【人工智慧】擦掉鐵鏽，人工智慧讓這家美國老牌鋼鐵廠轉型重生

企業利用資料分析的主要方向之一，就是規劃業務和優化運營——這一直是“運營研究”分析方法的長期重點。然而這通常在一個相對較小的範圍內完成，僅僅使用少數變數的單個模型。現在，認知工具（Cognitive tools）——特別是機器學習——可以讓這個用途在廣度和深度上更上一層樓。

人工智慧在製造和運營方面的作用可能不為人所知，但是我們有機會使用這些工具來顯著提高重要行業的效率和有效性。以美國大河特種鋼鐵廠“Big River Steel”為例，這家大型鋼鐵製造企業正試圖在最具工業特性的行業內進行重大轉型。Big River Steel的先例告訴鋼鐵行業，機器學習同樣適用它們。

位於美國阿肯色州的Big River Steel廣泛使用感測器、控制系統和基於機器學習的優化。通過與人工智慧諮詢公司Noodle.ai合作，Big River Steel開發了多種技術來提高鍊鋼的實踐和利潤。Big River Steel執行長David Stickler經常表示：“我們是一家在生產鋼鐵的科技公司。”

Big River Steel在以下6個主要方面使用機器學習，儘管每個方面在應用成熟度上有所不同：

· 需求預測：Big River Steel通過明智地使用資金而取得成功，所以它需要準確預測鋼鐵需求。要做到這一點，就採用具有巨集觀經濟資料、鋼鐵的歷史需求、製造業動態、鋼鐵大客戶的動態（例如住房開工、石油鑽臺數量）的機器學習模式。

· 資源開發和庫存管理：和小型鋼鐵廠一樣，Big River Steel的原材料是廢鋼，所以需要預測其可用性。Noodle.ai開發了“廢鋼指數”，並正在與Big River Steel合作，採取對衝方式購買廢鋼。

· 排程優化：什麼時候生產什麼，這是任何鋼鐵廠都要做出的重要決定，特別是當你最重要的投入是電能（用於熔鍊廢鋼的電弧爐）時，就更加關鍵了。優化模型能使非高峰時間的能源消耗最大化，從而使能源成本最小化。

· 生產優化：所有鋼廠都有非計劃事件，如漏鋼（當鑄造時鋼水從鑄模中脫落）和堆鋼事故（當熱軋鋼從輥子掉到磨機地板上時）。這些事件會使生產停滯，既危險又要付出成本代價。機器學習模型可以預測何時最有可能發生事故，並最大程度減少事故的發生。

· 預測性維護：隨著工業機器數量的增加，Big River Steel可以使用機器學習模型來確定維護關鍵機器和裝置的最佳時間。

· 出站運輸優化：像亞馬遜這樣的公司一直在優化他們的出站供應鏈，但這在鋼鐵廠很少見。 Big River Steel與客戶和託運人合作，將出站運輸的成本降到最低，並優化客戶交付視窗。

有了這些應用，Big River Steel和其他公司改善的運營能力，但最有價值的好處來自於整合。Big River Steel正在試圖為工廠的業績和盈利能力進行“端到端”優化，已經具有不同模型將業務計劃和運營的不同部分進行互連，並且在整個企業中進行優化。

這種規劃和優化的綜合方法仍處於早期階段，細化的話還需要更多的資料、演算法的調整和大量的計算能力。但是Stickler和Noodle.ai的資料科學家都相信這是可以實現的。

來源：forbes.com 作者：Tom Davenport 編譯：科技行者

機器學習模型在工業界真的創造價值了麼?

來源專知 專知

【導讀】看到標題你可能會有疑惑，因為我們可能經常聽到的是“你在實際應用中如何使用機器學習模型的”。本文正是資料科學家Venkat Raman關於“機器學習在工業界應用”中的一些思考，其內容並不是給機器學習和資料科學相關人員潑冷水的，而是提醒我們“機器學習演算法真的是解決問題所必須的嗎”。誠然，有許多問題需要機器學習來解決，但是如果濫用（在完全沒必要的問題中使用）可能會阻礙機器學習和資料科學的落地。本文並不指向技術，但是卻帶給我們比技術更重要的思考。

So, How Many ML Models You Have NOT Built?

讀到這個題目，也許會覺得標題很奇怪，過去幾年中，我們經常聽到的都是“資料科學家需掌握的十大深度學習演算法”、“資料科學家必備的­­二十個R語言工具包”、“資料科學家必學的三十個Python工具庫”等等。這些以“必備”做標題的文章已經多到足以讓一個資料科學新手繳械投降的地步。

我想闡述的問題是，現如今，面對過於豐富的資訊，一個資料科學家新手很難找到自己的起點。

▌自己動手構建一個深度學習模型

這些“必備”文章為各個公司帶來了一個更大的問題，每個公司都想建立自己的資料科學。

許多公司都想做資料科學，但由於之前毫無經驗，導致公司招人的時候職位描述與面試過程非常奇怪，他們明顯受到了“必備”文章的影響。

面試中，他們提問：“這是我們的問題，哪一種深度學習演算法可以被用來解決它”？

之後，這個資料科學家快速的給出2-3個深度學習演算法，緊接著公司就宣佈他被錄取了。入職後，他實現了在課堂中學到的演算法，通過不錯的效能指標給公司留下了好印象，緊接著，模型就被放到了產品中，但是卻並未給公司帶來收益，這是為什麼呢？

主要原因是：他並沒有足夠的商業嗅覺，並且他認為自己的目標就是建造一個足夠好的機器學習模型而已；而這個公司只有商業嗅覺，但並沒有機器學習、統計學的相關知識。想象中的互補融合並未發生。

▌修船匠的故事

這是一個耳熟能詳的故事，也許你沒聽過它，但你肯定聽過它的變體。

一個輪船公司招來一個工程師去修理輪船的引擎，他的工具箱裡包含著所有的工具，在一些簡單的分析之後，他拿出了錘子敲向輪船引擎上的一個元件，緊接著，引擎恢復了工作。第二天，工程師發來了賬單，5分鐘的工作量標價10000美金。

公司管理者很驚訝，就叫他解釋下賬單明細，為什麼這麼貴。工程師發來如下明細：

1、敲擊錘子：2美元

2、知道敲擊位置：9998美元

現在，你可能認為我把重點放在了領域知識與經驗上，是的，你的猜測是正確的。

▌輪船修理工與資料科學家類似

故事中，工程師的箱子裡有所有的工具，但他只選擇了一個錘子（可能是最簡單的工具了），而且，他知道問題的關鍵所在。類似的，資料科學家在面對問題時，難道應該放棄最基本的分析方法，而去實現一個機器學習演算法嗎？

最小化損失函式

“所有模型都是錯的，但有一些很有用”。

在大多數機器學習演算法中，我們嘗試去最小化損失函式，但模型是現實世界的抽象，在模型中，現實是抽象的，並不真實。如果你仔細思考下，就會發現，在我們構建機器學習模型的過程中存在著更大的損失函式——模型與現實的差異度。那麼，難道我們不應該建立儘可能少的模型去最小化模型與現實間的差異嗎？

▌資料科學家，請像CEO一樣去思考

我們資料科學家經常會陷入非常侷限的技術思維中。我們只關注哪一種機器學習演算法可以被應用於x，y，z問題；如何選擇特徵；如何減少特徵數量；如何提高模型準確度等等。而不去想機器學習演算法如何為公司帶來收益？應用演算法後可以為公司節省多少開銷？利潤率是否會被提升？

最重要的問題是，我們忘記了問自己“機器學習演算法真的是解決問題所必須的嗎”？

我知道，最後的問題會給我引來批評，就好像在一群鴿子中放了一隻貓，你們可能會說，“你想讓我們丟掉工作嗎”？

回答當然是NO。有許多問題需要機器學習來解決，但並不是所有。大多數商業問題都可以被簡單的分析或基礎方法解決掉。

導致我們丟掉工作的是機器學習演算法的過度應用。我已經看到機器學習方法被應用到完全不必要的問題上，糟糕的是，公司仍然在為這個想法大量投入，這是一個定時炸彈。一旦公司發現利潤率正在負增長，他們將阻止資料科學的完全落地，我們都知道在一個持負面態度的使用者面前開展工作是多麼艱辛，沒有資料科學，就沒有資料科學家。

▌將要到來的資料科學審查員

對於資料科學的願景，工業界一直抱著期待與警惕的心理。大多數落地的資料科學解決方案導致的低利潤率，使得工業界對資料科學越來越不抱希望。

我可以預測到未來會有一個新的職位產生：“資料科學審查員”，公司將會僱傭那些有經驗的資料科學家（統計學家、應用數學家）去審查各個資料科學專案。

在我近期的諮詢專案中，我覺得特別像一個審查員。我被要求臨時構建出一個數機器學習模型，但是經過分析，發現這個模型不僅是錯的，而且這個商業問題根本不需要使用機器學習方法。間接地結果是，這個客戶對於資料科學家不再抱有好印象，並且感到在情緒和經濟上受到了欺騙。

也許，下次在問到“你構建過多少深度學習演算法”這類問題時，會變成“你沒有構建過多少深度學習演算法”。

參考連結：

https://towardsdatascience.com/so-how-many-ml-models-you-have-not-built-e692f549b163

人工智慧賽博物理作業系統

AI-CPS OS

“人工智慧賽博物理作業系統”（新一代技術+商業作業系統“AI-CPS OS”：雲端計算+大資料+物聯網+區塊鏈+人工智慧）分支用來的今天，企業領導者必須瞭解如何將“技術”全面滲入整個公司、產品等“商業”場景中，利用AI-CPS OS形成數字化+智慧化力量，實現行業的重新佈局、企業的重新構建和自我的煥然新生。

AI-CPS OS的真正價值並不來自構成技術或功能，而是要以一種傳遞獨特競爭優勢的方式將自動化+資訊化、智造+產品+服務和資料+分析一體化，這種整合方式能夠釋放新的業務和運營模式。如果不能實現跨功能的更大規模融合，沒有顛覆現狀的意願，這些將不可能實現。

領導者無法依靠某種單一戰略方法來應對多維度的數字化變革。面對新一代技術+商業作業系統AI-CPS OS顛覆性的數字化+智慧化力量，領導者必須在行業、企業與個人這三個層面都保持領先地位：

1. 重新行業佈局：你的世界觀要怎樣改變才算足夠？你必須對行業典範進行怎樣的反思？

2. 重新構建企業：你的企業需要做出什麼樣的變化？你準備如何重新定義你的公司？

3. 重新打造自己：你需要成為怎樣的人？要重塑自己並在數字化+智慧化時代保有領先地位，你必須如何去做？

AI-CPS OS是數字化智慧化創新平臺，設計思路是將大資料、物聯網、區塊鏈和人工智慧等無縫整合在雲端，可以幫助企業將創新成果融入自身業務體系，實現各個前沿技術在雲端的優勢協同。AI-CPS OS形成的數字化+智慧化力量與行業、企業及個人三個層面的交叉，形成了領導力模式，使數字化融入到領導者所在企業與領導方式的核心位置：

1. 精細：這種力量能夠使人在更加真實、細緻的層面觀察與感知現實世界和數字化世界正在發生的一切，進而理解和更加精細地進行產品個性化控制、微觀業務場景事件和結果控制。

2. 智慧：模型隨著時間（資料）的變化而變化，整個系統就具備了智慧（自學習）的能力。

3. 高效：企業需要建立實時或者準實時的資料採集傳輸、模型預測和響應決策能力，這樣智慧就從批量性、階段性的行為變成一個可以實時觸達的行為。

4. 不確定性：數字化變更顛覆和改變了領導者曾經仰仗的思維方式、結構和實踐經驗，其結果就是形成了複合不確定性這種顛覆性力量。主要的不確定性蘊含於三個領域：技術、文化、制度。

5. 邊界模糊：數字世界與現實世界的不斷融合成CPS不僅讓人們所知行業的核心產品、經濟學定理和可能性都產生了變化，還模糊了不同行業間的界限。這種效應正在向生態系統、企業、客戶、產品快速蔓延。

AI-CPS OS形成的數字化+智慧化力量通過三個方式激發經濟增長：

1. 創造虛擬勞動力，承擔需要適應性和敏捷性的複雜任務，即“智慧自動化”，以區別於傳統的自動化解決方案；

2. 對現有勞動力和實物資產進行有利的補充和提升，提高資本效率；

3. 人工智慧的普及，將推動多行業的相關創新，開闢嶄新的經濟增長空間。

給決策制定者和商業領袖的建議：

1. 超越自動化，開啟新創新模式：利用具有自主學習和自我控制能力的動態機器智慧，為企業創造新商機；

2. 迎接新一代資訊科技，迎接人工智慧：無縫整合人類智慧與機器智慧，重新

   評估未來的知識和技能型別；

3. 制定道德規範：切實為人工智慧生態系統制定道德準則，並在智慧機器的開

   發過程中確定更加明晰的標準和最佳實踐；

4. 重視再分配效應：對人工智慧可能帶來的衝擊做好準備，制定戰略幫助面臨

   較高失業風險的人群；

5. 開發數字化+智慧化企業所需新能力：員工團隊需要積極掌握判斷、溝通及想象力和創造力等人類所特有的重要能力。對於中國企業來說，創造兼具包容性和多樣性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。”  《論語·子路》雲端計算、大資料、物聯網、區塊鏈和 人工智慧，像君子一般融合，一起體現科技就是生產力。

如果說上一次哥倫布地理大發現，擴充的是人類的物理空間。那麼這一次地理大發現，擴充的就是人們的數字空間。在數學空間，建立新的商業文明，從而發現新的創富模式，為人類社會帶來新的財富空間。雲端計算，大資料、物聯網和區塊鏈，是進入這個數字空間的船，而人工智慧就是那船上的帆，哥倫布之帆！

新一代技術+商業的人工智慧賽博物理作業系統AI-CPS OS作為新一輪產業變革的核心驅動力，將進一步釋放歷次科技革命和產業變革積蓄的巨大能量，並創造新的強大引擎。重構生產、分配、交換、消費等經濟活動各環節，形成從巨集觀到微觀各領域的智慧化新需求，催生新技術、新產品、新產業、新業態、新模式。引發經濟結構重大變革，深刻改變人類生產生活方式和思維模式，實現社會生產力的整體躍升。

產業智慧官  AI-CPS

用“人工智慧賽博物理作業系統”（新一代技術+商業作業系統“AI-CPS OS”：雲端計算+大資料+物聯網+區塊鏈+人工智慧），在場景中構建狀態感知-實時分析-自主決策-精準執行-學習提升的認知計算和機器智慧；實現產業轉型升級、DT驅動業務、價值創新創造的產業互聯生態鏈。

長按上方二維碼關注微信公眾號： AI-CPS，更多資訊回覆：

新技術：“雲端計算”、“大資料”、“物聯網”、“區塊鏈”、“人工智慧”；新產業：“智慧製造”、“智慧金融”、“智慧零售”、“智慧駕駛”、“智慧城市”；新模式：“財富空間”、“工業網際網路”、“資料科學家”、“賽博物理系統CPS”、“供應鏈金融”。

官方網站：AI-CPS.NET

本文系“產業智慧官”（公眾號ID：AI-CPS）收集整理，轉載請註明出處！

版權宣告：由產業智慧官（公眾號ID：AI-CPS）推薦的文章，除非確實無法確認，我們都會註明作者和來源。部分文章推送時未能與原作者取得聯絡。若涉及版權問題，煩請原作者聯絡我們，與您共同協商解決。聯絡、投稿郵箱：erp_vip@hotmail.com