试点为何停滞
常见的过程是：数据科学团队基于历史数据构建模型，结果令人信服，随后进行汇报。然后便没有了下文。试点从未接触生产系统，数据管道依赖人工，车间或船上也没有人对结果负责。
模型是最简单的部分。难点在于可靠的数据、与现有控制和IT系统的集成、验证，以及有人负责使用输出结果。
从决策出发，而非从数据集出发
好的工业人工智能用例都锚定于某个具体决策：何时维护某个部件、检查哪些零件、如何调整工艺参数。弄清目前由谁、依据什么信息做出这一决策，以及更好的决策价值几何。
- ·谁根据输出采取行动，频率如何？
- ·模型出错时会发生什么，是否可以接受？
- ·哪些数据能够实时获取，而不仅是历史数据？
尽早解决数据所有权问题
在工业环境中，数据往往分散在设备供应商、自动化系统、MES、ERP和合作伙伴系统之中。访问可能受到合同限制或技术上难以实现。在国际化架构中，数据还可能受当地法规约束。
在确定用例之前，梳理数据来源、所有者和访问权限。许多看似技术上已就绪的试点，都卡在一份未解决的数据协议上。
面向生产进行工程设计
在生产中运行人工智能，需要与其他工业系统同样的规范：版本管理、监控、明确的降级机制和清晰的责任。随着设备、材料和运行条件的变化，模型会发生漂移。
在延迟、网络连接或安全有要求时，规划边缘或本地部署，并确保操作人员能够理解并干预系统。
在真实条件下验证
基于历史测试集的验证，几乎无法说明系统在罕见但重要情况下的表现。与运营和安全相关方商定验证标准，纳入边界情况，并在系统影响真实决策之前进行一段受监督的影子运行期。