当前位置:大数据业界动态 → 正文

Cloud2.0:云+AI融合的智慧企业平台 —— 大数据与人工智能和云计算将高度融合为一体化的系统

责任编辑:zhaoxiaoqin |来源:企业网D1Net  2020-09-09 15:39:22 原创文章 企业网D1Net

摘自雷博士《云+AI+5G驱动的数字化转型实践之道》

大数据,或称之为巨量数据、海量数据。大数据,是指那些在进行分析、运算上所涉及的数据量规模巨大到无法通过人工在合理时间截取、管理、处理、并整理成为人类所能解读的信息的数据。

 


 

现代社会是一个高度信息化、数字化的社会。随着互联网、物联网和云计算等技术的飞速发展,使得数据分布在各个行业并且贯穿业务始终,数据不再从单一来源产生,数据形式越发多样,这些改变使得数据成为一种新的资源,需要人们对其加以合理、高效、充分的利用。

1.企业大数据的主要来源

企业大数据来源于产品生命周期的各个环节,包括市场、设计、制造、服务、使用各个环节,每个环节都会有大数据。“全”生命周期汇合起来的数据更大。当然,企业外、产业链外的“跨界”数据也是企业大数据“不可忽视”的重要来源。

企业大数据的主要来源有三类:

第一类是生产经营相关业务数据。主要来自传统企业信息化范围,被收集存储在企业信息系统内部,包括传统工业设计和制造类软件、企业资源计划(ERP)、产品生命周期管理(PLM)、供应链管理(SCM)、客户关系管理(CRM)和环境管理系统(EMS)等。通过这些企业信息系统已累计大量的产品研发数据、生产性数据、经营性数据、客户信息数据、物流供应数据及环境数据。

第二类是设备物联数据。主要指工业生产设备和目标产品在物联网运行模式下,实时产生收集的涵盖操作和运行情况、工况状态、环境参数等体现设备和产品运行状态的数据。此类数据是工业大数据新的、增长最快的来源。狭义的工业大数据即指该类数据,即工业设备和产品快速产生的并且存在时间序列差异的大量数据。

第三类是外部数据。指与企业生产活动和产品相关的企业外部互联网来源数据,例如,评价企业环境绩效的环境法规、预测产品市场的宏观社会经济数据等。

工业大数据具有一般大数据的特征(海量性、多样性等),此基础上具有价值性、实时性、准确性、闭环性四个典型的特征。工业大数据与互联网大数据最大的区别在于工业大数据有非常强的目的性,而互联网大数据更多的是一种关联的挖掘,是更加发散的一种分析。

2.企业大数据的运作过程

第一是数据搜集,要对来自网络包括物联网和机构信息系统的数据附上时空标签,去伪存真,尽可能收集异源甚至是异构的数据,还可与历史数据对照,多角度检验数据的全面性和可信性。

第二是数据存储,要达到低成本、低能耗、高可靠性目标,要用到冗余配置,分布和云计算技术,存储时对数据进行分类,并加入便于检索的标签。

第三是数据处理,利用上下文关联进行语义分析,现在关于上下文这种关联,如图3-1所示,也是一个国际上比较热门的一个领域。


图3-1 基于大数据所形成增值链的分析和优化框架

第四是可视化呈现,目前计算机智能化有了很大的进步和发展,通过云平台上所部署的AI算法PaaS模组对不同场景的大数据进行处理,对其结果进行可视化呈现。通过平台实现对工业数据的远程监控,可视化的远程运维。于此同时,更帮助企业根据以往的数据,通过大数据来分析当前需求变化和组合形式,为产品优化及预警分析提供数据,并形成统计报表,为企业领导决策提供数据支持。

3.大数据应用场景简析

由大数据驱动的制造业转型升级,是未来制造业提升生产效率、改进产品质量、节约资源消耗、保障生产安全、优化销售服务的必经之路,通过与工业互联网、人工智能、移动互联网、云计算等技术的协同发展,工业大数据驱动的工业互联网必将深度融入实体经济,成为数字经济时代的新引擎。

1)加速产品创新

客户与企业之间的交互和交易行为将产生大量数据,挖掘和分析这些客户动态数据,能够帮助客户参与到产品的需求分析和产品设计等创新活动中,为产品创新作出贡献。福特公司是这方面的表率,他们将大数据技术应用到了福特福克斯电动车的产品创新和优化中,这款车成为了一款名副其实的“大数据电动车”。

2)产品故障诊断与预测

这可以被用于产品售后服务与产品改进。无所不在的传感器、互联网技术的引入使得产品故障实时诊断变为现实,大数据应用、建模与仿真技术则使得预测动态性成为可能。在马航MH370失联客机搜寻过程中,波音公司获取的发动机运转数据对于确定飞机的失联路径起到了关键作用。

3)工业物联网生产线的大数据应用

现代化工业制造生产线安装有数以千计的小型传感器,来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据,利用这些数据可以实现很多形式的分析,包括设备诊断、用电量分析、能耗分析、质量事故分析(包括违反生产规定、零部件故障)等。首先,在生产工艺改进方面,在生产过程中使用这些大数据,就能分析整个生产流程,了解每个环节是如何执行的。一旦有某个流程偏离了标准工艺,就会产生一个报警信号,能更快速地发现错误或者瓶颈所在,也就能更容易解决问题。

4)工业供应链的分析和优化

当前,大数据分析已经是很多电子商务企业提升供应链竞争力的重要手段。例如,电子商务企业京东商城,通过大数据提前分析和预测各地商品需求量,从而提高配送和仓储的效能,保证了次日货到的客户体验。RFID等产品电子标识技术、物联网技术以及移动互联网技术能帮助工业企业获得完整的产品供应链的大数据,利用这些数据进行分析,将带来仓储、配送、销售效率的大幅提升和成本的大幅下降。

美国较大的OEM供应商超过千家,为制造企业提供超过1万种不同的产品,每家厂商都依靠市场预测和其他不同的变量,如销售数据、市场信息、展会、新闻、竞争对手的数据,甚至天气预报等来销售自己的产品。利用销售数据、产品的传感器数据和出自供应商数据库的数据,工业制造企业便可准确地预测全球不同区域的需求。由于可以跟踪库存和销售价格,可以在价格下跌时买进,所以制造企业便可节约大量的成本。如果再利用产品中传感器所产生的数据,知道产品出了什么故障,哪里需要配件,他们还可以预测何处以及何时需要零件。这将会极大地减少库存,优化供应链。

5)产品销售预测与需求管理

通过大数据来分析当前需求变化和组合形式。大数据是一个很好的销售分析工具,通过历史数据的多维度组合,可以看出区域性需求占比和变化、产品品类的市场受欢迎程度以及最常见的组合形式、消费者的层次等,以此来调整产品策略和铺货策略。

6)生产计划与排程

制造业面对多品种小批量的生产模式,数据的精细化自动及时方便的采集及多变性导致数据量剧烈增大,再加上十几年的信息化的历史数据,对于需要企业快速响应来说,是一个巨大的挑战。大数据可以给予我们更详细的数据信息,发现历史预测与实际的偏差概率,考虑产能约束、人员技能约束、物料可用约束、工装模具约束,通过智能的优化算法,制定预计划排产,并监控计划与现场实际的偏差,动态的调整计划排产。

7)产品质量管理与分析

传统的制造业正面临着大数据的冲击,在产品研发、工艺设计、质量管理、生产运营等各方面都迫切期待着有创新方法的诞生,来应对工业背景下的大数据挑战。例如在半导体行业,芯片在生产过程中会经历许多次掺杂、增层、光刻和热处理等复杂的工艺制程,每一步都必须达到极其苛刻的物理特性要求,高度自动化的设备在加工产品的同时,也同步生成了庞大的检测结果。这些海量数据究竟是企业的包袱,还是企业的金矿呢?如果说是后者的话,那么又该如何快速地拨云见日,从“金矿”中准确地发现产品良率波动的关键原因呢?这是一个已经困扰半导体工程师们多年的技术难题。

工业企业中生产线处于高速运转,由工业设备所产生、采集和处理的数据量远大于企业中计算机和人工产生的数据,从数据类型看也多是非结构化数据,生产线的高速运转则对数据的实时性要求也更高。因此,工业大数据应用所面临的问题和挑战并不比互联网行业的大数据应用少,某些情况下甚至更为复杂。所以选择适合企业的大数据采集及应用管理尤为重要。

大数据、AI和云高度融合重点体现为工业界的发展趋势。采用混合云方案可以提供一体化的端、边、云平台,为用户提供统一的人工智能分析建模、大数据计算以及资源分配与共享管理功能,从而增加便利性、降低使用成本、丰富业务场景。关于大数据技术和系统我们将在第六章进行深入、系统地阐述。

欲进一步了解,请点击参考

关键字:5G大数据数字化转型

原创文章 企业网D1Net

x Cloud2.0:云+AI融合的智慧企业平台 扫一扫
分享本文到朋友圈
当前位置:大数据业界动态 → 正文

Cloud2.0:云+AI融合的智慧企业平台 —— 大数据与人工智能和云计算将高度融合为一体化的系统

责任编辑:zhaoxiaoqin |来源:企业网D1Net  2020-09-09 15:39:22 原创文章 企业网D1Net

摘自雷博士《云+AI+5G驱动的数字化转型实践之道》

大数据,或称之为巨量数据、海量数据。大数据,是指那些在进行分析、运算上所涉及的数据量规模巨大到无法通过人工在合理时间截取、管理、处理、并整理成为人类所能解读的信息的数据。

 


 

现代社会是一个高度信息化、数字化的社会。随着互联网、物联网和云计算等技术的飞速发展,使得数据分布在各个行业并且贯穿业务始终,数据不再从单一来源产生,数据形式越发多样,这些改变使得数据成为一种新的资源,需要人们对其加以合理、高效、充分的利用。

1.企业大数据的主要来源

企业大数据来源于产品生命周期的各个环节,包括市场、设计、制造、服务、使用各个环节,每个环节都会有大数据。“全”生命周期汇合起来的数据更大。当然,企业外、产业链外的“跨界”数据也是企业大数据“不可忽视”的重要来源。

企业大数据的主要来源有三类:

第一类是生产经营相关业务数据。主要来自传统企业信息化范围,被收集存储在企业信息系统内部,包括传统工业设计和制造类软件、企业资源计划(ERP)、产品生命周期管理(PLM)、供应链管理(SCM)、客户关系管理(CRM)和环境管理系统(EMS)等。通过这些企业信息系统已累计大量的产品研发数据、生产性数据、经营性数据、客户信息数据、物流供应数据及环境数据。

第二类是设备物联数据。主要指工业生产设备和目标产品在物联网运行模式下,实时产生收集的涵盖操作和运行情况、工况状态、环境参数等体现设备和产品运行状态的数据。此类数据是工业大数据新的、增长最快的来源。狭义的工业大数据即指该类数据,即工业设备和产品快速产生的并且存在时间序列差异的大量数据。

第三类是外部数据。指与企业生产活动和产品相关的企业外部互联网来源数据,例如,评价企业环境绩效的环境法规、预测产品市场的宏观社会经济数据等。

工业大数据具有一般大数据的特征(海量性、多样性等),此基础上具有价值性、实时性、准确性、闭环性四个典型的特征。工业大数据与互联网大数据最大的区别在于工业大数据有非常强的目的性,而互联网大数据更多的是一种关联的挖掘,是更加发散的一种分析。

2.企业大数据的运作过程

第一是数据搜集,要对来自网络包括物联网和机构信息系统的数据附上时空标签,去伪存真,尽可能收集异源甚至是异构的数据,还可与历史数据对照,多角度检验数据的全面性和可信性。

第二是数据存储,要达到低成本、低能耗、高可靠性目标,要用到冗余配置,分布和云计算技术,存储时对数据进行分类,并加入便于检索的标签。

第三是数据处理,利用上下文关联进行语义分析,现在关于上下文这种关联,如图3-1所示,也是一个国际上比较热门的一个领域。


图3-1 基于大数据所形成增值链的分析和优化框架

第四是可视化呈现,目前计算机智能化有了很大的进步和发展,通过云平台上所部署的AI算法PaaS模组对不同场景的大数据进行处理,对其结果进行可视化呈现。通过平台实现对工业数据的远程监控,可视化的远程运维。于此同时,更帮助企业根据以往的数据,通过大数据来分析当前需求变化和组合形式,为产品优化及预警分析提供数据,并形成统计报表,为企业领导决策提供数据支持。

3.大数据应用场景简析

由大数据驱动的制造业转型升级,是未来制造业提升生产效率、改进产品质量、节约资源消耗、保障生产安全、优化销售服务的必经之路,通过与工业互联网、人工智能、移动互联网、云计算等技术的协同发展,工业大数据驱动的工业互联网必将深度融入实体经济,成为数字经济时代的新引擎。

1)加速产品创新

客户与企业之间的交互和交易行为将产生大量数据,挖掘和分析这些客户动态数据,能够帮助客户参与到产品的需求分析和产品设计等创新活动中,为产品创新作出贡献。福特公司是这方面的表率,他们将大数据技术应用到了福特福克斯电动车的产品创新和优化中,这款车成为了一款名副其实的“大数据电动车”。

2)产品故障诊断与预测

这可以被用于产品售后服务与产品改进。无所不在的传感器、互联网技术的引入使得产品故障实时诊断变为现实,大数据应用、建模与仿真技术则使得预测动态性成为可能。在马航MH370失联客机搜寻过程中,波音公司获取的发动机运转数据对于确定飞机的失联路径起到了关键作用。

3)工业物联网生产线的大数据应用

现代化工业制造生产线安装有数以千计的小型传感器,来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据,利用这些数据可以实现很多形式的分析,包括设备诊断、用电量分析、能耗分析、质量事故分析(包括违反生产规定、零部件故障)等。首先,在生产工艺改进方面,在生产过程中使用这些大数据,就能分析整个生产流程,了解每个环节是如何执行的。一旦有某个流程偏离了标准工艺,就会产生一个报警信号,能更快速地发现错误或者瓶颈所在,也就能更容易解决问题。

4)工业供应链的分析和优化

当前,大数据分析已经是很多电子商务企业提升供应链竞争力的重要手段。例如,电子商务企业京东商城,通过大数据提前分析和预测各地商品需求量,从而提高配送和仓储的效能,保证了次日货到的客户体验。RFID等产品电子标识技术、物联网技术以及移动互联网技术能帮助工业企业获得完整的产品供应链的大数据,利用这些数据进行分析,将带来仓储、配送、销售效率的大幅提升和成本的大幅下降。

美国较大的OEM供应商超过千家,为制造企业提供超过1万种不同的产品,每家厂商都依靠市场预测和其他不同的变量,如销售数据、市场信息、展会、新闻、竞争对手的数据,甚至天气预报等来销售自己的产品。利用销售数据、产品的传感器数据和出自供应商数据库的数据,工业制造企业便可准确地预测全球不同区域的需求。由于可以跟踪库存和销售价格,可以在价格下跌时买进,所以制造企业便可节约大量的成本。如果再利用产品中传感器所产生的数据,知道产品出了什么故障,哪里需要配件,他们还可以预测何处以及何时需要零件。这将会极大地减少库存,优化供应链。

5)产品销售预测与需求管理

通过大数据来分析当前需求变化和组合形式。大数据是一个很好的销售分析工具,通过历史数据的多维度组合,可以看出区域性需求占比和变化、产品品类的市场受欢迎程度以及最常见的组合形式、消费者的层次等,以此来调整产品策略和铺货策略。

6)生产计划与排程

制造业面对多品种小批量的生产模式,数据的精细化自动及时方便的采集及多变性导致数据量剧烈增大,再加上十几年的信息化的历史数据,对于需要企业快速响应来说,是一个巨大的挑战。大数据可以给予我们更详细的数据信息,发现历史预测与实际的偏差概率,考虑产能约束、人员技能约束、物料可用约束、工装模具约束,通过智能的优化算法,制定预计划排产,并监控计划与现场实际的偏差,动态的调整计划排产。

7)产品质量管理与分析

传统的制造业正面临着大数据的冲击,在产品研发、工艺设计、质量管理、生产运营等各方面都迫切期待着有创新方法的诞生,来应对工业背景下的大数据挑战。例如在半导体行业,芯片在生产过程中会经历许多次掺杂、增层、光刻和热处理等复杂的工艺制程,每一步都必须达到极其苛刻的物理特性要求,高度自动化的设备在加工产品的同时,也同步生成了庞大的检测结果。这些海量数据究竟是企业的包袱,还是企业的金矿呢?如果说是后者的话,那么又该如何快速地拨云见日,从“金矿”中准确地发现产品良率波动的关键原因呢?这是一个已经困扰半导体工程师们多年的技术难题。

工业企业中生产线处于高速运转,由工业设备所产生、采集和处理的数据量远大于企业中计算机和人工产生的数据,从数据类型看也多是非结构化数据,生产线的高速运转则对数据的实时性要求也更高。因此,工业大数据应用所面临的问题和挑战并不比互联网行业的大数据应用少,某些情况下甚至更为复杂。所以选择适合企业的大数据采集及应用管理尤为重要。

大数据、AI和云高度融合重点体现为工业界的发展趋势。采用混合云方案可以提供一体化的端、边、云平台,为用户提供统一的人工智能分析建模、大数据计算以及资源分配与共享管理功能,从而增加便利性、降低使用成本、丰富业务场景。关于大数据技术和系统我们将在第六章进行深入、系统地阐述。

欲进一步了解,请点击参考

关键字:5G大数据数字化转型

原创文章 企业网D1Net

电子周刊
回到顶部

关于我们联系我们版权声明隐私条款广告服务友情链接投稿中心招贤纳士

企业网版权所有 ©2010-2024 京ICP备09108050号-6 京公网安备 11010502049343号

^