工业数据体量庞大，并且很难汇总分析。如果数据来源不同且种类多，人工智能很难发挥作用。由于人工智能需要一目了然的数据，并确保所有数据指标易于被访问、标准化、可识别，导致人工智能与工业环境无缘。例如，您是否能明确指出这个数据来自于哪台设备、汽车或机器？以及该数据在特定时刻位于何处？如果不能，其数据状态相关的所有其它信息就更困难了（例如天气、温度和维修历史等）。汇总分析所有这些数据的结果，以及帮助理解数据的本体论（ontology），这就是我们所谓的数字主线。它是奠定坚实数据基础的关键。

 

第一、二和三次工业革命之后的若干年，数据使用方法、协议、格式和存储机制发生了重大变化。系统和设备可能位于防火墙后，安装在隔离的大楼中，孤立地分布在不同作战区或遗留在被人遗忘的区域。如果物理访问不是问题，那么获取数据的安全性和访问权限通常可能受阻。

如果预测失误，可能带来致命后果。人工智能经常出错（例如，YouTube的事实检查功能错误地将巴黎圣母院大火归为疑似恐怖袭击）。这种情况出现在YouTube中，结果可能具有一定煽动性，会造成暴乱的潜在危险。但如果工业环境中的人工智能辅助自动化出错，结果就会非常敏感、危险甚至致命。灾难性波音Air-Max事件就是例证。完成自动化解决方案开发后，需要长时间的管理和认证。因此，我们尝试将人工智能用于工业环境时必须慎重。

 

显而易见，来自工业的企业希望通过人工智能帮助实现“无处不在数据智能”来创造价值。下面列出了几个步骤和指导原则：不要跳过奠定数据基础这一关键步骤。如果没有可靠的数据基础，人工智能将是一纸空谈。应投资数字主线，密切关注可从其它行业借鉴的人工智能应用。

了解哪些应用场景真正切实可行。人工智能/深度学习的成功应用场景是取代简单、不需要得出敏感或危险结论的重复性感知任务。工业环境中的生产应用场景，例如：

测试自动化/测试机器人 人工智能开始使用后加快了消费电子产品组装车间的最终测试工作。深度学习能识别可能重复或不必要的测试，进而找到最理想的方法指导完成系列产品的测试。

光学质量检查/分类 这是一种图像识别应用，成功用于检测和检定产品表面的划痕、污点和凹痕，进而决定某产品批次为低、中还是高质量，更快速、可靠地完成工作。

安全检查 这是另一种光学检查应用。铁路公司利用大量图形识别和分类流程，加快对大量轨道车部件的定期检查。

利用可协同运行来解决问题的一组或一套模型及各种方法，包括人工智能：

·自动完成简单的数据管理任务，如源目标概率映射；

·进行模式识别，开发可帮助自动完成观测或改进肉眼观察（如视觉、听觉和文本）工作的特性；

·通过人工智能开发的特性添加到更多传统统计/机器学习模型中；

·利用“人机回圈”自动化来帮助创建带标签数据集。

 

毫无疑问，要在工业环境中成功进行数据分析，必须确保完成所有这些关键步骤。但在这一过程中，可能会发现利用现有人工智能工具的机会，实现自动运行工业操作流程的某一部分，帮助学习并不断进步，而不置生命于危险之中或影响到正常运行。

（撰稿人：Teradata行业咨询专家）