登录/注册
那是20世纪40年代，当时我爸爸还是个孩子, 参观几乎任何一家制造公司的工厂车间都会挤满了人. 很多很多人. 在汽车工厂, 他会看到人们使用电焊机, 组装框架或车身面板, 使用冲击驱动器连接钢板弹簧, 运行压力机和铸造机制造实心钢轴. 人们会制造汽车.
每个人都有自己的责任. 当他们的焊工工作不正常或他们使用的工具磨损时，他们会大声疾呼, 坏的或不完全正确的. And there were lots of other people too — people responsible for machine calibration and maintenance; people who kept the line assembly (literally) moving; people who replaced parts on machines, 确保机器正常工作，并记录故障和修复报告.
然后还有更多的人收集、协调和汇总这些维护报告(在纸上)!)设定机器检查时间表, 评估装配过程中可能发生的变化，并提出一系列其他可能的改进建议. (这些报告可能被装订成书，这些数据最终被总结和分析.)
把时钟拨到今天. 如果我带孩子们去参观现代汽车制造厂，他们会看到什么呢?
他们可能会看到机器人, 很多很多的机器人——会焊接的机器人, 可以连接紧固件, 这将组装好的零件转移到装配线上的正确位置, 检查和分类进货清单, 将其放入其他机器人使用的储物箱中. 我的孩子们也可能会看到一些非常酷的幕后东西，比如真正的智能机器，可以监控其他真正的智能机器. They might see machines that diagnose impending failures and report them (along with diagnostic details); that collect, review and coordinate failure data to find trends; and that convert the trend data into dashboards that are simple for humans to understand.
他们会看到这项技术所能提供的一些最好的东西. 他们还会见人吗?
制造业已经变得更加智能
简短的回答是肯定的，他们会的. 更详细的回答是，他们可能不会看到人们拿着焊机或运行铸造机. 他们可能不会看到人们用自己的肌肉来移动库存.
相反，他们可能会看到人们安装和编程大型复杂的机器. 而不是大量的工厂诊断和维修日志, 他们可能会看到最先进的存储平台，支持闪电般的数据分析和客户偏好趋势报告(与自动订购联系在一起), 付款, 接收和储备支持系统)在他们参观站点的数据中心时.
还记得那些过去为机器更换零件的人吗, 确保机器正常工作，并记录故障和修复报告?
那些人仍然会在场. 但是，当需要更换零件时，服务团队不必等待机器出现故障, 这些人可以利用智能工厂收集的大量数据——包括可以监听机器的传感器数据——来预测机器何时需要维修. 最棒的是? 通过在机器故障前对其进行维修，他们可以防止工厂发生灾难性的停机.
我的儿子们可能会看到智能制造的运作——训练有素, 高技能人才, 管理和支持一些最好的技术所提供的.
这些变化也提升了人类的技能
在智能工厂中，员工的变化和他们每天使用的技能并不是他们看到的唯一不同. 智能制造可以延伸到更广泛的领域，比如提高人们在现场服务和“后端”支持方面的技能.
传统的现场诊断和维修回访
我最近需要上门维修我家的卫星电视系统. (我不记得具体的问题，但电话支持团队无法诊断原因.)所以我安排了这个仪式.
就像外勤服务有时会发生的那样, 调度团队会向您提供他们对服务技术人员到达时间的最佳估计(并且他们会向服务技术人员提供他们对问题的性质和解决问题所需时间的最佳估计)。. 尽管有这些最好的估计, 客户的体验可能是负面的——到达和持续时间是不确定的, 必要的诊断设备并不现成, 或者在极少数情况下, 问题升级，需要额外的服务. 结果? 延迟的治疗或第二次就诊.
在我的系统中, 这种传统的访问让人们感到沮丧和不便, 而且不只是对我. I could see a similar expression on the service technicians’ faces; they didn’t want to come back either. 但他们做到了——这一次，问题得到了解决.
通过智能制造和数据访问实现移动服务/维修队伍
现在想象一下相同的服务调用, 但这一次，现场团队使用高速无线(可能是5G)连接到智能制造车间。. 想象一下,, 除了他们的个人技能, 经验和知识, 技术人员可以实时访问所有诊断信息和问题解决数据, 与生产车间的当前和历史数据完全集成.
他们还配备了一个推荐引擎，该引擎根据历史诊断和修复效果对所有潜在的已知路径进行分类，以解决问题，并直接与来自制造车间的数据相关联. 现场服务技术人员可以输入症状, 将这些数据与制造业数据联系起来，看看最受欢迎的是什么, 最成功的补救措施是实时的. 所有这些补救措施都是从迄今为止通过基于flash的nosql支持的后端平台积累的所有服务调用知识中开发出来的. 技术人员会得到最新的修复建议, 与监控的工厂和机器数据相关联，进一步提高其人类诊断能力. 客户可能会对结果感到满意，而不必意识到用于修复的所有技术.
最新的, 最成功的修复方法, 补丁和建议将“冒泡”到推荐的顶部, 这意味着我的服务电话的结果将直接提高下一个客户的服务电话. 现在想象一下，将这种技术力量轻松扩展到业务层面.
使用美光主流的7300 NVMe固态硬盘可以更好地构建智能制造
在智能制造的例子中, 我们有一条智能生产线(带机器监控), 修正和更新)几乎实时地提供高性能的NoSQL数据库后端.
内部, 我们会有一个监控数据的工厂, 订单和系统状态实时可用. 由于我们对机器校准的理解，我们的制造效率可以提高, 变化和趋势, 订单输入和状态. 想象一个供应链，它将传入订单与物流交叉连接，以管理智能工厂, 这反过来又与一个活跃的, 现场服务团队使用最新的知识库，为客户提供一流的体验.
在野外, 我们会有配备最新设备的支持团队, 最成功的解决方案都是通过5G无线连接在一起的, 加强服务电话和首次解决.
NoSQL的性能是怎样的?
为了更好地理解我们的7300 NVMe 固态硬盘如何处理常见的NoSQL数据库工作负载, 我们使用了一个标准基准(雅虎云服务基准和工作负载的详细信息见这里: http://github.com/brianfrankcooper/YCSB/wiki/Core-Workloads)来衡量7300能够带来企业SATA 固态硬盘无法带来的优势.
这个微观研究 (可在 微米.com)展示了7300如何提升NoSQL数据库的结果.
让我们再把时钟拨快一点——到我的孙子们也在参观现代制造工厂的时候，怎么样. 他们会看到什么? 我的预感是，他们仍将看到人们从事维持复杂工厂运转所需的高级工作. 我的直觉是，人们会留在这里.
