上海洪朴信息科技有限公司总经理  许剑锋

 

　　今天跟大家分享的是数据分析驱动智能制造，刚才汪院长，讲了不同的专业在理解在智能制造老师有不同的倾向和方式，可以分为三个模块，有一个是数据分析的模块，我更多的是从数据分析的角度怎么来理解智能制造，因为智能制造是个热门话题，智能制造到底怎么做，怎么个方向，怎么实现，怎么实现大家都在摸索，今天主要从数据分析的角度进行切入跟大家进行探讨。

 

　　什么是数据分析？英文有两个单词，一个叫Analysis，一个叫Analytics，Analysis更多的是简单的数据分析，包括报表的分析。Analytics说的是什么呢？包括机器学习、深度学习、回归算法，特征提取，这个就是我说的数据分析。

 

　　前几天我跟资本圈的人交流，他们说前两年是大数据的年代，今年开始变成了AI的年代，其实我听到这个话题有些惊讶，因为这个说法有点外行。大数据和人工智能，从某种角度来说是高度交叉的概念，但是角度不一样。大数据更多是数据的角度理解这个问题，人工智能是从效果的角度理解这个问题，这两者高度交叉，两者交叉的中间的点就是数据分析，无论是大数据还是人工智能，最核心的还是数据分析。有人说数据分析很简单，无非就是通用的算法，机器学习、深度学习，像这两年比较火的人脸识别，是因为深度学习技术的改进。现在我们讨论数据分析驱动智能制造，这个数据分析不是现在两三年才出现了，而是因为硬件技术和数据分析技术的发展让很多问题变成了现实。

 

　　数据分析是不是就是通用型的算法呢？比如说一些机器学习的算法确实是很通用，在金融行业，想进行风险控制，识别这个账户有没有风险，这是一个典型的0和1的问题。机器学习里面是分类问题，只要用支持向量机、逻辑回归就可以完成了。我们换一个场景，在医疗行业，现在要识别某个疾病，要识别某个片子有没有疾病，也是0和1的问题。

 

　　但在实际应用中，尤其是智能制造中，有时候通用算法有时候效果不是特别好。有一个非常经典的例子，就是跟电力相关的行业中，大家要预测，这个客户未来一段时间会不会欠费，大家一听又是支持向量机的问题，他们找很多人在做，出来的精度只有86%。我想说什么呢？数据分析通用的方法虽然可以用，如果想要做好，是要有一定的定制化程度。在数据收集过程当中，你把数据量大大的缩小了，丢失了很多数据，真实的数据中，这个客户有什么不收费的，被你强行的看成0和1，换一个思路是不是更好呢？survive model我们试了一下，效果会很好。我们给另外一个工厂来做了一个测试，每年的电话量是几百万之巨，美国人雇人是按小时来付的，人员波动量非常之大，这个时候，如果你精准的预测出有多少人打电话可以很好的降低费用，常规的算法就是时间序列的问题，最后误差是17%。可是我们用数据分析进行仔细的分析过之后，发现这里面呈现是非常好的pattern，比如说这一周周一是21号，你往前找前面那个周也是21号，你会发现数字是完全一样的，这个是统计吗？不是统计，是计算机里的Analysis加上统计的模型加上来的，误差从17%降到了5.02%，好的数据分析并不是通用的数据分析方法，就可以出现好结果的，要理解问题本身，理解数据，更重要的是理解行业。通过数据分析驱动智能制造，就是对行业进行更加深入的理解。

 

　　制造行业的痛点：生产成本高、生产效率低、质量控制难，针对这些痛点，我们能通过数据分析提供什么方案，能帮助制造企业做什么呢？智能制造这个是国家政策，是一个风口。我们定义为数据驱动智能制造。

 

 

　　这个是Intel的场景，关于Intel场景，数据分析不仅仅是文本数据，不仅仅是ERP里面的数据，可能涉及到图像数据、声音也是数据。大数据年代也好，人工智能也好，数据分析是融合的数据分析。比如说人脸识别，很多公司的算法更多的是基于图像的算法在做，但是其实在生产过程当中，数据绝对不是单元的，往往是多元的，所以就给数据分析带来了挑战。这是Intel的图像问题，也比较通用，芯片里面有各种各样的缺陷，不光是芯片，生产过程当中，原料、生产、检测、仓储，检测变成非常重要的环节，通过机器的算法，这个算法并不是那么复杂，最后的效果是什么？精确度提高到1.5%，生产效率提升6.7%。

 

　　以数据分析作为切入点，你是做算法还是做软件，还是做什么呢？我们是做整体的解决方案。Intel是有自己的光学设备、光学采集，X光采集，有些工厂可能是手机的Display，这个时候，我们提供就开始延伸一整套的解决方案，但核心还是数据分析，现在市面上很多创业公司都在做检测这一块。很多公司还是偏硬件这一端，我们的切入点有点差异，为什么从这个点切入？大家发现机器检测中，有一些亮点，通过图像的方法解决，可以通过直径如果超过某个阈值，我认为就是一个缺陷，但是有一些缺陷你很难量化、刻画它，我们称之为Notwelldefined，但是现在机器学习出来，现在这些问题都是要迎刃而解的，这是一个比较常用的场景。

 

 

　　生产区往仓储区发送订单，每个订单包括一系列的零件、配件，那个仓储都非常大，一个订单有时候走几公里的距离，半年下来，行动距离就是1890万米，现在他们实际情况是什么，把产品变成快区和慢区，这个产品经常用就快区，少用的就在慢区。可是问题来了，虽然放在快区，一波产品不只是一个，可能要跑到慢区兜一圈，那能不能经过一些相关性的分析达到这种效果呢？后来通过分析，给整个物流距离降低30%。其实现在大家都有仓储管理系统，但是都没有充分利用好现在最新的科学技术和算法。

 

 

　　最后一个是良品率，现在我们通过ERP、MES，还有各种传感器采集的数据等，通过大量的数据，这些参数有的是可调的，有的是不可调的，有的是每一秒采集一次，有的是每一天采集一次，能不能把这些数据融合在一块，通过特征提取的方式，把良品率相关的提出来呢，作为参数推荐？比如说有一些铸件公司，他们涉及到金属微量的参数，他们规格中会有各种范围，根据具体的来料怎样调参数，从而达到良品率最高。

 

　　这是涉及到数据分析的三个典型场景，当然我们也有其他的场景，比如排产、订单预测之类的。

 

　　数据分析的作用越来越大，越来越关键。现在有个问题很难解决，我们80年代出生的人，在2000年，国家做过一个事情，开办了一百所软件学院，通过这种方式实现了软件人才的积累。可是现在发现虽然很多人都做大数据学院，数据分析的人才极其缺乏，这就是很大的问题，想做数据分析又有几个问题，一个是要懂计算机，懂统计，更重要是要懂行业。所以说，数据分析的人才会比软件的人才积累更慢，这就是将来某种程度上，会制造会产生重要的因素，不一定所有人都能意识到这个重要性，包括我们自己招人过程当中都意识到这块人才非常缺乏。

 

　　谢谢大家！