人工智能已為數據分析做好準備

薩納斯 時間:2019-10-24 13:13:15 瀏覽:76

通過評估現有操作、網絡架構、所需數據以及如何收集數據和可能識別的其他要求,有助于進一步完善和優化實施效果。重要的是,要與人們討論他們想要的數據分析,需要什么樣的報告,希望實現什么樣的效果。


與數據分析相關的兩種最為常見的技術是人工智能與機器學習。然而,盡管兩者都有助于過程應用中的數據分析,但到目前為止,依然不確定人工智能與機器學習實際上可以發揮多大的作用。

 


我們聽到了很多關于人工智能與機器學習的最新應用,以至于只要涉及到部署數據分析的情形,很多廠商都稱他們的產品擁有“機器學習”,因為看上去所有人似乎都對此類應用感興趣。然而,實際上這些所謂“創新”的應用可能都是一些大同小異的事情。其原因在于,他們只不過是將先進的算法應用于數據集,而且很多人單純地創建顯示數據儀表板的代碼,并將其稱為人工智能或機器視覺。

目前的問題在于,雖然很多用戶購買了機器學習解決方案,但他們并不能很容易地找出實際需要的東西,因為需要進一步讓數據更加清潔,并且更好地匯總。

為了避免形式主義,并實現實用的解決方案,良好的數據分析策略需要建立在更充分的準備基礎上。例如,假設您的工廠有1000臺可以提供數據的設備,那么您需要從一個良好的模型和一個中央數據存儲區入手。但是僅將數據分析系統放在首位是不夠的。如果您希望從兩個混合罐進行溫度測量,但它們采用不同的報告方式,那么您就需要一種統一的方式采集數據,從其歷史記錄中獲取數據進行分析,整合外部數據源,并制定出需要更少人為干預和更高效率的決策。

為了獲得更有效的數據采集和分析,用戶不僅需要決定收集哪些數據,而且還需要確定數據的表現形式,所使用的標記結構和流程,目標使用者以及需生成哪些報告。如果不進行計劃就開始收集所有的數據,那么數據最終可能會成為“噪音”。

例如,每秒鐘收集沒有變化的溫度數據,但不給出為什么或如何使用這些數據的理論依據,可能會帶來大量的干擾信息。如果用戶有現成的應用基礎架構,那么啟動數據分析計劃為時不晚。然而,由于全廠或全局的分析計劃有時是相當困難的,可以通過可行性研究來確定已有的數據,和需要的其他數據,以及如何調整基礎設施以獲得其最終想要呈現的數據。


一些專家建議可以在企業的小型運營區域執行試點分析計劃,并對應用程序進行為期4到6周的調研。通過評估現有操作、網絡架構、所需數據以及如何收集數據和可能識別的其他要求,有助于進一步完善和優化實施效果。重要的是,要與人們討論他們想要的數據分析,需要什么樣的報告,希望實現什么樣的效果。

如果他們的工廠是新建的,那么他們會有什么可用的資源。如果他們能夠確定當前和期望的狀態,以及如何實現這一目標,這將有助于確定試點研究應該包括哪些內容。此外,一些基于云的服務更容易構建和維護,因此可以更輕松地獲得數據分析和優化項目所需的處理能力。未來,如果數據分析可以完全循環,用戶便可以從情境化的信息中受益,并且當其系統可以開始自行更改時,就會產生巨大的關聯和收益。

在制造業中,許多數據分析方法和工具都是為了解決各種問題而開發的。由于機器學習和人工智能技術是在IT行業中先開發的,因此并不能簡單地將其應用于工業和過程應用程序。不過,人工智能技術與工業應用領域的融合正在不斷加速,尤其是在資產系統中的異常檢測、工廠流程優化和過往故障根源分析等方面,都帶來了很多具有可操作性的解決方案。


商務合作
商務合作
内蒙古28元套餐介绍