21世紀初，當技術世界還并無“維護”二字時，發(fā)動機、電梯等設備故障維修解決的是后果，而維護則是“事前諸葛”。有了預測，就可預防，維護優(yōu)化工作才可真正實現提質增效降本減存?！爸钡?000年，我發(fā)現有些事情不是那么正確了，因為很多數據沒有被高效地利用?！崩罱芙淌谠诓稍L中說道。

為此，先后在美國自然科學基金會（NSF）、美國聯合技術公司（UTRC）擔任研發(fā)要職的李杰教授在2000年做出了一個重要決定——去大學任教并啟動工業(yè)大數據的研發(fā)。在當時，這還是一個從未被挖掘過的領域。

那么，工業(yè)人工智能如何提升產業(yè)競爭力？人工智能會造成大量失業(yè)嗎？工業(yè)大數據和我們日常常說的互聯網大數據究竟有什么關系？帶著這些問題，小編此次采訪到了身處工業(yè)自動化與機器人領域近40余年的科學家——李杰教授，這位為“工業(yè)大數據”命名的科學家將向你講述關于人工智能、工業(yè)大數據領域的那些事。

挖掘工業(yè)大數據的價值痛點

20世紀80年代初，當美國汽車產業(yè)開始逐漸意識到與日本產業(yè)之間的競爭時，自動化、機器人視覺等技術相繼獲得重視，美國品質革命就此開始。在此期間，李杰教授先后在美國自然科學基金會（NSF）、美國聯合技術公司（UTRC）擔任研發(fā)要職，主持研發(fā)了普惠發(fā)動機、奧迪斯電梯等新一代產品和項目，并資助了包括增材制造（3D打印）與納米制造等多個項目。

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

“互聯網大數據是從數據中找尋還未產生價值的東西，工業(yè)大數據則是從痛點中尋找怎么避免讓你‘痛’的東西?！崩罱芙淌诮忉尩?，工業(yè)大數據與互聯網大數據最大的區(qū)別在于工業(yè)大數據有非常強的目的性，而互聯網大數據更多的是一種關聯的挖掘，是更加發(fā)散的一種分析。

換句話說，相比于互聯網大數據通常并不要求有多么精準的結果推送，工業(yè)大數據對預測和分析結果的容錯率遠遠比互聯網大數據低的多?；ヂ摼W大數據在進行預測和決策時，僅僅考慮的是兩個屬性之間的關聯是否具有統(tǒng)計顯著性，其中的噪聲和個體之間的差異在樣本量足夠大時都可以被忽略，這樣給出的預測結果的準確性就會大打折扣。但是在工業(yè)環(huán)境中，如果僅僅通過統(tǒng)計的顯著性給出分析結果，哪怕僅僅一次的失誤都可能造成嚴重的后果。

李杰教授曾提出一個“煎蛋模型”，來闡述產品與服務價值之間的關系。蛋黃代表的是產品自身，其差異性程度并不明顯，例如一臺電視機在擋住了Logo之后就很難被區(qū)分出來是哪家公司生產的。而蛋白所代表的價值卻是差異化的重要體現，也是企業(yè)的品牌和可持續(xù)性價值的所在。而數據將成為挖掘這些價值的重要手段，其主要體現在：

1、利用數據挖掘在使用中獲得新的知識和技術對現有產品進行改進；

2、利用數據去發(fā)現和定義用戶未知的需求；

3、以數據為媒介向用戶提供增值服務。

經驗可以傳承，但無法長久傳承，但具有邏輯性的數據可以傳承。煎蛋模型，就是從大問題導向到大價值導向。蛋黃是大問題，蛋白是大價值。數據是從大問題開始，但它絕對不是目的，必須要做到大價值并發(fā)揮最好的作用。

就在不久前，由工業(yè)和信息化部指導，中國信息通信研究院、工業(yè)互聯網產業(yè)聯盟主辦的第二屆工業(yè)大數據創(chuàng)新競賽決賽答辯正式落下帷幕[注]。作為競賽連續(xù)兩年評審團的專家，李杰教授在倍感欣慰的同時也深有感觸。高校參賽者的基礎算法能力雖不容小覷，但是由于沒有基礎數據，項目構建過程中仍有很多問題。對此，李杰教授總結道，若要真正實現智能制造，我國仍需要一批工業(yè)大數據的年輕生力軍，下到工廠，讓算法的能力補償有經驗的專家，相互結合補充，共同助力工業(yè)智造高質量發(fā)展。

工業(yè)智造關鍵要素ABCDE

傳統(tǒng)人工智能概念始于上世紀50年代。半個多世紀以來，人類利用自然語言、神經辨識、神經網絡或形象辨識等方法，讓機器學習規(guī)律，進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域，其屬性聚焦于工業(yè)制造系統(tǒng)，涉及汽車、飛機、輪船等移動工具的安全性、節(jié)能性、耗油性，工業(yè)制造機器人的穩(wěn)定性、精密性、風力發(fā)電的效益性、節(jié)能性等相關課題。

李杰教授在談到工業(yè)人工智能的關鍵要素時說道，工業(yè)人工智能可以用“abcde”的特征進行分類，這些關鍵要素包含分析技術(AnalyticsTechnology)，大數據技術(BigDataTechnology)，云或網絡技術(CloudorCyberTechnology)，專業(yè)領域知識(DomainKnowledge)，證據(Evidence)。

分析（A）是AI的核心，它只有在其他要素都存在時才能產生價值。大數據（B）與云（C）是提供數據來源和工業(yè)人工智能平臺必不可少的兩個要素。然而，專業(yè)領域知識（D）和證據（E）也是常常被忽略的兩個重要因子。專業(yè)領域知識（D）是下列事項的關鍵要素：

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量的數據；

3、了解參數的物理含義以及它們如何與系統(tǒng)或流程的物理特性相關聯；

4、了解這些參數因機器而異。

證據（E）也是驗證工業(yè)人工智能模型以及它們與累積學習能力相結合的重要要素。收集數據形態(tài)模式及與它相關聯的證據，我們才能改進AI模型使之更加準確全面并且與時俱進。這也是當代人工智能、工業(yè)大數據領域從業(yè)者需要具備五個重要資質。

現如今，人工智能時代已悄然來臨，機遇就在前方，發(fā)展就在腳下。但自AI熱潮掀起以來，業(yè)界對于人工智能取代人類工作的討論就沒有停止過。對此，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。

早在上個世紀80年代的美國，人工智能就已應用在一些簡單的控制領域，包括機器人，機器視覺，形象識別等技術。而機器人智能化并不是要取代人們工作，而是幫助人找到一個更高效、更靈活、更健康的環(huán)境。當業(yè)務的空間維度高，復雜性高，不確定性高的時候，人工智能就可發(fā)揮自身優(yōu)勢，協助人類進行工作。

聲明：本文為轉載類文章，如涉及版權問題，請及時聯系我們刪除（QQ: 2737591964），不便之處，敬請諒解！