们已经在全球范围内获得了该品牌的多项专利。现在用例。最初我们开始，你知道，显然是制造，我们已经开始做文字处理，谨慎制造，散装案例。几乎所有这些都可以归类为提高产量、报废生产类型的用例，这意味着，您知道，机器本身正在制造产品的特定部件。而且那个产品出来时有缺陷。然后我们的软件试图在它产生有缺陷的部件之前提前保护和检测，然后修复它。

这是一种，第二种，还有很多很多类型的机器，无论是CNC机器还是泵，压缩机，资产类型的数量，不管你说的是什么类型的方面都没有关系预测分析，无论是针对其中产生的部分还是其次是过程本身，如果过程确实存在问题，以及如何，你知道，也许它没有正确地喂入罐子，也许输入本身是错误的。也许温度控制是错误的。无论流程问题是什么。我们也可以检测到这一点。这是我在制造副作用方面所做的几种类型的用例。当我们进行案例研究并切换到不同的工人时，我们会给你一个具体的例子，比如石油和天然气，因为问题的类型是不同的，也就是说，你知道，从上游开始，下游，并且在这些情况下丢失，当您钻探石油时，可能会出现许多问题。

例如，这可能是一个模糊的预防优化，可能需要做，或者当他们正在钻探领域以停止时存在流体污染。或者那是燃烧。例如，当您提炼刚钻出的气体时，可能会出现压缩机问题或其他一些问题，这可能是一种称为燃烧的现象，您开始将这些气体释放到大气中，导致排放问题和 EPA 法规、违规行为和处罚等等，我们实际上可以预测并主动预防并能够做到这一点，如果有超过某些官员并加以处理，那么您正在钻探的其他类型的问题，例如，钻床有问题，或者它们有问题。蒸汽标签是其他使用类型的问题，获取气体，泄漏气体，制造马其顿激光器，诸如此类用例在该领域内也有很大差异。

但同样，您可能想知道，您知道，我们如何处理此类绝大多数类型的用例。更根本的是，解决用例的方法是安装我们的足球、配置自动、检测传感器并使用我们的工具专门对您要检测的内容进行编程，除非它是我们可用的 PAC 提交。然后我们转向运输，这是我们正在研究的另一个垂直领域。用例的类型。还有资产的效率和优化。我们最初是从机车开始的，你知道，通用电气，它也是我们早期的投资者。他们让机车在机车内部安装我们的软件，能够优化和预测燃油效率条件，你知道，内部检测，设备本身的磨损，诸如此类。然后我们转向车队管理，特别是卡车，你知道，监控潜水员的行为，所谓的原因，条件二，一直到自动驾驶车辆。

现在我们正在与他们公司合作，在他们的百吉饼中实际安装我们的软件。这实际上是公开宣布的。保时捷是我们的客户之一。我们在那里完成了许多用例。我们也可以谈论这些。正如您可以想象的那样，用例的类型从预测性维护、主动故障、状态检测到状态监控，在所有这三个不同领域都有所不同。最近我还要说一件事，让你知道。我们也一直在涉足能源管理用例，特别是在建筑、智能建筑中，无论它们是办公楼、学校建筑还是酒店建筑，无论如何，我们也与霍尼韦尔合作。我们实际上正在尝试，我们现在有一个解决方案来优化这些建筑物的能源消耗，只需运行我们的软件并连接到传感器和编程来检测这些条件和类似的东西。所以它是我们一直在追求的一系列用例

[埃里克]

各种各样。所以我想，即使您将自己的集成解决方案推向市场，也将更标准化的解决方案推向市场，但在许多情况下，仍需要某种程度的定制。如果您能给我一个粗略的估计，您的客户中有多少能够在内部做到这一点，又有多少需要外部支持，无论是由您还是第三方系统集成商提供支持？

[美味]

是的，如果你问我直到去年才这么说，对吧？我们的大部分客户都在使用我们的一些帮助或以我们的一种形式或形式来定制或为他们构建解决方案或在 SSI 中进行协作。但在过去的 12 个月里，情况发生了相当大的变化。但是现在我们实际上已经开始实现这些打包解决方案，客户那些实际购买这些打包解决方案的客户不再需要依赖我们的任何服务支持。实际上，我们正在提出该解决方案的一部分，就像 UI 一样，它可以帮助他们。我给你一个简单的例子。比方说，你在谈论耀斑监测，对吧？所以玩家监控，这是一个基于视觉的 MLAI 系统。所以我们接受摄像机的馈送。我们采用压缩机传感器和阀门定位所有不同的传感器。

然后我们构建，例如，数据包解决方案，我们将有一个机器学习模型来处理这些显示图像以识别某些 KPI。现在，很明显，当您将该解决方案安装在不同的客户环境中时，他们的平面外观可能会略有不同。也许条件不同。可能是摄像头定位不同。可能分辨率不一样。其他的肯定是环境。因此，为了使该解决方案能够准确地生成这些 KPI，他们必须针对特定于他们的环境进行微调。并且要做到这一点，而不是他们隐藏我们，正如我们所说，更多的是去 NSI 帮助解决这个问题。我们实际上已经构建了一个用户界面，他们可以在其中进入，例如，上传他们的视频，上传他们的参数，让他们了解如何微调，然后在我们创建不同的解决方案时很好地销售。正确的？换句话说，在过去的 12 个月里，开始依赖我们服务的客户数量正在减少，但在最初的几年里，这几乎是其中的绝大多数。尽管他们中的很多人也是自己做的。

[埃里克]

好，太棒了。是的。这是我们一直看到的一个非常积极的趋势，即公司制作的界面更多，让非技术用户可以轻松修改它。

[美味]

这是完全正确的。如果我可以说一些之前忽略的东西，我们产品的核心优势之一是，我们实际上以 40 为中心，以运营技术为中心，正如我之前提到的那样，我们的很多客户还没有真正技术含量高。他们都是工程师，但从制造机械的角度来看，他们都是工程师，但不一定是计算机科学工程师。正确的。所以如果你去问他们并告诉他们任何事情，在编程方面，复杂的事情，这对他们来说真的很难。所以我们从一开始就开始构建，我们称之为以 OT 为中心的工具，一种拖放工具，他们可以在其中拖放传感器定义，识别和解释或表达他们想要导出的内容。然后我们负责幕后的编码业务。所以我们肯定会为此感到自豪，为了让我们在这个市场上取得成功，推出以汽车为中心的工具而不是以它为中心的工具真的非常重要。是的。

[埃里克]

这是一个很好的观点。我只是想问你谁是，比方说，谁是买家或系统所有者？因为我想 10 年前会是这样，但听起来情况并非如此。那么工程团队是否就是您将与之合作的人或将成为典型买家的人，然后是系统所有者想要看到的人。

[美味]

是的。所以这实际上是另一个很好的问题。通常，用户，也许我会把它分成两部分。我们软件的用户是实际的操作员，在工厂环境或炼油厂环境或车辆或诸如此类的工程师，对吧？所以这些是系统的用户。但很明显，有预算并实际购买它的人是某人，他们的 CIO、CTO，无论现在的角色是什么，与典型的 IT 销售不同，你去说服预算所有者或 CIO 或 CTO预算和去卖这个。然后每个人都开始使用它。在这些环境中，这并不那么简单，因为真正想要预算的人，有钱买的人，并不是实际使用它的同一个人或同一团队。所以我们必须让两个人都坐到桌子上，以确保它说服操作员，说服工程师，这确实为他们解决了问题。

当然，如果您没有预算，那也无济于事。即使工程师认为操作员认为它会有所帮助。因此，这是一个为期三天的对话，你必须先有预算，以确保有人有钱支付。其次，你必须有一个业务问题。已确定您要解决的业务问题。这可能是一个科学实验，有人，你知道，有一天醒来说，哦，让我们尝试一些新的东西。正确的。它必须是一个有效的业务问题。同意问题。然后运营商需要感觉到我们提供的解决方案确实解决了这个问题。事情就是这样开始的。

[埃里克]

好的。是的。我想，因为你有这两个不同的利益相关者，就像用户和买家是不同的实体，飞行员在某种程度上很重要，但是，你知道，这是一个最近经常出现的话题，挑战实施试点，然后大规模解决方案与针对特定试点解决的问题根本不同。所以飞行员，也许在很多情况下，不会扩大规模。那么，您如何解决可能必须进行试点以向这两个利益相关者展示价值的问题，然后确保试点实际上将扩展并在整个实体中提供相同的所需价值。

[美味]

所以它总是说你的客人，大多数时候它总是这样与飞行员交谈，因为他们想确保我们实际上能够在他们的环境中运行软件。我们实际上可以连接到他们的设备和传感器。事实上，我们可以证明我们能够预测他们想要的故障条件。因此，根据客户的不同，试点通常运行两到六个月。但是在我们进入试点之前，我们显然总是在进行合同谈判，说如果试点要成功，下一步是什么，对吧？如果我们有钟声，因为我们最近一直在这样做，我会说四五年了，我，你知道，其中一些实际上在生产中运行，大规模部署以及我们已经增强了我们所有的调整说，看，它不只是一个设备。

您连接的不仅仅是一台机器。当然，他们会在试点中这样做，但在试点之外，如果你有多个位置、多个站点、多台机器。你如何扩大规模？您如何使用您已经构建的相同解决方案之一，只需单击一下即可自动将其部署到多个站点，然后能够进一步本地化并针对特定环境进行自定义。你是怎样做的？因此，我们构建了一个名为雾和管理器的工具，帮助他们进行大规模部署和本地定制。然后还有诸如自动发现之类的事情，还有很多时候可以扩大规模。例如，目标手动配置系统以列出所有传感器。这实际上是不可能的，更不用说它容易出错的性质了。因此，我们内置了工具来自动发现哪些传感器实际可用和存在。

将其呈现给用户，让他们能够自定义该解决方案。然后，一旦您对其进行了自定义，只需单击一下即可对其进行本地化，一次选择多个这些设备，然后就可以推送相同的内容以进行任何更新。这不是一次性的事情，但可能会发布修复我们的补丁，错误修复，也许是更新。这也是同样的机制。因此，我们使用容器技术机制来实际开始自动将其运送到多个站点，而无需实际运送比特之类的东西。所以我们实际上已经考虑了所有这些。用于从一开始就进行扩展的管理监控配置工具。幸运的是，我们有大合作伙伴，他们中的许多人都是早期的投资者，这帮助我们在他们的环境中实际测试了它的这种扩展方面。这就是我们加强它的方式。当然，我们会继续从每个客户部署中学习，看看是否有，是否还有其他可以改进的地方，这是一个持续改进的过程。

[埃里克]

好的，太好了，太好了。很有意思。那么让我们转向技术，特别是关于何时使用云边缘或混合系统的讨论。所以我猜你可能有三个，比方说四个，我们应该为在这里不太熟悉的用户预先定义的四个术语。所以我们有云，我们有边缘，我们有雾，然后我们有混合系统。你能不能用你自己的话，用你自己的话来定义这四种可供选择的架构。

[美味]

是的，绝对的。所以让我们谈谈云，我相信我们都熟悉。顺便说一句，早在 15、20 年前，我就进入了自己的自筹资金创业公司。就像当时这里的侵略一样，人们习惯称其为不同的东西。我称之为伟大。其他一些人将其称为实用计算，最终称为云堆栈。但无论如何，托管的集中式数据中心就像环境中的所有数据处理和所有这些竞争都发生在一个中心位置。知道这一点是同一个中心化的，对吧？那是云。他们有主要的供应商，无论是微软、AWS、谷歌等等，对吧？所以这很清楚。我不会花很多时间在这上面。现在让我们在我进入边缘之前先谈谈，让我们谈谈前进，因为事实上，我们很早就将我们的公司命名为远去，并且上下文表明八、八年前左右。

正确的。事实上，思科最初提出了雾计算这个术语，尽管他们并没有完全执行。网络边缘背后的概念，当你拥有资产、制造、机器、石油、炼油厂，你知道，重量目标和建筑物，无论这些东西是什么，它们都处于网络或资产的边缘，并且任何发生在离他们更近的竞争，有时是在离他们更近的资产上，最初都是从雾计算开始的。实际上，这就是我们将公司命名为“远去”的方式，您可能已经注意到，我们不再在我们的任何参考资料中使用“雾”一词。这背后是有原因的。那么在过去六年左右的时间里发生了什么？很多人，以及，你知道的，像 open 这样的标准组织，我们是其中的一部分，他们开始淡化人们开始谈论的他妈的问候的定义，哦，雾是边缘之间的任何地方和云。

这是连续体，就是这个就是那个。然后，你知道，定义被淡化了。所以我们实际上停止使用雾这个词。事实上，现在使用它的人已经不多了。边缘是现在坚持的定义。这只是网络边缘的平均值，更接近资产或资产本身，您开始进行一些竞争以识别或预测您现在尝试做的任何事情。这种优势略有不同，特别是在 5 G 和移动网络运营商进入的情况下，以前称为 Mac MEC。它曾经被称为多访问比较。现在它被称为移动，它是竞争性的，反之亦然，他们对边缘的定义，这是今天仍然存在的另一个定义，不是将边缘视为资产或网络的边缘，而是将边缘视为基础站，蜂窝塔基站，来自资产的数据信息流入基站，这就是他们的边缘计算。

它不是一直到云，但它介于数据定义之间。所以我们谈到了云，我们谈到了雾。我们谈论边缘两种不同风格的边缘，然后是混合系统。今天真正实用的是混合系统。几乎我们部署的每一个客户，你谈到的任何人都总是使用混合系统，因为边缘有利于它的好处。云有利于它的好处。当您拥有历史数据时，PB 级规模的服务、跨多个站点的聚合、整个公司的横向可见性等等。其中一些服务通常托管在云中。所以云还是有作用的。它需要什么才能发挥优势。另一方面是人们有真正的问题。他们有计划，他们有工厂，他们有真正的问题，他们需要立即解决这些问题，因为它正在发生，他们迫不及待地将这些信息传送到云端。

然后有人告诉他们，这就是问题所在？去修吧。可能为时已晚。因此，大多数客户安装我们的边缘软件，部署该软件以实时发现问题，获得洞察力，处理业务，然后使用云将这些洞察力从每个不同的位置发送到中央云存储，进入云服务。这就是聚合发生的地方。这就是任何对机器学习模型进行微调以构建模型的地方，诸如此类。这就是使用云的地方。更不用说，你知道，仪表板中央仪表板公司范围内的可见性和类似的事情。因此，最肯定的是，混合动力系统是当今每个客户都选择插入的地方，

[埃里克]

边缘，我想，正如你所说，它可以是许多不同的东西。它可能是一个基站。它可以是，我认为在许多情况下，网关很常见。它甚至可能是一个传感器或计算能力非常低的东西，但是因为你正在处理 ML 和需要的东西，我想，有点，有点重，它通常如何成为你想要的网关部署在？或者是否有更广泛的硬件。您的计算机可能位于何处？

[美味]

这是一个更广泛的范围。记得我提到过我们技术的核心部分是我们可以在这个约束环境中运行的概念。我们有这种技术，叫做教化。这意味着通常在云环境中运行的分析、机器学习和模型几乎总是假设有无限量的计算、存储和内存可用。在这种受限设备中情况并非如此。因此，我们提出了许多技术来完善这些分析和机器学习模型，以便能够在这种受限环境中运行。我们使用了许多技术，量化绑定器，加法，我们的 CP 将所有 Python 代码转换为我们使用的 CEP 技术，但是基于软件和基于硬件的加速，类似的事情，考虑到这一点，但已经说过通常情况下，如果你不进行深度学习，基于视觉的深度学习机器学习模型在将近一百、150 兆字节的内存、双核 CPU 中。

通常你会在 PLC 中找到什么，或者是机架加固篮子馅饼的一半大小。您可以运行大量分析，但当您连接摄像机、音频声学或振动传感器时，您会将它们组合在一起并进行深度学习。这是我们需要更多内存的地方。所以这就是像网关这样的设备，无论是戴尔物联网网关、HBI，还是网关或三星在基于设备的设备上加固它们，加固的树莓派之类的东西都会出现。所以这取决于用例。深度学习机器学习需要更多的力量。我们谈论的可能是几千兆字节的内存，但不是深度学习、传统的典型分析，以及弄清楚你实际上可以将它放入一个非常小的网关设备上的 PLC 中。

[埃里克]

我们已经介绍了某种架构。会是什么，我的意思是，你已经提到了这一点，但我只是想确保每个在听的人都清楚这一点。决策标准是什么？所以我们谈论的是延迟、带宽，当然还有硬件成本、数据传输成本等等。当你有洞察力时，你会如何分解决定？什么类型的架构适合特定的用例？

[美味]

我想你，你开始列出其中的一些。这些是正确的标准，对吧？所以首先，我们总是从业务问题开始。业务影响是什么，因为如果它是简单的科学实验，对我们双方都不是很好。什么业务问题。例如，它启动客户来说，你知道，这是我的问题。我每天都有 X 数量的零件从这台机器上出现缺陷，这对我的业务造成了 Y 的影响，对吗？我们必须回馈解决这个问题。它总是从业务问题开始。现在，我们如何解决业务问题？当然，最直接的一件显而易见的事情可能是 Alexa 连接所有传感器，将其发送到云环境，对其进行处理，然后返回并分析它，看看它是什么。通常。

这都很好。如果是一次性的事情，意味着一个问题只发生一次，一次。也就是说，去修复它，永远不会有问题。同样，不幸的是，情况并非如此。这是一个持续的问题。即使您的解决方案有时会因环境变化而漂移，校准问题也会发生，因为数据会因此发生变化，相同的解决方案可能无法正常工作。所以它也必须是一个连续的生活。然后问题也没有解决。如果你告诉接线员昨天发生的事情，或者甚至在一小时前发生的事情，那么它已经发生了有什么意义呢？您如何预测并提前告诉他们，及时。所以他们有机会去修复和纠正正在发生的事情。这是他们决定的地方。好吧，edge 显然在那里更有意义。

因此，当您从那里开始谈论时，现在我们来了，好吧，实际上可以获得什么样的数据？你需要什么样的硬件？现有的硬件是否足以适应那里？当连接存在或不存在时，我们是否需要为网关招聘新员工？这类问题会发生，但最终部署边缘的软件成本是多少。当然，这是总成本，对吧？不仅仅是软件、硬件、任何网络、任何需要安装柠檬水的传感器。与此相比，它的总成本是多少，它实际上要解决多少业务问题？这意味着如果他们有一百万美元，你知道，例如，每个月都会发生一次废料，对吧？如果您的软件要花费您一百万美元，那么他们也解决不了任何问题。因此，总是要权衡拥有该软件的这两项成本与实际业务影响。

然后它不是关于云与边缘的关系。正如我在这里提到的，它始终是一个混合体。总会有一些云部分，因为大多数客户通常没有一个站点。他们有多个站点，因此您必须将每个站点的见解发送到一个中心位置。此外，您还需要根据迅速出现的校准问题对模型进行微调。因此，事情的混合部分，所有这一切都在那里，但他们部署基于 IT 的解决方案是否有意义，纯粹与他们试图解决的业务问题的程度直接相关。

[埃里克]

在很多情况下，人们已经拥有了云环境，对吧？因此，一次性成本不会成为一个因素。这只是传输数据故事和数据等的成本，在某些情况下可能会很高。在某些情况下，它可能微不足道，但在部署边缘时，可能会产生更多的一次性成本，但随后可能会降低运营成本。所以那里有一些权衡，但听起来对你来说，它更多的是从商业角度看，看看价值在哪里，然后让它驱动决策。

[美味]

是的。最终，商业价值将推动决策，但你编造的一些观点仍然有效，对吧？因此，当您将所有原始数据传输到云环境中时，撇开设置云环境的初始成本，假设延迟对客户来说不是问题，这是一个很大的礼物。如果这对客户来说不是问题，那么可以传输任何给定的典型用例。每天都有兆字节到 PB 的数据传入，你知道，将所有数据传输到云中会产生运输成本。然后商店在发病前景上有成本。看起来，哦，存储起来真的很便宜。你知道，每兆字节只需要几美分，但随着时间的推移会发生什么？什么月份？它实际上非常明显地接受，对吧？

然后更重要的是，很多时候原始数据实际上在几个小时后就不是很有用了。例如，如果他一直告诉他我的温度，机器的温度传感器测量成本为 76 度，您知道，该数据实际上通常不是很有用。好的。那么如果只有六个呢？您需要实时了解实际发生的情况，但您是绝对正确的。有取舍。存储这些信息的成本是多少？我们能承受传输所有这些的延迟吗？然后然后它足够快吗？它是否实时解决了足够多的业务问题来做到这一点？所以最终解决的因素的数量可以追溯到他们的首席财务官，任何公司都会说，它是否有助于我的底线，从某种意义上说，它有助于底线，它是否解决了防止损失的问题?他们真的会这么看。

[埃里克]

所以我想进行一个案例研究，但在技术方面还有一个问题，在我们搬到那里之前，我们现在有一些趋势，可能会朝着不同的方向发展，对吧？因此，我们有 5 个 G，我认为一些云架构提供商希望这将使云更加实时，甚至可能降低成本。然后我们对硬件进行了改进，使边缘计算更加强大。那么，您最关注的哪些技术趋势将影响该架构在未来几年的结构？

[美味]

因此，我们正在与全球所有主要电信公司密切合作，不仅在美国，而且在全球范围内，对吧？移动边缘计算或他们所说的 Mac 现在是真实存在的，假设你有一个制造工厂，你知道，如果他们已经安装了现有的连接、硬件、工业、互联网和其他一切，大多数有时他们现在要在本地进行边缘分析，但是有了这个 5g，你提到了 5g 和 Mac，Mac 的概念即将出现，正在发生的事情是人们正在前往这些工厂和制造业客户说我，你真的不需要安装这个工业互联网或任何这些连接问题，只需使用 5g，将所有信息发送到移动基站。这就是计算发生的地方。

这些电信公司实际上是在利用我们，我们只是在基站中运行我们的软件，而不是在工厂中运行。但是现在正在形成的技术趋势。而且我认为它会在未来一两年内发生相当大的变化，我们正在密切关注并且已经与电信公司合作，这将在某些没有安装基础设施的情况下将边缘计算转移回这些 Mac 基站，这就是即将发生的事情。因此，人们将可以选择是要在工厂内安装基础设施，还是要使用 5g 并将其实际传输到 Mac 中。然后是五个D，因为它的延迟非常低，他们不会看到差异。他们的选择取决于他们是要在本地安装，还是在基站中完成计算，而不是一直到云端。

[埃里克]

好，太棒了。那么，让我们进行一两个案例研究，您是否有一个想法，您可以从与客户的初始沟通到部署，以理想的方式引导我们了解端到端的观点？

[美味]

是的，绝对的。让我们谈谈那个。斯坦利·布莱克和德克尔。你考虑过公司。它是最大的工具制造商之一，几乎所有你能想到的我们都在医院使用的工具，他们做对了。我们遇到了他们，我想说可能是两年、两年半前在 GE 赞助的活动中的一个活动中。他们实际上已经看过，所以他们过来了，他们与我们交谈，我们已经展示了，我们一直在展示我们为通用电气和其他一些公司解决的制造问题。然后他们来到一个基地，开始和我们进行头脑风暴，然后说，看，我们也有问题。我们有问题。正如你想象的那样，我不知道他们在全球拥有大约 80 多种植物。还有制造业，有什么不同的东西，从卷尺到工具，到工具箱，再到大功率锤子，现在还有各种各样的工具。

他们想知道的是，当他们进行分析时，他们在活动中，麦肯锡分析并弄清楚，这到底是什么业务问题。等等，他们很清楚，嘿，看，这些工厂中的每一个都有大量的废料，质量检查。他们只是在质量检查时间发现为时已晚。所以他们把所有这些都扔掉了，这让他们损失了数百万美元，价值相当高。所以当他们听说我们，当他们也来找我们谈话时，大约两年半前，然后现在我们展示了我们所做的类似用例，类似客户，没有一个。他们希望它做某种试点。最初，他们想从一两个用例开始，看看这是否真的存在。

很明显，他们没有签订任何合同或类似的东西。但最初是第一个，我想了解这个解决方案的真实性，因为他们的问题对我们来说是巨大的。所有这些植物，我们实际上已经公开谈论过。我们还联合举办了研讨会和论文以及所有这些活动。所以这是我所说的其中一些信息实际上也是公开的。所以我将讨论一个特定的用例，这很有趣。所以康涅狄格州的一个工厂，它被称为新不列颠，他们制造其他东西并测量卷尺。这将全部用于泵，白色胶带，黄色胶带，传统的是这些黄色胶带，我相信你已经看到了。所以磁带实际上就是麦克风，每天都有很多，对吧？

所以它是一种非常高速、高移动的，实际上是工厂机械。当他们在制作这个胶带时，有时会产生什么结果，有多余的墨水，多余的绘画，破损的标记，或者测量上的标记不太正确，无论如何，它们是，你知道的，有 50 种不同，可能出现 150 到 100 种不同类型的缺陷。任何人几乎不可能注意到磁带移动得如此之快，它正在以非常高的速度制造和移动。然后它在一天结束时出现，它进入质量检查，有人身体手动兴奋，这一切都很好。有时，你知道，这个产品，如果这个产品，扔掉那个部分，如果他们甚至没有发现它，它会送到第二天，配送中心或其他人然后发现，你知道，通知那，然后它就是，它被扔掉了。

这让他们损失了数百万美元，对吧？所以他们想在与我们交谈之前解决这个问题，他们已经安装好了。他们与另一家公司交谈，例如 National Instrument，他们安装了一个名为 LabVIEW 的系统，该系统基本上是一个基于视觉的系统，他们在其中安装了摄像机。摄像机指向这个卷尺测量过程，机器，然后主要观察，例如，如果需要它们，在尖端上发生缺陷，然后将它们显示在仪表板上。当然，操作员必须在仪表板中查看它，这也是不可能的。没有人会一直在屏幕上看它，但系统应该会标记是否有任何缺陷。所以博士生登记册会处理这个问题。实际上最终发生的是 90% 的时间它给了他们误报，对吧？

所以事实上他们没有发现任何东西。如果还有什么其他因素实际上导致操作员流失更多，以及由于误报率降低而导致生产力下降，他们就停止了机器，却发现这实际上不是缺陷。另一个是缺陷。所以我们所做的是我们，他们有这个现有的，幸运的是他们安装了这个现有的摄像机。他们拥有所有这些机器、连接设置和其他所有实际上很容易的东西。所以我们实际上把我们的软件放到了同一个系统上。他们在那里有相同的计算网关设备。然后我们将我们的软件连接到他们想要安装的同一台摄像机。这是一款高速、高分辨率的相机，每秒可拍摄 60 帧。事情进展得有点快。然后，我们使用我们的数据科学能力进行构建，在实时数据上构建机器学习 AI 模型，以检测一百种不同类型的缺陷。

然后他们给出了，当然，我有点简化了这一点。他们给出了几个不同的约束和条件来确定缺陷发生的时间。在一定距离内的一定次数，在磁带的某个长度上，正是我们正在寻找的微小变化。我的意思是，这有很多细微差别。所以我们将所有这些都考虑在内，然后在几毫秒内，我记得这必须在几毫秒内发生，因为已经太晚了。如果它超出了我们检测到的范围，但它完全符合标准。操作员感兴趣的条件，我们会向操作员发送自动警报。我们也会自动在仪表板上显示它，无论是否有人在看它。然后操作员去尝试停止机器，然后取出那个特定的过程，修复油漆过程，打印过程，然后重新进货，我们实际上已经在这个过程中消除了他们的废料。

一旦它运行了几个月，然后一旦操作员感到舒服，嘿，你知道，不再有，没有误报。它实际上是在正确地保护一切。这就是我们想要的。它实际上是在拯救我们。然后，我们实际上有一个 SDK 软件开发工具包作为我们产品的一部分，如果他们想要自动化并且你知道，以编程方式说，每当中继这个特定缺陷时，你知道，继续并实际停止机器。我们不需要参与操作员来执行此操作。他们也能够做到这一点。他们正在使用，他们可以使用我们的 STK 编写一个简单的程序来以编程方式做到这一点。但是你知道，这种成熟度是在部署和运行一段时间后才出现的。所以这是我送去结束的一大风险。显然，在进行所有这些之前，我们显然有一份大合同说，嘿，看，如果这种事情真的有效，我们将把它部署到所有 80 家工厂的类似解决方案中。突然间，我们为他们创建了一个基于价值的合同。从那时起，我们一直在制定许多计划，一些在美国，一些在欧洲，一些在这个问题上等等。这就是用例。

[埃里克]

好，太棒了。所以听起来像是一个很棒的用例，也是一个非常非常常见的用例。您还能在多大程度上进行根本原因分析？现在，我们正在通过相机查看。所以我们基本上是在实时识别问题并通过停止机器并解决我想的问题来最小化疤痕的数量是问题的原因吗？这是您能够做的事情还是您已经研究过的事情，在这个用例或其他用例中

[美味]

在这个用例中，我们没有这样做，因为他们没有用于另一个的传感器，但我们当然做了根本原因分析。另一个用例，我会告诉你一个，记住我给你的耀斑监控示例，你知道，你正在处理并且你正在寻找客人，例如。然后，你知道，有时是因为，你知道，有时压缩机中的压力会增加。这是一个压缩机问题，因此它没有对其进行改进。然后他们必须释放气体。这是一个问题。第二个问题是他们实际上采用了这种东西，他们称之为酸气，然后尝试到瑞典，它在该过程中使用了化学过程。有时它们可能正在形成一种称为形成的条件，这种情况可能会导致耀斑也可能发生。

虽然我们最初构建了一个解决方案来识别耀斑是否正在发生或耀斑将要发生。然后标志的内容，基本上是气体的组成，超出了某些值等等。但后来客户显然想找出答案，我们都想找出究竟是什么原因造成的。好的。很高兴您找到了 Fred 的 KPI，然后我们可以阻止它，但实际上是什么导致了它。因此，我们从压缩器提供信息，即压缩器声音，然后尝试关联不良压缩器声音是否与例如从 Flint 冒出的不良烟雾直接相关。果然。我们写信是为了找到那个。当然，它也没有阻止这一点。那么接下来的问题就是为什么压缩机坏了？因此，我们从压缩机中找出所有句子，找出其中一个，压缩机会变坏还是发生形成条件的句子。所以我们已经做了根本原因分析，只要数据可用，传感器可用，我们就可以找到根本原因。喜欢

[埃里克]

到目前为止，我们在这里介绍的所有用例都在某种程度上与效率有关。这是，我认为物联网领域的一个有趣话题，也就是说，效率相关用例的价值非常明确。构建业务案例通常相当容易，因为您附加了一个真正明确的成本 KPI。另一方面，您有与收入相关的业务案例。因此，如果我正在考虑 black and Decker，或者我正在考虑设备 OEM，您还可以看到他们可能会在他们的设备上部署某种边缘计算解决方案，以提供新功能或新的、新的分销模式，一种新的商业模式给他们的客户。听起来这不是 Alcorn 今天的重点，但您对未来以收入为导向的边缘计算部署的价值有何看法？这是您期望在未来几年内投资的东西，还是您认为这需要几年的时间才能成为一个大项目，

[美味]

所以我们已经这样做了。我会给你几个不同的例子，即使是在标准的黑色和 Decker 或其他场景的情况下，这也是机器本身的一个新例子，对吧？你怎么知道机器是否正确使用？是否有生产更多产品的创收机会？正确的？所以那种供应链管理和识别。所以这些都是密切相关的，对吧？机器的效率肯定会提高，从而为新的收入线提供机会。但在 SPD 的情况下，这是一个直接相关的具体例子，但与霍尼韦尔密切合作是一个单独的、广泛的、独家的机会。他们的一个部门称为 SPS。他们提供制造的设备，称为移动边缘设备，就像手持设备一样坚固耐用。很多运营商，你知道，物流、零售运营商，比如联邦快递、UPS、沃尔玛，这些公司中的任何一家，他们都在使用它们。

他们现在在这些设备上，我会告诉你几个用例，只要有机会，他们就有潜力。然后现在我们正在添加更多用例，例如，这些操作员，例如扫描带有条形码的盒子，对吗？现在很多时候条形码都损坏了，要么打印不正确，要么被撕裂，要么没有足够的照明或其他原因。那么操作设备扫描条码会发生什么？它不起作用。它不记录。因此，这群人被抛在了后面。它将采取自己的方式产生业务影响以及对业务的重大影响。我们现在所做的是我们也在这些设备上运行我们的软件。我们将我们的第一个边缘人工智能软件放在那些基于 Android 的设备上。而我们，当操作员同时扫描此条形码时，该图像实际上被发送到在幕后雾中运行的解决方案，该解决方案重建该图像并将该图像发送回用户的应用程序访问不是甚至知道。

这一切都在顺利进行。所以这又是全部，基于，基于 UI，这是额外的业务影响。但另一件事，现在它在那里运行，现在，他们突然说，你看，先生。顾客，您已经有了这个设备。我现在对人工智能有迷雾，我向你展示了一种解决方案。现在让我们提出其他解决方案。现在正在尝试使用相同的设备进行健康监测。现在我们所拥有的所有科尔伯特情况，我们实际上只是，这就是卡拉所指的。我们将宣布我们消除的解决方案。许多客户开始使用它，健康监测解决方案。它可以在同一设备上运行。您所需要的只是一个设备、计算能力和一个附加相机的平台。我们可以进行社交距离监控、温度、高温监控，你知道，警察检测、大规模检测，诸如此类的事情。现在客户除了购买这个附加解决方案外，不需要投资任何东西。他们已经得到了它已经在运行的设备。雾化也已经在上面运行了。因此，在这些情况下，额外收入渠道的机会非常明显。一旦您启动并运行了该平台，您如何向客户添加越来越多的此类解决方案，以解决他们针对其他业务线的问题？

[埃里克]

好的。好，太棒了。是的。听起来你在这个领域已经相当成熟了。因此，如果您要划分市场，仅就效率和收入增长之间的潜力、非常高的水平而言，您今天会如何看待它？您如何看待它的发展？

[美味]

很难说。为什么？因为很多时候客户有时也不清楚。他们不一定会在那里告诉你。他们想要这样做是因为他们想要增加。是两个方面。所以他们也有同样的观点，对吧？所以减少他们，使用废料，因此你提高了生产力，你生产了更多的东西，从而提高了收入。现在，您将其称为收入的提高还是效率，对吗？客户有时怎么斗，这还真不好说。这就是为什么我认为很难准确地说出他们是否将其归类为收入增加类型的解决方案，或者产量提高是否同时没有自杀。

[埃里克]

所以这是一个非常有趣的对话，我想，我们在这个时间点来，我想知道你的时间，但是你今天还有什么想介绍的吗？

[美味]

不，我认为我们已经总结了很多主题。我想说的是，我们的核心差异化，我们在市场上看到的是，优势绝对是正确的。四年前。如果我们谈论它并且每个人都说，哦，我们只需要云。我们不需要边缘。现在，即使是同样的边缘云玩家，顺便说一下，我们与所有主要的云合作伙伴都有非常密切的合作伙伴关系，因为我们对他们提供的东西是免费的。他们都进来了，看到的都是一样的，哦，你实际上需要单独边缘云。也不这样做。所以我认为人们已经清楚地认识到边缘计算的必要性以及它实际发挥的作用以及它在哪里发挥作用。然后，人们确实需要一个混合系统这一事实正在发生，许多情况下是为了赞美他们在云中所做的事情。

它的人工智能部分，分析和机器学习。我们已经做了很多。我要说的另一件事是，已经在许多站点中部署了它，现在我们试图解决和解决的问题是自动第一循环的概念。一旦你部署了一个解决方案，它就不会一直产生完全相同的准确结果。你如何在循环中不断地自动更新它？这就是我们所说的闭环 ML 或 AI。我知道这看起来像是另一个流行词，但这不是真正的公共汽车，但它确实是。当系统发生变化时，如何自动更新某些模型？所以这些就是这样的事情，但它真的很有希望。现在他们提到了 5G，我认为这真的，真的起飞了，但是，是的，我的意思是，这是一个非常有趣的趋势。

[埃里克]

我们有很多不同的技术，我们已经提到了 5G，而且在 ML 结构方面，这些技术现在确实朝着您的方向发展。所以今天非常有趣的谈话对 Foghorn 的前景非常乐观。我真的很感谢你的时间。我的最后一个问题是，如果有人有兴趣了解更多有关 Foghorn 的信息，他们与您的团队取得联系的最佳方式是什么。

[美味]

所以我认为如果他们向 info@foghorn.io 发送消息，就会有人与他们取得联系。

[结尾]

感谢您收看另一个版本的工业物联网聚光灯。不要忘记在 Twitter 上关注我们