工業大數據概念、意義與落地實施

郭朝暉

(優也信息科技有限公司，上海 201209)

0 引言

隨著數字化技術的推進，我們逐步走入了工業大數據時代。對這個概念，人們往往既熟悉又陌生，既對未來滿懷期待，又對現實充滿困惑。

全文結構安排如下。第一部分討論工業大數據的背景與意義，必須跳出大數據技術本身，從智能化的視野看問題，才能看到完整的意義。第二部分闡述工業大數據的概念，不僅要看到工業大數據“新”在何處，更要與推進智能化的意義和工業的特點相結合。第三部分分析工業大數據的優勢，也就是通過工業大數據促進知識獲取、推動智能化。第四部分采用工業大數據推進業務創新時的定位與策略。第五部分闡述工業大數據的價值創造與企業管理之間的關系。

1 工業大數據的背景與意義

很多工業大數據的文章介紹的是數據分析。但是，如果只是從這個視角看問題，就會是管中窺豹，看不到它對人類未來的意義和價值。

摩爾定律延續了50年，成就了今天的大數據。但數據量本身并沒有多大的意義，它的作用在于推動人類走向智能社會，改變著人類認識世界、改造世界的方式[1-4]，甚至把人類帶入新的文明階段[5]。

從數據、信息、知識、智慧(data、information、knowledge、wisdom，DIKW)體系理論中，我們可以看到從數據到智能的邏輯關系。這個理論的基本思想是：數據之間的關聯形成信息，信息中的關聯蘊含知識，知識的綜合運用形成智慧。可以說，大數據是走向智能社會的基礎。

智能制造成為當今的熱點，體現了這個理論的預見性。目前階段，漢語中的智能制造一般對應英文中的Smart Manufacture。它強調的是通過信息感知、基于知識的決策和執行過程的統一，實現對系統內外部變化的快速響應。智能制造的主流流派，幾乎都體現這種思想[6-9]。在筆者看來，智能的本質就是感知、決策、執行的統一[10]。

人工智能(artificail intelligent,AI)是近期的科技熱點之一。大數據對推動人工智能起到了關鍵作用。但是，當前主流的智能制造一般不能理解為人工智能技術在工業界的應用(即intelligent manufacture)。智能制造目前的重點是感知和處理信息能力的提高，未必涉及到特殊的認知過程或復雜的邏輯推理，因此未必與AI技術相關。比如，有些所謂的“智能家電”，只不過是有了遠程遙控能力。從這個角度理解智能制造，能夠看到的機會要比AI的應用廣泛得多[6]、也更容易落地。

智能決策的邏輯可能很簡單，但卻能讓決策的精確性上升，實時性更強、成本也更低，讓智能化具有真正的價值。智能制造的時代機會首先應該歸結于信息獲取和傳播能力的增強，而不是某些學術理論的產生。其中，互聯網能夠成為工業智能化的重要推手，就是因為它能促進信息感知能力的提升。

理解智能制造的關鍵之一是理解人機關系。通用電氣的工業互聯網白皮書[8]，強調了重構人和機器的邊界——在數字化、網絡化的背景下，重新思考人和機器如何分工、促進業務活動的創新。從這個角度看，“智能化”的操作性很好，在信息獲取、知識獲取、決策、執行等環節都可以有新的人機界面和業務模式。比如，尋找信息或知識時，可以讓機器自動去找，也可以人機協同去找。利用知識或信息時，可以是機器自動地應用，也可以讓機器處理后推送給人類[11]。只要能夠充分發揮信息、通信和技術 (information communication technology，ICT)，ICT帶來的優勢就是值得鼓勵的。

在業務創新方面，需要有豐富的想象力。既不要將大數據工作局限于從數據中發現知識，也不要將智能化理解為機器代替人類工作或決策?？傊?，要避免因眼光的局限而漠視創新的機會。

用數據幫助人類決策的意義非常巨大：不僅可以提高決策質量，還能借助互聯網讓決策者遠離現場，讓決策的效率大大提升。這不僅能促進人類智力的共享，更能有效地提升企業的管理能力。而管理能力提升帶來的價值，是不可估量的。總之，工業的智能制造是ICT技術發展帶來的機遇。

智能決策可能不需要復雜的邏輯，但卻一定需要專業化的知識。大數據的本質優勢是其有利于知識和信息的獲取。從這個邏輯，我們可以看到工業大數據對于工業的價值。為此，應該從知識的角度，討論工業大數據的特點和要求。

事實上，大數據在獲取知識和信息獲取方面具有天然的優勢：人類的一切知識來源于歷史，大數據有條件更加完整全面地記錄歷史。我們需要從這個方面去分析大數據在知識產生和應用方面的特點[11]。

2 工業大數據的概念

在互聯網領域，“大數據”一般指PT級別以上的數據。這個定義的依據是：數據規模大到一定程度，針對存儲、檢索等過程的傳統處理方法就困難了。人們經常提到大數據具有價值(value)、大量(volume)、高速(velocity)、多樣(variety)“4V”特征，就是針對數據處理困難提出的。這些特征，讓大數據區別于以往。

在工業界，數據的結構和相互關系特別復雜。在數據規模遠遠不到PT級別時，很多數據處理方法就不合適了。針對這種情況，國外有學者提出，大數據的概念不必糾結于數據規模。凡是遇到傳統數據分析方法無效的數據集合，都可稱為“大數據”。根據這種思想，文獻[12]將工業大數據定義為“工業數據的總和”。

然而，對應用大數據的企業來講，人們關心的是大數據能為企業帶來什么價值，而不是數據處理時遇到什么困難。所以，我們需要換個角度理解大數據。有人指出：在大數據時代，研究的是相關關系而非因果關系，簡單算法勝過復雜算法[2-4]。從這個角度我們可以看到：大數據時代更容易獲得知識或者模型。這個角度對企業是有吸引力的。

然而，對于這種說法，工業界卻傳出了不同的聲音。工業界對分析結果的可靠性要求往往很高。大數據必須能夠幫助人們獲得可靠的信息或者知識。僅憑相關性是不夠的，而是必須有因果性的支撐。

事實上，工業對象或過程往往可以看成復雜的系統。要素眾多、控制回路眾多、相互關系復雜。這時，相關性與因果性往往并不等價、甚至趨勢相反。

為此，在分析工業數據時，膚淺和片面的分析往往是有害的。為避免這種現象，數據本身必須準確記錄系統中諸要素的關聯關系，完整地記錄系統的狀態和運行軌跡。例如，進行產品質量分析時，需要把各個生產工序中的人員、物料、工藝、設備、質量等信息與對應的產品關聯起來，并記錄準確的時間參數，以便追溯事件之間的因果關系。要做到這一點，自然會對數據的采集和存儲能力產生較高的要求。

過去，由于數據存儲成本高，企業往往只能挑重要的記錄、不得不丟失一些數據。由于網絡的應用不普及，數據的記錄往往是碎片化的。由于這方面的原因，數據的完整性往往不夠，導致數據的分析價值不大。在大數據時代，數據采集和記錄的完整性、實時性顯著加強；在推進智能制造的過程中，信息集成的能力大大加強，也為數據質量和數量的提升創造了很好的條件。這應該是工業進入大數據時代區別于以往的一個重要特征。

3 工業大數據的優勢

DIKW體系啟發我們：大數據的劃時代意義在于促進知識的獲取。本文在參照有關觀點的基礎上[3-4]，將工業大數據的相關優勢歸結為以下三個方面。

第一個優勢是“不糾結于因果”。本文的這種提法區別于互聯網領域的“是相關，不是因果”，以及工業工程師強調的“必須是因果”。其具體含義是：從大數據中提煉的工業知識，要以因果關系存在為基礎；但應用知識時，不必按照科學機理的邏輯去計算。這個邏輯并不奇怪：工業界常用的試驗結果符合因果關系，但試驗的具體數值卻不是按照因果邏輯計算得到的。同樣，通過規范數據分析邏輯，可以讓工業大數據像“試驗數據”一樣有用。“不糾結于因果”讓知識獲取變得簡單，也能讓知識獲取的范疇拓展到“感性知識”和“經驗知識”。

第二個優勢是“樣本=全體”。具有這個優勢時，當前發生的問題，可以從歷史中找到答案，只要找到并模仿過去成功的做法就可以了，而不必建立復雜的模型。故而，大數據背景下，簡單的算法可以解決復雜的問題。筆者認為，從應用的角度看，大數據的優勢不在“大”，而在“全”。“大”會增加計算機處理的復雜性，而“全”則保證了知識的存在性。

第三個優勢是“混雜性”。如前所述，可靠性是工業界追求的一個重要目標。具體到建模過程中，就是對“泛化性”的要求高。數據的“混雜性”強時，可以找到多個角度的印證邏輯，提高分析結果的可靠性，也為“不糾結于因果”提供了條件。當前，做到這一點的前提，是前面提到的數據完整性。

由此可見，以上三個優勢都體現在知識獲取。而這個優勢的價值，又進一步體現在對智能化的推動。然而，大數據的這些優勢并不是天生存在，而是要人去創造。

“世界上沒有兩片完全一樣的葉子”。世界上每個具體問題都是獨特的。談到“樣本=全體”時，必然涉及到個性與共性的關系。所以，要借鑒過往的經驗，前提是要進行抽象、歸納、總結。但這往往是人類才能做的事情，至少需要人類告訴計算機怎么做。從這個角度講，大數據的應用也需要人機界面的創新。

大數據記錄的數據畢竟屬于過去，未來可能是不同的。具體應用時，不能過度依賴于“樣本=全體”的假設。在可靠度要求較高的場景，業務系統有后備的辦法來應對新問題。總之，要發揮大數據的優勢，又要避免可能帶來的風險。

再如“不糾結于因果”的前提是能夠保證因果。但是，單憑數據的分析結果是無法保證因果的。因果關系一般只能是具有專業知識的人用自己的領域知識去保證。

另外，大量工業數據常常來自個別的“工作點”附近。數據量雖然很大，但相似度大、信息含量低而噪聲干擾相對大。要解決這個問題，不僅要綜合分析各個工作點的特點，而且還要把生產數據和試驗數據結合起來，而不局限于生產數據本身。

4 工業大數據的應用模式

從企業的角度看，大數據重要的用途是促進企業的業務創新[13]。為此，需要思考大數據技術與業務對接的問題和方法。

建立大數據系統時，其功能定位往往與傳統的信息或控制系統有所不同。在過去的系統中，數據是用來支撐基本的業務活動的。業務活動結束后，數據也就基本沒用了。而大數據往往是在產生數據的相關業務場景結束之后才被使用的。故而有人稱之為“二次應用”。

二次應用當然也要服務于現實的業務。但是，二次應用一般不是業務運行所必須的，而是為了讓業務做得更好——可以發現過去業務中的問題和缺陷，也可以從過去的業務中找到好的標桿，還可以從過去的業務中發現規律、進行進一步的優化。所以，大數據與“優化”工作有著不解之緣，能讓優化成為一種常態。

很多文章只強調從大數據中發現信息或知識。事實上，大數據還可以用來直接承載知識本身。換句話說：有些知識的承載也需要大數據才能做到。

復雜產品的設計數據、指導工作的操作動畫、設備的標準狀態等都可能需要很大的數據量來存儲和處理，都需要大數據技術。例如，有家廣告設計企業，為了處理產品的設計數據，每天用電量就高達10萬元。用大數據承載這樣的知識，便于知識的重復使用，進而促進業務活動的創新和再造。

大數據技術常被用來進行業務的創新。這時會遇到一個矛盾：業務創新的邏輯是“先做成、后做好”，然而，前面強調二次應用，指的是大數據主要用于“做好”的優化階段。為了解決這個矛盾，新的業務邏輯必須提前考慮清楚，必須考慮大數據條件不成熟時的托底辦法，逐步過度到“做好”的階段。當然，理想的情況是：原有業務的需求升級，自然地將數據處理技術推進到大數據階段。石家莊的天遠公司就是這樣。

另外，所謂的“做好”包括多個方面：質量更好、速度更快、成本更優，而不僅僅是決策質量更好。比如，知識和信息的重用，就可幫助人們做得更快、成本更低。不要一味地強調“決策質量更優”。如果僅僅局限于優化決策質量，就可能會失去很多創新機會。

5 工業大數據與企業轉型

理解了智能制造和大數據的原理和意義，具體應用中也會遭遇各種困惑。典型的困惑往往是如何為企業創造價值。任何技術都是需要成本的，很多技術帶來的價值不足以抵消成本的付出。只有將技術應用在合適的場景、解決合適的問題，經濟性才會好。所以，人們在技術經濟性的困惑，本質上就是找不到合適的場景。

經過筆者的調查，通過智能化、大數據的手段提升企業的管理水平，價值潛力是非常巨大的。管理不當造成的損失，一般占到企業成本的10%～20%。這些就是管理水平提升的潛力所在。在我國，管理水平低常常是制約企業產品質量提升和技術發展的瓶頸。

恩格斯說：“何一門科學的真正完善，在于數學工具的廣泛應用?！睋Q個角度看：如果企業的管理不能完善到一定的程度，數學的用處就不會太大。所以，并非所有的企業和部門都適合推進大數據，選擇用戶和場景是非常重要的。

要對管理進行“優化”，就要找到管理中的漏洞和不足。但是，管理漏洞往往是“隱藏的”。所以，我們需要進一步能分析：什么原因導致這些問題被隱藏起來。在筆者看來，問題隱藏的原因大體上可以分成以下三類。

①沒有量化的數據、更不能實時地得到數據。

②問題涉及到多個部門，信息沒有集成起來。

③涉及到局部利益或責任，有意無意地掩蓋問題。

ICT的機遇在于解決這些問題、實現透明化，以提高管理水平。具體地說，廣泛地推動數字化，可以幫助人們解決第一類問題；推進互聯網的應用，可以解決第二類問題；用數字化實現業務過程和價值損失的透明化，可以用來解決第三類問題。

解決這些問題時可能涉及復雜的邏輯。但是，只要人類能把問題和邏輯說清楚，機器就不嫌麻煩。這其實就是智能化的優勢。而用數據幫助人類實現知識的數字化，又讓我們看到了人機界面的創新和大數據的優勢。

6 工業大數據應用的工程方法

大數據應用的效果關鍵在經濟性。而經濟性的關鍵，首先在于業務問題本身的價值，其次是技術線路是否可行。為此，推進大數據應用的時候，建議用“以終為始”的工程方法。

所謂“以終為始”就是在項目開始時，先找出有價值的問題、確定解決問題的基本思路。也就是先明確業務目標和技術線路、確定技術和經濟的可行性，并在此基礎上探索數據處理的方法。這時，探索數據處理方法的目的，是為了得到更好的效果，而不是去驗證技術線路是否可行。這樣做可以把最大的風險放在前面進行研究，避免項目做完后的功虧一簣。

要做到這一點，首先要充分理解業務需求，其次要研究專業技術人員分析問題、解決問題的邏輯。這個邏輯通順之后，再把它轉化成數據處理問題。經驗表明：絕大多數的管理問題，人類是能夠找到可行的思路的；同時，如果把這些思路轉化成計算機處理的問題時，效果往往會更好。

最后需要指出的是：采用計算機處理數據的目的之一，是降低人類處理信息的復雜程度、提高勞動效率和質量。所以，人類關心的不是原始數據，而是重點的業務信息。比如，不是看壓力、溫度、流量，而是設備是否正常、操作是否規范。只有提高了管理者的勞動效率，才能有效地提高管理水平。

7 結束語

概念的提出不是為了標新立異或者追趕潮流，而是為了幫助我們發現新機會、解決新問題、創造新價值。為此，我們不僅要看到大數據時代的麻煩和挑戰，更要看到大數據帶來的機會。要善于發現機會，還要善于抓住機會、創造機會。

從未來看現在，大數據的機會來自于智能化的推進。大數據的概念和優勢也要圍繞著這個要點來考慮。

具體應用時必須明白：技術的應用效果不是技術本身所決定的，而是要結合實際的應用場景。抓住機會的前提是理解企業的文化、管理現狀和業務痛點，不要單純從技術層面看問題。