資料對於製造業的國際化影響

編者注：本文是即將釋出的報告的節選——現在製造業的資料科學：全球趨勢：工業物聯網大資料分析，作者Li Ping Chu。敬請期待。

機器學習與製造業

人工智慧在全球已經有數十年的發展歷史，並且人們在深度學習領域也看到了巨大的進步（如IBM的Deep Blue和Google的Alpha Go）。但將人工智慧應用到企業生產中僅僅是近十年來才發生的變化。過去幾年中，整合了人工智慧的的Bi應用呈現爆發式增長。

在製造業領域，機器學習主要用於發現工業生產資料中的異常模式識別以及預知性維護。異常監測並不只針對工業生產，但是應用到特定的工業生產就不一樣了。

異常檢測

監測異常的過程中，第一步就是建立起正常的基準線。已經有歷史資料的機構在這個領域更勝一籌，因為這些資料可以直接灌進絕大部分的機器學習系統中，以建立起基準線。不幸的是，如果機構卻少這類的資料，系統就需要一段時間來觀察收集資料才能確定基準線。這個積累的時間可長可短，取決於組織本身的屬性以及資料是否會隨時間大幅度變化，如不同的季度之間。

工業生產者可以從異常檢測中獲益頗多。最典型的例子是，異常監測可以在生產線上更早的找到有缺陷的產品。早期的異常檢測可以幫助機械操作員更早預警到生產流程中可能存在的當機事件，從而使的事件可以被更快速的解決，甚至不需要關停流水線。

預知性維護

預知性維護是異常檢測一個子集，它專注在機械本身的狀態判斷上。例如，是否一個機器即將接近它的維修視窗，或者即將發生故障。通過將當前感測器資料與歷史資料做比對，系統可以使用預知性維護演算法來更早的發現潛在的事件，使的公司可以更早的進行維護從而將潛在的影響降低到最小。預知性維護也可以幫助公司減少昂貴的計劃外的維護，以及由於維護造成的利潤下降。

機器學習應用

GE的Predix和Siemens的Sinalytics都將機器學習應用到了他們的平臺中。Amazon的AWS機器學習平臺和Microsoft的Azure機器學習平臺也都在為那些已經有大資料實踐並且想應用機器學習的公司提供服務。還有很多同類的公司都在為工業界客戶提供機器學習的服務，如Anodot或Plat.one。

現在，機器學習的使用環境也比以前更有好的多。大多數的機器學習工具都是基於規則的，甚至可以通過視覺化介面幫助建模。這些模型，許多都是由Bi部門中知道如何編寫指令碼的普通員工或者資料科學家構建的，並且客戶線上部署而無需其它定製程式碼。

更高階的機器學習功能還包括資產模擬。資產模擬可以將工業機械建模為軟體，在不同的環境下模擬執行。這種模擬可以幫助企業找出優化資產的所有變數，最大化各種情況下的使用效率。GE的Predix中，這個功能叫做Digital Twin，雖然目前還沒有能夠模擬任何一種機械，但是GE聲稱它幾乎可以通過軟體模擬所有的裝置。

自然語言處理

目前，分析工業機械資料的最大挑戰在於瞭解資料中的含義（如錯誤程式碼和感測器資料）。資料格式（資訊與其含義的對應）經常深藏在操作手冊裡，這意味著在利用這些資料之前，需要手工對這些資料進行對映。GE的Knowlege Discovery實驗室的Lead，Steven Gustafson，解釋道：

“（在一個工廠中）我們有許多不同生產商生產的不同型別的機器，他們經常使用一種很初級的方式連線到中控系統中，只是用來做報警，關機或者一些安全相關的事情。現在，我們想以一種全域性性的方式來觀察整體的運轉情況，從而進行優化。在資料側，機器學習已經成為了一種主要的分析手段。

因此，這裡我們需要使用自然語言處理演算法來分析提取機械故障報告，從而將資料結構化。因為如果你有一個執行著幾十種機械的工廠，他們產生的報警資訊往往是不同的格式，描述著報警的內容。而令人驚訝的是，自然語言處理可以將這些報警資訊標準化，從而在資料迴流的時候，這些報警資訊將會是數字形式的——我更傾向於稱之為“相容格式”。這樣我們就可以基於它們做出自動化的響應。 ”

Li Ping Chu

Li Ping Chu是矽谷高科技熱潮中的老兵。15年的經驗跨越從5個人的創業公司到為主要金融公司做諮詢，比如Charles Schwab，以及像The Gap和Williams-Sonoma這樣的電子商務公司。他參與過各種種類各種規模的專案。目前在臺北主要幫助一家本地移動遊戲公司構建分析引擎。他喜歡狗和貓。