本次沙龙，邀请到了国家电网大数据中心主任王继业分享“聚焦新基建 电力作先锋”的话题，中石化集团信息中心副总经理李剑峰对“新冠疫情背景下，企业数字化转型的新机遇”的思考。同时，AWS资深解决方案架构师、敏行副总裁马超、PCTEL 产品线副总裁兼业务拓展副总裁王宁也将各自分享在能源行业的解决方案与经验。
以下是AWS资深解决方案架构师郭立的演讲速记。
郭立：大家好，我是AWS中国资深解决方案架构师郭立。今天非常高兴能够有机会和各位分享AWS助力能源化工行业数字化转型与创新。
首先我们谈到数字化转型通常会关注如下四个领域：
第一，IT转型。
第二，OT转型。
第三，市场转型。
第四，客户参与。
完成以上四个领域我们就能够实现灵活的生产、灵活的交付以及灵活的需求，从而促进整个企业实现灵活的创新。
AWS本身如何助力能源化工行业数字化转型与创新的呢?我们通常分为如下两个层面：
第一层面是下层的AWS云服务，包含最下层的数据采集与数据集成，基础服务、核心服务三个层面。在AWS云服务之上是AWS合作伙伴实现的行业解决方案，包括IT转型、OT转型、市场转型以及客户参与。
接下来我会从这四个领域深入介绍。在介绍的时候我会通过大量的案例作说明，这些客户是如何通过AWS的服务进行和实现了IT转型、OT转型、市场转型以及客户参与的?
我们首先来看IT转型。IT转型的目标是为了帮助CIO实现有意义的成本削减，同时提高IT团队的敏捷性，以支持CEO的业务目标。左边是我们的三个客户，他们使用了AWS的大量服务，右边是我们的合作伙伴以及这三个客户通过我们合作伙伴实现的IT转型业务目标，分别是：
第一，SAP的迁移和扩展。通过AWS的云迁移降低AWS的整体运用成本，同时使AWS服务和AWS合作伙伴更好扩展SAP的价值。
第二，IT敏捷性和远程工作。我们通过部署一系列的工具使得IT成为整个解决方案的一部分，从而满足所有利益相关者的一些期望。
第三，迁移加速计划。我们通过释放宝贵的财务和员工资源，从而使得这些员工本身专注于他们最重要的一个地方。
接下来看一下OT的转型。OT转型的目标是为了面对不断增长的物联网和SCADA的数据，从而帮助运营部门实现最高水平的卓越运营，同样左侧是我们的三个客户，右侧是我们的合作伙伴以及我们的客户在OT转型下实现的业务目标，分别是：
第一，分布式的能源资源管理。通过我们积极管理负载来优化相关电网的运行，同时提高电网的稳定性。
第二，我们的电量分析和洞察。我们通过利用合作伙伴的解决方案，深入的了解了网络状况，预测整个网络的使用情况以及客户的能耗行为。
第三，是我们的物联网和工业数据分析。通过在相关数据上应用最广泛的分析以及机器学习的模型，从而获得比传统数据仓库更加深入的一些数据建体。
接下来看市场转型。市场转型的目标是为了确保资产所有者能够最大化其发电资产的价值，同时确保网络的稳定性和可再生资源的整合。
同样左侧是我们的三个客户，右侧是我们的合作伙伴以及我们的客户在市场转型这一领域所实现的业务目标，分别是：
第一，市场的预测与优化。通过我们AWS机器学习的算法来优化对于前瞻性电力市场的一些参与。
第二，集成微电网。通过规划并且部署支持高弹性的微电网，同时与传统电网协调，从而提高整体电网的稳定性。
第三，对等能源交易。通过利用AWS服务，允许数以百万计能源生产者直接参与到能能源收益的交换中去。
客户参与的领域。客户参与的目标是为了成为所有客户的能源合作伙伴，减少客户流失，改善客户满意度并创造新的收入来源。同样左侧是我们的三个客户，右侧是我们的合作伙伴，以及三个客户在客户参与领域实现的业务目标。
第一，是我们联网家庭需求。通过使用AWS、Alexa和Amazon Coonected Home的强大功能来大规模的实现交付部署智能家居。
第二，Amazon Coonected客户服务，通过部署基于云的无线可扩展的Amazon Coonected呼叫中心和聊天机器人，来改善客户服务，提高客户体验。
第二，数字客户参与。推动使用Amazon Coonected预测分析和数字参与工具减少客户的流失，同时提高客户的参与度。
以上我们谈了四个维度，所以我们可以看得出来，数字化的转型与创新它不仅仅是一个技术问题，它其实是一个很复杂的问题。我们通常会把它分为三个维度：
第一，行业解决方案以及客户成功案例。刚才提到了通过刚才的IT转型、OT转型、市场转型、用户参与这四个维度。
在其之上还有我们非常重要的AWS云服务，通过最广泛的产品组合包括计算与网络、数据库、存储、人工智能、分析和物联网、安全性和专业等等为整个行业解决方案以及客户提供最可靠的支撑。
第三块，加速上云的合作与技术。我们通过与ISV、SI和初创公司等合作伙伴的协作，我们符合相关的政策安全法规，同时我们有相关的云的经济学来做支撑，我们实现了整个帮助客户完成自己的数字化转型与创新。
接下来我会着重谈一谈AWS的技术本身是如何支撑我们能源化工行业客户做相关的数字化转型与创新。重点来看最近非常火的人工智能。
我们来看一下什么是人工智能?人工智能是使计算机能够使用逻辑、if-then语句和机器学习模仿人类智能的任何技术，人工智能是大的范畴，我们经常听到机器学习，机器学习是人工智能的一个子集，它是使用机器来搜索数据中的模式以便自动构建逻辑模型这样一个东西叫做机器学习。
在机器学习之下我们有两个领域，第一个领域是大家听得非常多的深度学习，深度学习本身它是机器学习的一个子集，它是由深度多层神经网络构成，他们通常用于执行语音和图像的识别的任务。还有一个领域是叫做强化学习，强化学习通过使用奖励函数和模拟代替来训练数据集。
我们来看一下亚马逊本身，它是具备最广阔、最完整的机器学习的功能集。我们主要分为三个层面：在最下层是整个机器学习的框架和基础架构。在其中是我们的机器学习的服务，特别重点要提到的是Amazon SageMaker，这样一个集成的机器学习的服务平台，刚刚在中国区落地，所以说非常的方便大家能够把自己的模型在上面做标注、训练、部署、调优等等。
在其之上是我们的AI的服务，针对各个行业。包括了视觉、语音、文本、搜索、聊天机器人、个性化推荐、预测、呼叫中心等等，我们可以看得出来亚马逊实际上是具备最广泛、最完整的机器学习的功能集。
我们来看一下机器学习能够在能源化工中这个行业有哪些使用场景?主要分为如下三个部分：
第一，是我们讲运营管理。运营管理主要包括供应商的优化、资产的绩效管理以及在能源化工行业中非常重要的健康、安全、保障、环境，也就是我们经常提到HSSE，同样我们还有配方的优化以及备件的库存管理，以上这些通常是在我们叫做运营管理这么一个大的场景。
同样我们还有供应链的场景，包括了需求的分析、运输优化、约束条件的优化，这些其实是我们的供应链的大的场景。同样，我们还有一个研发大的场景，包括新产品的配方以及大规模生产中的细分场景，所以说机器学习整个在能源化工行业中有这三大类的应用场景。
我们来看一下我们作为CIO经常听到什么东西?我们总是听到我们今天的报告很晚，我们总是看到资产绩效可见性有限，我们是不是遇到意外的故障和停机，同时缺少生产和质量指标，我们还会缺少风险警告以及整体系统响应慢，这是我们作为CIO经常听到的信息。
我们期待什么?我们期待着用于生产质量分析实时的仪表盘，我们期待用于SCADA和资产管理用于整个洞察，我们也会期待着基于机器学习的流程优化的工具，期待通过数字技术实施连接生产线上的工人。
我们想做什么?我们希望减少运营支出，我们最大限度地减少计划外停机，增加产量、改善安全与环境。
我们怎么才能实现上述目标?这就是我们的一个解决方案的流程。包含如下三个部分：
第一，收集。
第二，存储。
第三，分析。
我们看一下整个解决方案，我们如何通过收集、存储、分析实现监控和优化的?首先看收集两类数据，包括实时数据，包括从IOT等进来的监控数据，同样还会在传统的本地数据中心来收集传统应用上的数据，包括采购、生产、采出、运输、销售乃至最终消费的数据。
我们把这些数据都收集起来存储在AWS数据湖中，我们不仅存储，同样我们还在上面做了基于机器学习的分析，我们来做工艺优化、流程监控，我们把分析的结果通过相关的协同工具，通过仪表盘，通过积分卡或者通过报告呈现给最终客户，让最终客户做整个流程的监控与优化，能够实现整个的智慧的洞察与预测分析。
我们来看怎么来做这三个部分?第一部分收集，我们希望做成本效益并且安全的数据收集。通常通过智能网关对现场自动化硬件进行现代化改造，甚至可以通过Amazon FreeRTOS监视关键资产中以经济有效的方式收集IoT数据，同时我们具备所有IoT设备管理功能，这是收集部分。
我们来看存储，我们有非常多的适配器，能够把现有的SCADA、ME、LIMS和Historians的适配器将协议转换为OPC-UA协议，同时我们可以构建基于结构化和非结构化数据的这么一个数据湖，在这个数据湖上我们来构建具备资产层次结构的通用的源数据库层，同时我们还支持快速可扩展的时间序列的数据库，更重要的是我们能够转换和清楚噪声数据，我们有大量的规则，这样的话能够便于我们提升整个存储解析转换数据的质量。
最后是我们的分析，我们的分析是完全为了实现快速行动和自主控制，我们通过QuickSight仪表板和报告快速可视化数据，同样我们可以使用内置的机器学习模型来进行异常检测和预测。
同时我们还支持和大量的第三方的商业智能工具做集成，同时我们还可以通过Amazon语音应用直接为联网的工作人员启用移动通知和工作说明。同样我们还可以通过增强现实与移动设备来交互实现远程的协作，最后通过边缘机器学习推理用于关键资产优化和控制。完成了刚才所谈到的收集、存储和分析，我们就能够实现所有的这些功能。
我们来看一看整体，我们AWS的一个流程优化。它主要分为三部分：
第一，收集数据。我们收集大量的数据，同时在云上进行训练，在云上训练完了以后我们会把机器学习的模型部署到边缘端进行边缘推理。在边缘推理之后，我们会及时根据推理的结果产生进一步的行动，同时我们会收集到新的数据不断优化和调整机器学习的模型，并且进一步在云上进行训练，训练完了再进行推理和行动，从而构成整体的一个流程优化，不断的去提高模型的精度，更好贴近我们实际的生产的业务。
除了以上这些我们还需要有更具能源化工行业经验的合作伙伴，各位都是能源化工行业领域的专家和CIO，这些Logo相信大家一定不会陌生，这些都是AWS的合作伙伴。正是有了这些具备能源化工行业经验的合作伙伴以及在人工智能领域，在整个云计算领域非常有深厚积淀的AWS，我们在一起合作才能为我们能源化工行业的最终用户，助力我们这些最终用户实现我们数字化的转型与创新。
我们来看两个真实的案例：
第一个案例是Woodside，Woodside是澳大利亚最大的石油天然气公司，它的业务遍布全球。Woodside希望能够使用工厂的传感器来进行一些预测维护，从而帮助避免可能会造成工厂生产中断的问题。
我们来看一下AWS的解决方案，AWS提供了大量的基于IOT的传感器，这些传感器能够把数据传到AWS上面，通过机器学习模型来做预测。最后Woodside能够在问题发生一周前，预测到故障的发生，从而可以提前采取措施，保证工厂持续不断地运转。Woodside通过AWS的IoT、机器学习避免了工厂的非计划内停机。
我们来看第二个例子，某国际大型石油化工公司，它同样存在着面临维护成本上升和停机时间增加的问题。它采用的是我们的一个合作伙伴UPTAKE，利用UPTAKE解决方案使这个客户能够针对有感和无感的资产进行优化维护。
同样我们预测模型能够在两个层面分别得到建立：第一是在资产层面；第二是在实际处理单位层面来建立预测模型。
最后客户的收益是什么?整体来讲客户的维护成本有望降低10%，工厂的利用率和整个流程的利用率有望提升1%-3%。
我们来看AWS本身，Amazon是具有创新历史和未来的公司，在不同的领域都有非常多的创新，不仅仅局限在电子商务领域。Amazon在无人机、视频流媒体、Kindle、家庭娱乐、生鲜配送、无人零售、智慧家居乃至云计算领域都有非常多的创新，相信Amazon也会沿着创新的道路走向非常光明的未来。
最后让我来用Amazon创始人兼首席执行官Jeff Bezos的一句话来结束今天的分享，那就是“在亚马逊我们有三个大想法，我们坚持了20多年，这是我们成功的原因：客户至上、不断创新、保持耐心”。
好，谢谢大家，这就是我今天的分享，非常感谢大家的时间，再见!
京公网安备 11010502049343号