許多工業(yè)企業(yè)擁有大量的超過實(shí)際需要的數(shù)據(jù)，但企業(yè)在人工智能方面的努力仍然低于預(yù)期。為了確保企業(yè)輸入到工業(yè)人工智能系統(tǒng)的數(shù)據(jù)是經(jīng)過充分審查的，在此提出大數(shù)據(jù)控制的建議。

據(jù)有關(guān)報(bào)告稱：許多重工業(yè)企業(yè)花了多年時(shí)間構(gòu)建和存儲大數(shù)據(jù)，但尚未釋放出其全部價(jià)值。75%的工業(yè)企業(yè)已經(jīng)試運(yùn)行了某種形式的人工智能，但只有不到15%的公司實(shí)現(xiàn)了有意義的、可擴(kuò)展的目標(biāo)，這是因?yàn)闆]有足夠的運(yùn)營洞察力也沒有對人工智能系統(tǒng)進(jìn)行數(shù)據(jù)監(jiān)督。

工業(yè)人工智能成功的關(guān)鍵是可靠的歷史數(shù)據(jù)，這些數(shù)據(jù)需要調(diào)整大數(shù)據(jù)的形式，通常需要更少的變量使其能夠適應(yīng)人工智能，通過對智能數(shù)據(jù)進(jìn)行重新設(shè)計(jì)，以及引入適當(dāng)?shù)呐嘤?xùn)，企業(yè)的回報(bào)率可以提高5%至15%。

為了確保數(shù)據(jù)和消費(fèi)工業(yè)人工智能系統(tǒng)之間的匹配，建議采取以下步驟：

定義流程

與專家和企業(yè)工程師一起概述工藝步驟，勾勒出物理變化、化學(xué)變化，比如研磨、加熱氧化、聚合。識別關(guān)鍵傳感器和儀器，以及維護(hù)日期、限制、測量單位。

豐富數(shù)據(jù)

原始工藝數(shù)據(jù)總是包含缺陷。因此，重點(diǎn)應(yīng)該是創(chuàng)建高質(zhì)量的數(shù)據(jù)集，而不是為了爭取最大數(shù)量的可觀察數(shù)據(jù)不斷進(jìn)行測試。企業(yè)應(yīng)該積極刪除非穩(wěn)態(tài)信息，如設(shè)備的升降，以及來自不相關(guān)的工廠配置或運(yùn)營制度的數(shù)據(jù)。

降低維度

人工智能算法通過將輸出，也就是可觀察數(shù)據(jù)與一組輸入匹配來構(gòu)建模型，這些輸入由原始傳感器數(shù)據(jù)或其派生數(shù)據(jù)組成。再加上現(xiàn)代工廠中可用的傳感器數(shù)量之多，這就需要進(jìn)行大量的觀察。相反，企業(yè)應(yīng)該削減特征列表，只保留描述物理過程的輸入，然后應(yīng)用方程來創(chuàng)建智能組合傳感器信息的特征，例如結(jié)合質(zhì)量和流量來產(chǎn)生密度。

重點(diǎn)研究ML

確切的說，應(yīng)該是創(chuàng)建推動(dòng)工廠改進(jìn)模型，而不是為了實(shí)現(xiàn)預(yù)測準(zhǔn)確性而不斷調(diào)整模型。企業(yè)應(yīng)該記住，過程數(shù)據(jù)自然會(huì)表現(xiàn)出高度相關(guān)性。在某些情況下，模型性能可能看起來很出色，但分離、因果、成分和可控變量比相關(guān)性更重要。”

實(shí)現(xiàn)和驗(yàn)證模型

企業(yè)應(yīng)該通過檢查重要特征，不斷與專家審查模型結(jié)果，以確保它們與物理過程相匹配。

建立一個(gè)團(tuán)隊(duì)

在重工業(yè)中部署人工智能需要由操作員、數(shù)據(jù)科學(xué)家、自動(dòng)化工程師和流程專家組成跨職能團(tuán)隊(duì)。我們經(jīng)常發(fā)現(xiàn)，公司在數(shù)據(jù)科學(xué)方面扮演著重要角色，但他們面臨著三個(gè)主要挑戰(zhàn)：整個(gè)公司都缺乏流程專業(yè)知識、不習(xí)慣使用現(xiàn)代數(shù)字或分析工具、不知道如何在數(shù)字團(tuán)隊(duì)中工作。