深刻解析工業(yè)大數(shù)據(jù)：創(chuàng)新應(yīng)用的挑戰(zhàn)不斷

 

 

工業(yè)是國(guó)民經(jīng)濟(jì)不可或缺的一環(huán)，也是一個(gè)強(qiáng)大競(jìng)爭(zhēng)力背后的力量支撐。我國(guó)工業(yè)位居，卻大而不強(qiáng)。企業(yè)創(chuàng)新能力不足，高端和高價(jià)值產(chǎn)品欠缺，在產(chǎn)業(yè)分工中處于中低端狀態(tài)，中國(guó)工業(yè)企業(yè)急需轉(zhuǎn)型和升級(jí)。

 

我們正處于大數(shù)據(jù)和數(shù)字化轉(zhuǎn)型的時(shí)代，數(shù)據(jù)無處不在，運(yùn)用數(shù)據(jù)驅(qū)動(dòng)的思想和策略在實(shí)踐中逐漸成為共識(shí)。制造企業(yè)在利用大數(shù)據(jù)技術(shù)后，其生產(chǎn)成本能夠10%—15%，大數(shù)據(jù)對(duì)于工業(yè)企業(yè)的重要性不言而喻。不同層面的制造企業(yè)在發(fā)展過程中，應(yīng)該采取相應(yīng)的大數(shù)據(jù)策略，才能離“工業(yè)4.0”、“工業(yè)互聯(lián)網(wǎng)”和“中國(guó)制造2025”更近一步。

 

數(shù)從何處來？工業(yè)大數(shù)據(jù)溯源

 

工業(yè)大數(shù)據(jù)從哪里來？來源于產(chǎn)品生周期的各個(gè)環(huán)節(jié)，包括市場(chǎng)、設(shè)計(jì)、制造、服務(wù)、再利用各個(gè)環(huán)節(jié)，每個(gè)環(huán)節(jié)都會(huì)有大數(shù)據(jù)?！叭鄙芷趨R合起來的數(shù)據(jù)更大。當(dāng)然，企業(yè)外、產(chǎn)業(yè)鏈外的“跨界”數(shù)據(jù)也是工業(yè)大數(shù)據(jù)“不可忽視”的重要來源。

 

 

工業(yè)大數(shù)據(jù)的主要來源有三類：

 

 

類是生產(chǎn)經(jīng)營(yíng)相關(guān)業(yè)務(wù)數(shù)據(jù)。主要來自傳統(tǒng)企業(yè)信息化范圍，被收集存儲(chǔ)在企業(yè)信息系統(tǒng)內(nèi)部，包括傳統(tǒng)工業(yè)設(shè)計(jì)和制造類軟件、企業(yè)資源計(jì)劃（ERP）、產(chǎn)品生周期管理（PLM）、供應(yīng)鏈管理（SCM）、客戶關(guān)系管理（CRM）和環(huán)境管理系統(tǒng)（EMS）等。通過這些企業(yè)信息系統(tǒng)已累計(jì)大量的產(chǎn)品研發(fā)數(shù)據(jù)、生產(chǎn)性數(shù)據(jù)、經(jīng)營(yíng)性數(shù)據(jù)、客戶信息數(shù)據(jù)、物流供應(yīng)數(shù)據(jù)及環(huán)境數(shù)據(jù)。

 

第二類是設(shè)備物聯(lián)數(shù)據(jù)。主要指工業(yè)生產(chǎn)設(shè)備和目標(biāo)產(chǎn)品在物聯(lián)網(wǎng)運(yùn)行模式下，實(shí)時(shí)產(chǎn)生收集的涵蓋*作和運(yùn)行情況、工況狀態(tài)、環(huán)境參數(shù)等體現(xiàn)設(shè)備和產(chǎn)品運(yùn)行狀態(tài)的數(shù)據(jù)。此類數(shù)據(jù)是工業(yè)大數(shù)據(jù)新的、增長(zhǎng)快的來源。狹義的工業(yè)大數(shù)據(jù)即指該類數(shù)據(jù)，即工業(yè)設(shè)備和產(chǎn)品快速產(chǎn)生的并且存在時(shí)間序列差異的大量數(shù)據(jù)。

 

第三類是外部數(shù)據(jù)。指與工業(yè)企業(yè)生產(chǎn)活動(dòng)和產(chǎn)品相關(guān)的企業(yè)外部互聯(lián)網(wǎng)來源數(shù)據(jù)，例如，評(píng)價(jià)企業(yè)環(huán)境績(jī)效的環(huán)境法規(guī)、預(yù)測(cè)產(chǎn)品市場(chǎng)的宏觀社會(huì)經(jīng)濟(jì)數(shù)據(jù)等。

 

 

工業(yè)大數(shù)據(jù)與互聯(lián)網(wǎng)大數(shù)據(jù)的差異

 

 

工業(yè)大數(shù)據(jù)具有一般大數(shù)據(jù)的特征（海量性、多樣性等），此基礎(chǔ)上具有價(jià)值性、實(shí)時(shí)性、準(zhǔn)確性、閉環(huán)性四個(gè)典型的特征。工業(yè)大數(shù)據(jù)與互聯(lián)網(wǎng)大數(shù)據(jù)的區(qū)別在于工業(yè)大數(shù)據(jù)有*強(qiáng)的目的性，而互聯(lián)網(wǎng)大數(shù)據(jù)更多的是一種關(guān)聯(lián)的挖掘，是更加發(fā)散的一種分析。除此之外，兩者在數(shù)據(jù)的特征和面臨的問題方面也有不同。有別于互聯(lián)網(wǎng)大數(shù)據(jù)，工業(yè)大數(shù)據(jù)的分析技術(shù)核心要解決"3B"問題：

 

 

1、BelowSurface——隱匿性，即需要洞悉背后的意義

 

 

工業(yè)環(huán)境中的大數(shù)據(jù)與互聯(lián)網(wǎng)大數(shù)據(jù)相比，重要的不同在于對(duì)數(shù)據(jù)特征的提取上面，工業(yè)大數(shù)據(jù)注重特征背后的物理意義以及特征之間關(guān)聯(lián)性的機(jī)理邏輯，而互聯(lián)網(wǎng)大數(shù)據(jù)則傾向于僅僅依賴統(tǒng)計(jì)學(xué)工具挖掘?qū)傩灾g的相關(guān)性。

 

 

2、Broken——碎片化，即需要避免斷續(xù)、注重時(shí)效性

 

 

相對(duì)于互聯(lián)網(wǎng)大數(shù)據(jù)的量，工業(yè)大數(shù)據(jù)更注重?cái)?shù)據(jù)的全，即面向應(yīng)用要求具有盡可能的使用樣本，以覆蓋工業(yè)過程中的各類變化條件、保障從數(shù)據(jù)中能夠提取以反映對(duì)象真實(shí)狀態(tài)的信息性。因此，工業(yè)大數(shù)據(jù)一方面需要在后端的分析方法上克服數(shù)據(jù)碎片化帶來的困難，利用特征提取等手段將這些數(shù)據(jù)轉(zhuǎn)化為有用的信息，另一方面，更是需要從數(shù)據(jù)獲取的前端設(shè)計(jì)中以價(jià)值需求為導(dǎo)向制定數(shù)據(jù)標(biāo)準(zhǔn)，進(jìn)而在數(shù)據(jù)與信息流通的平臺(tái)中構(gòu)建統(tǒng)一的數(shù)據(jù)環(huán)境。

 

 

3、BadQuality——低質(zhì)性，即需要提高數(shù)據(jù)質(zhì)量、滿足低容錯(cuò)性

 

 

數(shù)據(jù)碎片化缺陷來源的另一方面也顯示出對(duì)于數(shù)據(jù)質(zhì)量的擔(dān)憂，即數(shù)據(jù)的數(shù)量并無法保障數(shù)據(jù)的質(zhì)量，這就可能導(dǎo)致數(shù)據(jù)的低可用率，因?yàn)榈唾|(zhì)量的數(shù)據(jù)可能直接影響到分析過程而導(dǎo)致結(jié)果無法利用，但互聯(lián)網(wǎng)大數(shù)據(jù)則不同，其可以只針對(duì)數(shù)據(jù)本身做挖掘、關(guān)聯(lián)而不考慮數(shù)據(jù)本身的意義，即挖掘到什么結(jié)果就是什么結(jié)果，典型的就是經(jīng)過超市購(gòu)物習(xí)慣的數(shù)據(jù)挖掘后啤酒貨架就可以擺放在尿不濕貨架的對(duì)面，而不用考慮他們之間有什么機(jī)理性的邏輯關(guān)系;換句話說，相比于互聯(lián)網(wǎng)大數(shù)據(jù)通常并不要求有多么精準(zhǔn)的結(jié)果推送，工業(yè)大數(shù)據(jù)對(duì)預(yù)測(cè)和分析結(jié)果的容錯(cuò)率遠(yuǎn)遠(yuǎn)比互聯(lián)網(wǎng)大數(shù)據(jù)低的多。互聯(lián)網(wǎng)大數(shù)據(jù)在進(jìn)行預(yù)測(cè)和決策時(shí)，僅僅考慮的是兩個(gè)屬性之間的關(guān)聯(lián)是否具有統(tǒng)計(jì)顯著性，其中的噪聲和個(gè)體之間的差異在樣本量足夠大時(shí)都可以被忽略，這樣給出的預(yù)測(cè)結(jié)果的準(zhǔn)確性就會(huì)大打折扣。比如當(dāng)我覺得有70%的顯著性應(yīng)該給某個(gè)用戶A類電影，即使用戶并非真正喜歡這類電影也不會(huì)造成太嚴(yán)重的后果。但是在工業(yè)環(huán)境中，如果僅僅通過統(tǒng)計(jì)的顯著性給出分析結(jié)果，哪怕僅僅一次的失誤都可能造成嚴(yán)重的后果。

 

 

工業(yè)大數(shù)據(jù)面臨的挑戰(zhàn)

 

 

是數(shù)據(jù)搜集，要對(duì)來自網(wǎng)絡(luò)包括物聯(lián)網(wǎng)和機(jī)構(gòu)信息系統(tǒng)的數(shù)據(jù)附上時(shí)空標(biāo)簽，去偽存真，盡可能收集異源甚是異構(gòu)的數(shù)據(jù)，還可與歷史數(shù)據(jù)對(duì)照，多角度檢驗(yàn)數(shù)據(jù)的性和可信性。

 

第二是數(shù)據(jù)存儲(chǔ)，要達(dá)到低成本、低能耗、高可靠性目標(biāo)，要用到冗余配置，分布和云計(jì)算技術(shù)，存儲(chǔ)時(shí)對(duì)數(shù)據(jù)進(jìn)行分類，并加入便于檢索的標(biāo)簽。

 

第三是數(shù)據(jù)處理，利用上下文關(guān)聯(lián)進(jìn)行語義分析，現(xiàn)在關(guān)于上下文這種關(guān)聯(lián)，也是一個(gè)上比較熱門的一個(gè)領(lǐng)域。

 

第四是可視化呈現(xiàn)，目前計(jì)算機(jī)智能化有了很大的進(jìn)步和發(fā)展，但是談不到深層次數(shù)據(jù)挖掘，現(xiàn)有數(shù)據(jù)挖掘算法在行業(yè)中難以應(yīng)用，就是我們談到的智能之路進(jìn)步很大，但還很遙遠(yuǎn)。

 

 

應(yīng)用工業(yè)大數(shù)據(jù)的考慮因素

 

 

在我國(guó)大數(shù)據(jù)采集技術(shù)和處理技術(shù)不斷優(yōu)化的今天，相關(guān)的大數(shù)據(jù)處理技術(shù)結(jié)合了物聯(lián)網(wǎng)的實(shí)時(shí)采集能力已經(jīng)在我國(guó)更多領(lǐng)域之中展現(xiàn)了非凡的科技效果，特別是在我國(guó)工業(yè)領(lǐng)域之中的工業(yè)大數(shù)據(jù)處理技術(shù)為我國(guó)現(xiàn)代化工廠的建設(shè)帶來了更好的技術(shù)保障，而工業(yè)企業(yè)想要實(shí)現(xiàn)轉(zhuǎn)型更好的應(yīng)用工業(yè)大數(shù)據(jù)則必須綜合考慮如下因素：

 

 

1、注意大數(shù)據(jù)計(jì)劃的完善程度

 

 

眾所周知大數(shù)據(jù)處理技術(shù)結(jié)合了眾多的技術(shù)類型和設(shè)計(jì)層面，因此企業(yè)想要利用強(qiáng)大的工業(yè)大數(shù)據(jù)來實(shí)現(xiàn)轉(zhuǎn)型和變革，則必須要建立完善的分析基礎(chǔ)和應(yīng)用環(huán)境，消費(fèi)者在選用工業(yè)大數(shù)據(jù)之前必須要考慮企業(yè)實(shí)施的基礎(chǔ)環(huán)境是否適宜，并且經(jīng)過的工業(yè)大數(shù)據(jù)機(jī)構(gòu)進(jìn)行全方位的分析提供可靠的發(fā)展基礎(chǔ)才能夠確保這種優(yōu)質(zhì)技術(shù)獲得*的落實(shí)。

 

 

2、注意分析應(yīng)用后的實(shí)際效果

 

 

在應(yīng)用大數(shù)據(jù)之前企業(yè)必須要對(duì)這種數(shù)據(jù)應(yīng)用之后可能應(yīng)對(duì)的情況和實(shí)際效果進(jìn)行綜合分析，通過品牌的工業(yè)大數(shù)據(jù)來確認(rèn)數(shù)據(jù)采集和處理能夠滿足企業(yè)的實(shí)際需求，在應(yīng)用該種工業(yè)大數(shù)據(jù)之后能夠?yàn)槠髽I(yè)帶來的實(shí)際經(jīng)濟(jì)效益和實(shí)際效果尤為重要，因此企業(yè)也可以通過工業(yè)大數(shù)據(jù)機(jī)構(gòu)來進(jìn)行全方位的測(cè)評(píng)來確保為技術(shù)使用奠定良好的基礎(chǔ)。

 

簡(jiǎn)言之應(yīng)用工業(yè)大數(shù)據(jù)之前必須要進(jìn)行基礎(chǔ)環(huán)境和實(shí)際效果等多方面的考慮，分析工業(yè)大數(shù)據(jù)應(yīng)用所能夠帶來的好處和困境才能夠確保工業(yè)大數(shù)據(jù)的利用得以*實(shí)現(xiàn)，也可以經(jīng)過的工業(yè)大數(shù)據(jù)機(jī)構(gòu)來進(jìn)行更好的輔導(dǎo)確保該種技術(shù)的應(yīng)用之下能夠?yàn)槠髽I(yè)的現(xiàn)代化管理帶來更好的幫助。

 

 

工業(yè)大數(shù)據(jù)應(yīng)用案例

 

 

發(fā)展大數(shù)據(jù)是個(gè)過程，終目的是為了利用大數(shù)據(jù)，對(duì)工業(yè)企業(yè)起到作用。因此，企業(yè)需要冷靜思考，堅(jiān)持以業(yè)務(wù)應(yīng)用為驅(qū)動(dòng)，才能化實(shí)現(xiàn)數(shù)據(jù)價(jià)值。企業(yè)所積累的數(shù)據(jù)量以越來越快的速度在增加，很多企業(yè)也就順勢(shì)將大數(shù)據(jù)技術(shù)引入企業(yè)的生產(chǎn)經(jīng)營(yíng)中。大數(shù)據(jù)在工業(yè)企業(yè)的應(yīng)用主要體現(xiàn)在三方面：

 

一是基于數(shù)據(jù)的產(chǎn)品價(jià)值挖掘，通過對(duì)產(chǎn)品及相關(guān)數(shù)據(jù)進(jìn)行二次挖掘，創(chuàng)造新價(jià)值

 

在汽車行業(yè)，科研人員設(shè)計(jì)出一種新型座椅，能夠通過分析相關(guān)數(shù)據(jù)識(shí)別主人，以此確保汽車的。這種座椅裝有360個(gè)不同類型的感應(yīng)器，可以收集并分析駕駛者的體重、壓力值，甚坐到座椅上的方式等多種信息，并將它們與車載系統(tǒng)中內(nèi)置的車主信息進(jìn)行匹配，以此判斷駕駛者是否為車主，從而決定是否開動(dòng)汽車。實(shí)驗(yàn)數(shù)據(jù)顯示，這種車座的識(shí)別準(zhǔn)確率高達(dá)98%。

 

二是服務(wù)型生產(chǎn)

 

服務(wù)型生產(chǎn)就是增加服務(wù)在生產(chǎn)（產(chǎn)品）的價(jià)值比重。主要體現(xiàn)在兩個(gè)方向。一是前向延伸，就是在售前階段，通過用戶參與、個(gè)性化設(shè)計(jì)的方式，吸引、引導(dǎo)和鎖定用戶。比如紅領(lǐng)西服的服裝定制，通過精準(zhǔn)的量體裁衣，在其他成衣服裝規(guī)模關(guān)店的市場(chǎng)下，能保持每年150%的收入和利潤(rùn)增長(zhǎng)，每件衣服的成本僅比成衣高10%。

 

同時(shí)后向延伸，通過銷售的產(chǎn)品建立客戶和廠家的互動(dòng)，產(chǎn)生持續(xù)性價(jià)值。蘋果手機(jī)的硬件配置是標(biāo)準(zhǔn)的，但每個(gè)蘋果手機(jī)用戶安裝的軟件是個(gè)性化的，這里面的功勞是APPStore。蘋果通過銷售蘋果終端產(chǎn)品只是開始，通過APPStore建立用戶和廠商的連接，滿足用戶個(gè)性化需求，提供差異性服務(wù)，年創(chuàng)造收入在百億美金。

 

三是創(chuàng)新商業(yè)模式

 

商業(yè)模式創(chuàng)新主要體現(xiàn)在兩個(gè)方面，一是基于工業(yè)大數(shù)據(jù)，工業(yè)企業(yè)對(duì)外能提供什么樣的創(chuàng)新性商業(yè)服務(wù);二是在工業(yè)大數(shù)據(jù)背景下，能接受什么樣的新型的商業(yè)服務(wù)。優(yōu)的情況是，通過提供創(chuàng)新性商業(yè)模式能獲得更多的客戶，發(fā)掘更多的藍(lán)海市場(chǎng)，贏取更多的利潤(rùn);同時(shí)通過接受創(chuàng)新性的工業(yè)服務(wù)，了生產(chǎn)成本、經(jīng)營(yíng)風(fēng)險(xiǎn)。

 

由大數(shù)據(jù)驅(qū)動(dòng)的制造業(yè)轉(zhuǎn)型升級(jí)，是未來制造業(yè)生產(chǎn)效率、改進(jìn)產(chǎn)品質(zhì)量、節(jié)約資源消耗、保障生產(chǎn)、優(yōu)化銷售服務(wù)的必經(jīng)之路，通過與工業(yè)互聯(lián)網(wǎng)、人工智能、移動(dòng)互聯(lián)網(wǎng)、云計(jì)算等技術(shù)的協(xié)同發(fā)展，工業(yè)大數(shù)據(jù)驅(qū)動(dòng)的的工業(yè)互聯(lián)網(wǎng)必將深度融入實(shí)體經(jīng)濟(jì)，成為數(shù)字經(jīng)濟(jì)時(shí)代的新引擎。

 

 

李杰教授：40年工業(yè)大數(shù)據(jù)研究 總結(jié)工業(yè)智造關(guān)鍵5要素

 

21 世紀(jì)初，當(dāng)技術(shù)還并無“維護(hù)”二字時(shí)，發(fā)動(dòng)機(jī)、電梯等設(shè)備故障維修解決的是后果，而維護(hù)則是“事前諸葛”。有了預(yù)測(cè)，就可預(yù)防，維護(hù)優(yōu)化工作才可真正實(shí)現(xiàn)提質(zhì)增效降本減存?！爸钡?2000 年，我發(fā)現(xiàn)有些事情不是那么正確了，因?yàn)楹芏鄶?shù)據(jù)沒有被高效地利用。”李杰教授在采訪中說道。

 

為此，先后在美國(guó)自然科學(xué)基金會(huì)（NSF）、美國(guó)聯(lián)合技術(shù)公司（UTRC）擔(dān)任研發(fā)要職的李杰教授在 2000 年做出了一個(gè)重要決定——去大學(xué)任教并啟動(dòng)工業(yè)大數(shù)據(jù)的研發(fā)。在當(dāng)時(shí)，這還是一個(gè)從未被挖掘過的領(lǐng)域。

 

那么，工業(yè)人工智能如何產(chǎn)業(yè)競(jìng)爭(zhēng)力？ 人工智能會(huì)造成大量失業(yè)嗎？工業(yè)大數(shù)據(jù)和我們?nèi)粘３Ｕf的互聯(lián)網(wǎng)大數(shù)據(jù)究竟有什么關(guān)系？帶著這些問題，小編此次采訪到了身處工業(yè)自動(dòng)化與機(jī)器人領(lǐng)域近 40 余年的科學(xué)家——李杰教授，這位為“工業(yè)大數(shù)據(jù)”名的科學(xué)家將向你講述關(guān)于人工智能、工業(yè)大數(shù)據(jù)領(lǐng)域的那些事。

 

 

挖掘工業(yè)大數(shù)據(jù)的價(jià)值痛點(diǎn)

 

 

20 世紀(jì) 80 年代初，當(dāng)美國(guó)汽車產(chǎn)業(yè)開始逐漸意識(shí)到與日本產(chǎn)業(yè)之間的競(jìng)爭(zhēng)時(shí)，自動(dòng)化、機(jī)器人視覺等技術(shù)相繼獲得重視，美國(guó)品質(zhì)就此開始。在此期間，李杰教授先后在美國(guó)自然科學(xué)基金會(huì)（NSF）、美國(guó)聯(lián)合技術(shù)公司（UTRC）擔(dān)任研發(fā)要職，主持研發(fā)了普惠發(fā)動(dòng)機(jī)、奧迪斯電梯等新一代產(chǎn)品和項(xiàng)目，并資助了包括增材制造（3D 打?。┡c納米制造等多個(gè)項(xiàng)目。

 

眾所周知，大數(shù)據(jù)的來源之廣、歷史背景之深共同組成了“大”的特性。但相比于互聯(lián)網(wǎng)大數(shù)據(jù)，工業(yè)大數(shù)據(jù)來源于供應(yīng)鏈和制造流程等眾多環(huán)節(jié)，其特性更聚焦在問題點(diǎn)，而不是需要點(diǎn)。

 

“互聯(lián)網(wǎng)大數(shù)據(jù)是從數(shù)據(jù)中找尋還未產(chǎn)生價(jià)值的東西，工業(yè)大數(shù)據(jù)則是從痛點(diǎn)中尋找怎么避免讓你‘痛’的東西?！崩罱芙淌诮忉尩溃I(yè)大數(shù)據(jù)與互聯(lián)網(wǎng)大數(shù)據(jù)的區(qū)別在于工業(yè)大數(shù)據(jù)有*強(qiáng)的目的性，而互聯(lián)網(wǎng)大數(shù)據(jù)更多的是一種關(guān)聯(lián)的挖掘，是更加發(fā)散的一種分析。

 

換句話說，相比于互聯(lián)網(wǎng)大數(shù)據(jù)通常并不要求有多么精準(zhǔn)的結(jié)果推送，工業(yè)大數(shù)據(jù)對(duì)預(yù)測(cè)和分析結(jié)果的容錯(cuò)率遠(yuǎn)遠(yuǎn)比互聯(lián)網(wǎng)大數(shù)據(jù)低的多?；ヂ?lián)網(wǎng)大數(shù)據(jù)在進(jìn)行預(yù)測(cè)和決策時(shí)，僅僅考慮的是兩個(gè)屬性之間的關(guān)聯(lián)是否具有統(tǒng)計(jì)顯著性，其中的噪聲和個(gè)體之間的差異在樣本量足夠大時(shí)都可以被忽略，這樣給出的預(yù)測(cè)結(jié)果的準(zhǔn)確性就會(huì)大打折扣。但是在工業(yè)環(huán)境中，如果僅僅通過統(tǒng)計(jì)的顯著性給出分析結(jié)果，哪怕僅僅一次的失誤都可能造成嚴(yán)重的后果。

 

李杰教授曾提出一個(gè)“煎蛋模型”，來闡述產(chǎn)品與服務(wù)價(jià)值之間的關(guān)系。蛋黃代表的是產(chǎn)品自身，其差異性程度并不*，例如一臺(tái)電視機(jī)在擋住了 Logo 之后就很難被區(qū)分出來是哪家公司生產(chǎn)的。而蛋白所代表的價(jià)值卻是差異化的重要體現(xiàn)，也是企業(yè)的品牌和可持續(xù)性價(jià)值的所在。而數(shù)據(jù)將成為挖掘這些價(jià)值的重要手段，其主要體現(xiàn)在：

 

1、利用數(shù)據(jù)挖掘在使用中獲得新的知識(shí)和技術(shù)對(duì)現(xiàn)有產(chǎn)品進(jìn)行改進(jìn)；

 

2、利用數(shù)據(jù)去發(fā)現(xiàn)和定義用戶未知的需求；

 

3、以數(shù)據(jù)為媒介向用戶提供增值服務(wù)。

 

經(jīng)驗(yàn)可以傳承，但無法長(zhǎng)久傳承，但具有邏輯性的數(shù)據(jù)可以傳承。煎蛋模型，就是從大問題導(dǎo)向到大價(jià)值導(dǎo)向。蛋黃是大問題，蛋白是大價(jià)值。數(shù)據(jù)是從大問題開始，但它不是目的，必須要做到大價(jià)值并發(fā)揮的作用。

 

就在不久前，由工業(yè)和信息化部指導(dǎo)，中國(guó)信息通信研究院、工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟主辦的第二屆工業(yè)大數(shù)據(jù)創(chuàng)新競(jìng)賽決賽答辯正式落下帷幕 [注]。作為競(jìng)賽連續(xù)兩年評(píng)審團(tuán)的專家，李杰教授在倍感欣慰的同時(shí)也深有感觸。高校參賽者的基礎(chǔ)算法能力雖不容小覷，但是由于沒有基礎(chǔ)數(shù)據(jù)，項(xiàng)目構(gòu)建過程中仍有很多問題。對(duì)此，李杰教授總結(jié)道，若要真正實(shí)現(xiàn)智能制造，我國(guó)仍需要一批工業(yè)大數(shù)據(jù)的年輕生力軍，下到工廠，讓算法的能力補(bǔ)償有經(jīng)驗(yàn)的專家，相互結(jié)合補(bǔ)充，共同助力工業(yè)智造高質(zhì)量發(fā)展。

 

 

工業(yè)智造關(guān)鍵要素 ABCDE

 

 

傳統(tǒng)人工智能概念始于上世紀(jì) 50 年代。半個(gè)多世紀(jì)以來，人類利用自然語言、神經(jīng)辨識(shí)、神經(jīng)網(wǎng)絡(luò)或形象辨識(shí)等方法，讓機(jī)器學(xué)習(xí)規(guī)律，進(jìn)而提供廣泛維度解決方案。相較于前者，工業(yè)人工智能隸屬垂直領(lǐng)域，其屬性聚焦于工業(yè)制造系統(tǒng)，涉及汽車、飛機(jī)、輪船等移動(dòng)工具的性、節(jié)能性、耗油性，工業(yè)制造機(jī)器人的穩(wěn)定性、精密性、風(fēng)力發(fā)電的效益性、節(jié)能性等相關(guān)課題。

 

李杰教授在談到工業(yè)人工智能的關(guān)鍵要素時(shí)說道，工業(yè)人工智能可以用“abcde”的特征進(jìn)行分類，這些關(guān)鍵要素包含分析技術(shù) （Analytics Technology），大數(shù)據(jù)技術(shù) （Big Data Technology），云或網(wǎng)絡(luò)技術(shù) （Cloud or Cyber Technology），領(lǐng)域知識(shí) （Domain Knowledge），證據(jù) （Evidence）。

 

分析（A）是 AI 的核心，它只有在其他要素都存在時(shí)才能產(chǎn)生價(jià)值。大數(shù)據(jù)（B）與云（C）是提供數(shù)據(jù)來源和工業(yè)人工智能平臺(tái)必不可少的兩個(gè)要素。然而，領(lǐng)域知識(shí)（D）和證據(jù)（E）也是常常被忽略的兩個(gè)重要因子。領(lǐng)域知識(shí)（D）是下列事項(xiàng)的關(guān)鍵要素：

 

1、了解問題并專注于利用工業(yè)人工智能去解決它；

 

2、理解系統(tǒng)以便于收集正確且高質(zhì)量的數(shù)據(jù)；

 

3、了解參數(shù)的物理含義以及它們?nèi)绾闻c系統(tǒng)或流程的物理特性相關(guān)聯(lián)；

 

4、了解這些參數(shù)因機(jī)器而異。

 

證據(jù)（E）也是驗(yàn)證工業(yè)人工智能模型以及它們與累積學(xué)習(xí)能力相結(jié)合的重要要素。收集數(shù)據(jù)形態(tài)模式及與它相關(guān)聯(lián)的證據(jù)，我們才能改進(jìn) AI 模型使之更加準(zhǔn)確并且與時(shí)俱進(jìn)。這也是當(dāng)代人工智能、工業(yè)大數(shù)據(jù)領(lǐng)域從業(yè)者需要具備五個(gè)重要資質(zhì)。

 

現(xiàn)如今，人工智能時(shí)代已悄然來臨，機(jī)遇就在前方，發(fā)展就在腳下。但自 AI 熱潮掀起以來，業(yè)界對(duì)于人工智能取代人類工作的討論就沒有停止過。對(duì)此，李杰教授表示人工智能并不是取代人，而是在做人類做的不好，或者人類不想做的事情。

 

早在上個(gè)世紀(jì) 80 年代的美國(guó)，人工智能就已應(yīng)用在一些簡(jiǎn)單的控制領(lǐng)域，包括機(jī)器人，機(jī)器視覺，形象識(shí)別等技術(shù)。而機(jī)器人智能化并不是要取代人們工作，而是幫助人找到一個(gè)更高效、更靈活、更健康的環(huán)境。當(dāng)業(yè)務(wù)的空間維度高，復(fù)雜性高，不確定性高的時(shí)候，人工智能就可發(fā)揮自身優(yōu)勢(shì)，協(xié)助人類進(jìn)行工作。

 

[注]：2019 年 1 月 13 日，由工業(yè)和信息化部指導(dǎo)，中國(guó)信息通信研究院聯(lián)合工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟、華為、富士康、積微物聯(lián)共同主辦的第二屆“中國(guó)工業(yè)大數(shù)據(jù)創(chuàng)新競(jìng)賽”決賽答辯會(huì)議在中國(guó)信息通信研究院隆重舉行。

 

競(jìng)賽自 2018 年 11 月啟動(dòng)以來，吸引了來自海內(nèi)外近 3000 名參賽選手。兩道競(jìng)賽題目分別為“鋼卷倉(cāng)儲(chǔ)吞吐量預(yù)測(cè)”和“刀具剩余壽預(yù)測(cè)”，由清華大學(xué)軟件學(xué)院王建民院長(zhǎng)和美國(guó)智能維護(hù)系統(tǒng)（IMS）主任、富士康工業(yè)互聯(lián)網(wǎng)副董事長(zhǎng)李杰教授分別擔(dān)任專家組組長(zhǎng)。聯(lián)合主辦方華為公司也為競(jìng)賽提供了云計(jì)算資源和華為云 EI 機(jī)器學(xué)習(xí)服務(wù)的支持，富士康和積微物聯(lián)分別提供了真實(shí)數(shù)據(jù)資源和應(yīng)用場(chǎng)景。同時(shí)，競(jìng)賽也得到了北京工業(yè)大數(shù)據(jù)創(chuàng)新、昆侖數(shù)據(jù)、天澤智云、美國(guó)儀器、ABB、蒂森克虜伯等國(guó)內(nèi)外企業(yè)和研究機(jī)構(gòu)的大力支持。