将数据科学交到领域专家手中，以提供更有价值的见解

高级分析和人工智能 (AI) 等新兴技术正在改变制造业。工厂车间充斥着由物联网 (IoT) 传感器增长驱动的数据。但是，Rockwell Automation 的英国和爱尔兰首席技术官 Mike Loughran 说 ，数据本身并不是有用的商品。在对这些数据进行分析以提供有价值的业务洞察力和价值之前，需要对其应用上下文和领域专业知识。

分析和人工智能已经颠覆了许多行业，尤其​​是消费领域。今天，我们看到有针对性的广告和社交媒体电子商务平台可以预测我们想要购买的产品，基于位置的应用程序甚至可以根据您所在的位置进行推荐。这里的基本主题是分析允许通过在正确的时间呈现洞察力来做出数据驱动的决策。

明显的好处

自然而然的问题是，与消费领域截然不同的工业制造业如何利用这一机会。好处是显而易见的。平均而言，通过采用数字化转型和分析来实现运营转型的制造组织的目标是将收入提高 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，但当制造商尝试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。原因是分析在制造环境中的应用很复杂。分析通常被定位为一种交钥匙解决方案，您首先在其中集中收集所有数据，然后只需应用算法或模型即可实现目标。

嗯，事情没那么简单。由于高网络带宽成本和更长的延迟，大多数工业分析工作负载可能不应该在云中运行。将这些分析模型部署在靠近产生数据的边缘更有意义。为工业环境训练分析模型也需要大量工作。要了解我们需要更深入地了解工业数据世界。

管理大量数据

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。具有讽刺意味的是，根据用例，可能只有一小部分挖掘数据可能相关。然后，他们必须整合来自可能使用不同协议的不同来源的数据。

这些异构系​​统也可能具有不同的遗留技术，这可能会使连接和数据聚合变得困难。此外，他们可能没有在系统之间建立一个通用的数据模型，以建立关系或数据点之间的关系，相当不明确。

还必须将洞察传递给相关人员或系统，以在短时间内推动采取行动，使其具有相关性。最后，应用分析需要对底层工业流程有深入的了解。通常很难在同一个人身上找到数据科学和流程方面的专业知识。

要想取得成功，合作伙伴不仅要了解制造和分析，还可以根据您的用例定制解决方案，这一点至关重要。理想情况下，该合作伙伴必须拥有深厚的制造传统，并且熟悉流程硬件和操作技术，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求助于数据科学家的情况下执行分析的工具。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操作属性。然后他们可以继续建立逻辑数据结构。实现这一目标后，他们可以实施以高速捕获数据的实践。最后，需要在整个信息层重用模型以提高效率和速度。目的是通过为工程师配备数据科学工具来加速取得成果。

我们正在努力让自动化或控制工程师更轻松地开展其中的一些数据科学活动。我们可以在使用数据的 ThingWorxs Analytics 产品中执行此操作，并且它会执行数据科学家必须执行的一些步骤。它提供了创新的解决方案模板，将数据科学交到领域专家手中。

它可以查看标签以关联最佳预测所需的标签。在一百个，甚至一千个中，可能只有五个可以产生重大影响。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，甚至开始运行多个场景来选择哪个算法或算法集合提供最佳输出。

正是这种简化，复杂的过程，才能让领域专家真正提取锁定在收集的数据中的价值，并预示着公民数据科学家时代的到来。

作者是罗克韦尔自动化英国和爱尔兰的首席技术官 Mike Loughran .

关于作者

Mike Loughran 是罗克韦尔自动化（一家工业自动化和信息技术提供商）英国和爱尔兰的首席技术官。他已经在公司工作了 14 年多，从软件销售领域起步，然后晋升到他现在担任的 C 级职位。