将数据科学交给领域专家以提供更有价值的见解

love1

先进分析和人工智能（AI）等新兴技术正在改变制造业。由于物联网（IoT）传感器的增长，工厂车间充斥着大量数据。但是，罗克韦尔自动化公司英国和爱尔兰的首席技术官迈克•洛格兰表示，数据本身并不是一种有用的商品。在分析这些数据以提供有价值的业务见解和价值之前，这些数据需要应用于它的上下文和领域专业知识。
　　
　　分析和人工智能已经扰乱了许多行业，尤其是消费领域。如今，我们看到了有针对性的广告和社交媒体电子商务平台，它们可以预测我们想要购买的产品，而基于位置的应用甚至可以根据你的位置提出建议。这里的基本主题是，分析允许数据驱动的决策，在适当的时间提出见解。
　　
　　明显的好处
　　
　　很自然的问题是，工业制造业如何利用这一机会，这与消费领域有很大不同。好处显而易见。平均而言，通过采用数字化转型和分析来转型运营的制造企业，其目标是将收入提高10%，将运营成本降低12%，并将资产效率提高30%。
　　
　　其他数字技术正在推动这种两位数的增长，但当制造商试图将这些技术应用于分析时，他们确实遇到了一些独特的挑战。原因是分析在制造业中的应用是复杂的。通常情况下，分析被定位为一个交钥匙解决方案，首先集中收集所有数据，然后应用一个算法或模型来实现预期目标。
　　
　　好吧，没那么简单。由于高网络带宽成本和较长的延迟，大多数工业分析工作负载可能不应在云中运行。将这些分析模型部署到更靠近数据产生的边缘的位置更有意义。为工业环境训练一个分析模型也需要大量的工作。为了理解这一点，我们需要深入研究工业数据的世界。
　　
　　管理高数据量
　　
　　首先，制造商必须管理由工厂系统实时生成的大量数据以及历史数据。讽刺的是，根据用例的不同，挖掘的数据中只有一小部分可能是相关的。然后他们必须集成来自可能使用不同协议的不同来源的数据。
　　
　　这些异构系统可能还有不同的遗留技术，这可能会使连接和数据聚合变得困难。而且，它们可能没有一个通用的数据模型在系统之间，使得关系或者数据点之间的关系变得相当不清楚。
　　
　　这些见解还必须传达给相关人员或系统，以便在短时间内推动行动，使其具有相关性。最后，应用分析需要深入了解基础工业过程。通常很难在同一个人身上找到数据科学和过程专业知识。
　　
　　要想成功，关键是要有一个合作伙伴，他不仅能理解制造和分析，还可以根据您的用例定制解决方案。理想情况下，该合作伙伴必须在制造业拥有深厚的传统，熟悉工艺硬件和操作技术，当然还有您的业务目标。
　　
　　在实践中简化数据科学
　　
　　所需要的是使控制和过程工程师能够在不依赖数据科学家的情况下进行分析的工具。我们需要简化数据科学的实践。当我们与正在进行数字化转型的客户交谈时，有两个共同的要求。第一个是数字工作者，第二个是机器学习。
　　
　　公司需要采取四个步骤进行数据分析。首先，他们必须确定重要的作战属性。然后他们可以继续建立逻辑数据结构。有了这一点，他们就可以实施高速捕获数据的实践。最后，需要跨信息层重用模型以提高效率和速度。其目的是通过给工程师配备数据科学工具来加速结果。
　　
　　我们正在努力使自动化或控制工程师更容易地从事这些数据科学活动。我们可以在ThingWorxs分析产品中做到这一点，它会消耗数据，并通过数据科学家必须经历的一些步骤。它提供了创新的解决方案模板，将数据科学交给了领域专家。
　　
　　它可以通过标签进行关联，以实现最佳预测。一百个，甚至一千个中可能只有五个会产生重大影响。然后它会自动进行所谓的自动机器学习，这有助于选择要运行的算法，甚至开始运行许多场景，以选择哪种算法或算法集合可以提供最佳输出。
　　
　　正是这种对复杂过程的简化，将使领域专家真正提取出在公民数据科学家时代被锁定在收集的数据中的价值。

rural

其他数字技术正在推动这种两位数的增长，但当制造商试图将这些技术应用于分析时，他们确实遇到了一些独特的挑战。原因是分析在制造业中的应用是复杂的。通常情况下，分析被定位为一个交钥匙解决方案，首先集中收集所有数据，然后应用一个算法或模型来实现预期目标。