Partnerskap

Emerson ska koppla samman AspenTech Inmation och Databricks för industriell AI

Atlas Roan
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterInmation bevarar anläggningskontext så att industriella data förblir användbara i…
Visa mer
  • Inmation bevarar anläggningskontext så att industriella data förblir användbara i företagsomfattande AI-arbetsflöden.
  • Att återanvända ett enda kontextualiserat OT-lager kan bespara teamen från att upprepa databearbetningen för varje modell.
  • Samarbetet kombinerar Inmations operativa kontext med AVA:s beslutsstöd inom Databricks.

Emerson meddelade den 19 november 2026 att företaget inleder ett samarbete med Databricks för att göra kontextualiserade industriella driftdata tillgängliga i Databricks Data + AI Platform. Det ger industriföretag möjlighet att använda information från anläggningarna i analyser, AI-applikationer och AI-agenter.

Mekanismen är direktåtkomst till AspenTech Inmation OT Data Fabric. Kunderna kommer att kunna kombinera affärsdata med realtidsdata, historiska data och kontextualiserade industriella data som hanteras av Inmation, samt få tillgång till AI-plattformen AspenTech AVA i Databricks. Den kundåtkomst som beskrivs i tillkännagivandet blir tillgänglig framöver.

Kontextualisering och styrning av industriella data

Samarbetet riktar in sig på ett specifikt problem inom industriell AI: data från anläggningar, tillgångar och drift måste behålla sitt sammanhang när de används tillsammans med företagssystem. Emerson pekar ut detta krav som ett hinder för att överbrygga klyftan mellan IT och OT, det vill säga mellan informationsteknik och operativ teknik, och som en begränsning för användningen av AI under verkliga driftförhållanden.

”Genom att föra in kontextualiserade OT-data i Databricks hjälper vi kunderna att omvandla tillförlitliga industridata till en styrd grund för AI-applikationer som kan förbättra resultaten i både driften och verksamheten”, sade Claudio Fayad, teknikchef på Emersons affärsområde Aspen Technology.

AspenTechs översikt över Inmations funktioner beskriver en dataväv som samlar OT-data i en beständig struktur för hela företaget och kontinuerligt tillför sammanhang för att skapa AI-redo information. Den kopplar samman anläggningar, tillgångar och applikationer i edge-, moln- och lokalt installerade miljöer för att skapa en realtidsbild av driften som är redo för sökningar och kan skalas från en enskild anläggning till ett globalt företag. Centraliserad styrning, rollbaserad åtkomst och granskningsspår är utformade för att stödja säkra beslut och efterlevnad av regelverk inom bland annat kemi-, energi- och life science-sektorerna.

Möjligheten att återanvända det kontextualiserade lagret är central för samarbetets potentiella värde. Enligt Emerson minskar Inmation behovet av att integrera, kontextualisera och förbereda OT-data separat för varje användningsfall, vilket kan förkorta tiden till värde för prediktivt underhåll och prestandaoptimering. För team som arbetar med industriell AI skulle samma driftskontext kunna stödja flera arbetsflöden, i stället för att kräva en ny dataförberedelse för varje modell eller agent.

Så passar AspenTech AVA in

Samarbetet kopplar också samman Databricks med AspenTech AVA, den industriella AI-plattform som Emerson lanserade den 11 maj 2026. Emerson beskrev AVA som agentbaserad och domänmedveten, där modeller baserade på grundläggande principer och industriell expertis kombineras med stora språkmodeller för att integrera AI-stödda rekommendationer i operativa funktioner och arbetsflöden. Vid lanseringen fanns fyra rådgivare för operativ optimering och beslutsstöd tillgängliga.

Emerson beskrev också AVA som oberoende av datakälla och utformad för att bygga vidare på befintlig automationsinfrastruktur. I den arkitekturen organiserar Inmation fragmenterade OT-data i moln-, edge- och lokalt installerade miljöer och ger insyn i driften i realtid.

Shiv Trisal, branschansvarig för tillverkningsindustrin på Databricks, sade att den inbyggda Inmation-integrationen är tänkt att hjälpa industrikunder att utvinna större värde ur driftdata och skala upp AI:s effekt. I den kombinerade lösningen hanterar Inmation driftdata och kontext, AVA tillhandahåller industriellt beslutsstöd och Databricks erbjuder företagsmiljön för analyser och AI-utveckling.

För industriföretag är huvudfrågan om den gemensamma grunden gör det möjligt att utöka AI-implementeringar bortom enskilda användningsfall utan att behöva upprepa samma integrationsarbete. Eftersom direkt kundåtkomst ännu inte är tillgänglig beror samarbetets betydelse på hur effektivt en styrd kontext från anläggningarna kan föras vidare till AI-arbetsflöden på företagsnivå i stor skala.

Atlas Roan är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som täcker artificiell intelligens inom additiv tillverkning, 3D-utskrifter och avancerad materialteknik. Hans arbete undersöker hur AI-driven design, simulering och processoptimering förändrar tillverkningsflöden - från prototyper till storskalig produktion.
Med ett praktiskt och tekniskt grundat perspektiv undersöker Atlas hur maskinlärning förbättrar utskriftstillförlitlighet, materialegenskaper och produktionseffektivitet över branscher som flyg- och rymdindustri, bilindustri, hälsovård och industriell tillverkning. Han är särskilt intresserad av hur AI möjliggör snabbare iteration, minskar avfall och låser upp nya materialegenskaper som tidigare var omöjliga eller mycket svåra att tillverka.
Artiklar skrivna av Atlas Roan är AI-genererade och granskade av Unite.AIs redaktionella team för att säkerställa teknisk korrekthet, tydlighet och ansvarsfull rapportering om AI-driven tillverkning och materialinnovation.