机器学习已经在某些领域取得了显著的成果，例如模式识别领域，但机器学习对需要广泛的洞察力和行业效率的企业产生了更大更持久的影响。谷歌在美国总部以外最大的开发者集合是一个致力于机器学习的研究小组，微软开源CNTK，百度发布了PaddlePaddle，亚马逊决定在AWS上支持MXNet,Facebook创建了两个深度学习框架。机器学习在消费领域的应用浪潮将蔓延到行业，这将有助于工程师和管理人员通过自动数据分析来改善业务运营。除了驱动创新之外，机器学习还提供了实用的、现代化的业务改进，如操作正常运行时间、产量和工程效率。

机器学习以数据为基础

将智能系统联网以提高数据可见性的能力已经作为物联网（IoT）益处和大型模拟数据挑战而被记录。ABI Research（2017年第1季度报告）指出，到2020年，工业设备的传感器和机器数据有望达到78 Exabytes，而所有这些数据将成为今天技术所遗漏的机器故障，制造缺陷或重要验证测试的证据。浩大的数据集将有助于从机器学习算法训练出更好的模型，并产生更快的结果，但前提是它们可用。今天的系统设计人员需要将有组织的数据收集视为实施机器学习技术的第一步，为连接系统开发提供更全面的DAQ和管理策略。

推动创新

在产品开发过程中处理设计缺陷可能会很昂贵，这就是为什么设计验证和验证测试会得到如此多的时间、精力和预算。在机器学习能够将成本高昂的工程时间集中到需要最多测试和验证的产品领域之前，需要组织和访问历史测试数据。

提高产量

今天的大多数制造商都会进行合格或不合格的筛选，并保存数据以进行取证分析和校准记录。一些制造商使用更先进的自动化测试方法，但是机器学习模型可以帮助他们筛选产品缺陷，而不考虑根本原因。当前构建的硅级组件是否来自新的fab ?这个设计是否包括了仿冒品?是否由于传感器的故障而导致波峰焊温度升高?无尽的异常会导致缺陷，所以为所有的异常设置测试限制是不实际的(或可能的)。机器学习技术将提醒制造测试工程师在产品开发的设计和测试阶段错过的缺陷。

增加正常运行时间

许多生产过程制造或其他过程工业的公司拥有广泛的工业资产维护和运营数据库。维修工程师今天手工处理这些数据，但是将来的机器学习方法将处理这些数据来对操作状态进行分类并检测异常。经过适当训练的系统将识别需要注意的违规行为，并提醒维修人员进行故障排除。

利用优势

在很多方面，机器学习已经进入了一个阶段。与机器学习相结合的简单处理和传感器的融合将帮助工程师建立更好的系统，可以在不需要与企业堆栈通信的情况下对数据进行解释。一些技术已经可以在边缘上训练和运行模型，为工程师提供以下系统架构选项: 在云中，边缘或其他方面进行模型训练和部署。用真实的信号将智能推到边缘可以降低决策的延迟和昂贵的基础设施的需要，这有助于数十亿新设备上线并争夺有限带宽。

平台将利用机器学习的力量

值得注意的一个关键因素是，在技术平台上与机器学习的结合，帮助开发人员集中精力解决新问题，节省了拼接相邻技术的时间，避免在中间件中丢失。工程师们很少愿意花时间去处理那些已经被解答或仅仅因为工具链而被认为是必要的问题。支持哪些云分析?谁的云?在部署模型时是否存在RTOS兼容性问题?将机器学习集成到云、软件和硬件平台上，将提供预先处理的技术，使工程师能够专注于新的挑战。PTC的CTO Andy Timm说:“在当今大多数企业都拥有的不同的商业信息系统中，存在着巨大的机会来提取隐藏的洞察力。”“机器学习平台可以快速将这些数据和新获得的物联网传感器数据结合起来，让平台做非增值的工作，这样企业就可以专注于获取可操作的洞察力。”

今天的机器学习应用程序能够在相册中快速地找到一条狗的照片，但商业领袖们正在寻找工程师、平台和下一波机器学习，以帮助在海量模拟数据中找到正常运行的时间、产量和效率。