直击BDIC∣明略数据江金陵：AI助力工业企业实现数字化转型

谈及AI，目前最为火热的无疑是各种消费类的AI音箱、机器人等，不仅能够让人们生活更加方便，而且还给人们带来欢乐。在明略数据技术合伙人、数据挖掘总监江金陵看来，将AI应用在工业上也将发挥极大的作用，例如通过AI改进生产流程、提高设备健康度与大规模生产良品率等。

不过，江金陵在2018大数据产业峰会上表示，把AI应用在工业上并不是马上能够做到的，其需要经历三个步骤，第一步是数据在线，第二步是数据分析挖掘，第三步是实现人工智能和业务智能。只有实现面向企业业务价值的战略化数据收集并集中管理，并经过专业的数据分析与挖掘，才能真正将AI赋能于传统工业企业。而明略数据解决的是从数据在线到实现人工智能的问题。

AI助力工业企业实现数字化转型

事实上，AI相关的技术如机器学习最早出现在互联网行业，而从互联网领域将AI技术移植到工业领域不仅需要企业做好数据采集等的准备，更需要有专业的人才能够很好地将技术合理地应用在工业领域的各种需求上去解决实际问题。

作为数据挖掘和机器学习工作者，在进入一个行业处理新问题的时候，其实往往是缺乏一些领域知识的，但是通过明略的数据分析引擎对历史样本数据进行处理，可以很“暴力”地组合各个相关维度的特征，并在各个特征上叠加很多不同的转化函数，最后再去计算和目标变量之间的相关性。这与传统的根据经验或者是常理所总结出来的关系有时并不相同，因为这个世界各因素非线性关联的复杂度太高了，先验知识很可能并不准确，而基于数据驱动的数据分析与挖掘方法能够使我们在工业领域贡献自己的洞察。

此外，光借助企业内部数据进行分析有时候会比较局限，企业往往需要引入外部数据来补充信息。 比如要通过对温度特征的分析来得出设备损坏的概率和趋势，单独看温度可能信息量是有限的，因为这并不能得出温度变化是设备损坏的根本因素。但通过引入一些外部公开数据如天气、时间、地理位置信息等，再让机器学习算法去分析，则会产生出更多的洞察，让我们更接近事实。

总体来说，将机器学习中的监督学习引入到工业领域各类降本增效节能的场景当中，是能够创造很大价值的。如机器视觉检测、故障诊断、涡轮发动机寿命管理、贸易金融、大规模生产这五个是很典型的工业行业里的监督学习问题。江金陵举例称，比如寻找零部件图像看是不是有瑕疵，如果有很多的历史数据，并进行了标注，即使瑕疵种类与形式各异，甚至成像环境都不一定稳定，依然可以让深度学习算法学习各类变体中最本质的特征，从而智能判断瑕疵类型，提升生产检测效率。

构建工业知识图谱

明略不仅能够提供多源异构的数据处理与融合能力，更是一家以知识图谱和知识工程为核心去服务客户的公司，所以明略不仅能提供底层的数据治理、机器视觉、自然语言处理技术的服务，更会将各个系统产生出来的模型结果或规则性知识集成到知识图谱上，也就是说，明略把所有数据处理能力挖掘出的各类洞察全部归结到知识图谱上，江金陵表示。

江金陵以故障检测知识图谱为例介绍，一个故障检测跟外部的温度与环境条件、所在的系统及关联的系统都相关，明略会根据这些因素建立出一个知识图谱的实例。江金陵也希望通过知识图谱，能够产生出关于每个行业的洞察，这样能够快速提高数据分析挖掘的吞吐量，服务更多的客户。需要特别指出的是，在知识图谱建设过程中，自然语言处理能力是很重要的一个环节，因为我们经常需要从文本中提取出不同实体之间的关系，并对实体描述进行消歧或者标准化。

在轨交行业明略数据已经在尝试帮助用户构建跨专业互联的知识图谱，在某城市轨道交通地铁公司客户案例中，当发生故障之后，明略可以通过设备和设备之间的固定关系和实时动态关系，来分析单个故障发生时都有哪些子系统会受到影响。