美国辛辛那提大学讲座教授、《工业大数据》作者李杰:大数据助力“中国智造”弯道超车 原创

在11日的主会现场,美国辛辛那提大学(Univ.of Cincinnati) 讲座教授、《工业大数据》作者李杰首先发表题为“大数据助力‘中国智造’弯道超车”的主旨演讲。

2018年7月10日-12日,2018中国大数据应用大会在成都召开,大会以"大数据赋能数字中国"为主题。由成都市人民政府指导,中国大数据专家委员会、中国电子信息产业集团有限公司中国电子学会、四川省经济和信息化委员会主办,世界工程组织联合会工程技术创新委员会(WFEO-CEIT)、成都市经济和信息化委员会、成都市博览局全力支持,中国电子器材有限公司、中国电子学会科技交流中心承办,业内知名媒体至顶网与科技行者协办。

在11日的主会现场,美国辛辛那提大学(Univ.of Cincinnati) 讲座教授、《工业大数据》作者李杰首先发表题为“大数据助力‘中国智造’弯道超车”的主旨演讲。演讲中,李杰指出,当工业大数据与人工智能连在一起,更能够反映出当前国内对生产力转型的实际需求,并强调人工智能要在某一行业中实现落地,必须掌握相关专业知识,否则很难成功。

美国辛辛那提大学讲座教授、《工业大数据》作者李杰:大数据助力“中国智造”弯道超车
美国辛辛那提大学讲座教授、《工业大数据》作者李杰

以下是李杰演讲实录:(内容根据现场速记整理,未经发言嘉宾确认,仅供参考,谢绝转载)

大家好,今天很高兴有机会来这边跟大家分享有关于工业大数据和工业人工智能在这方面的应用,题目本来是选的工业大数据,但我想还是以工业大数据与人工智能连在一起会更能够反映出目前国内这些技术如何去对生产力进行转型。

我想我的主题今天就放在几个领域,一个就是所谓数据怎么来做分析,它的价值是什么,一个就是我们如何利用一些新的技术来看到一些隐性的问题,我看了一下去年来演讲的内容,今天我就把一些内容都完全不一样了,从不同的领域跟大家阐述一下,我目前本身还是属于工业大数据,智能维护系统联盟已经18年了,上个星期我和郭董事长,富士康在斯坦福大学做了人工智能的演讲,基本上对硅谷阐述了未来人工智能的影响,因为硅谷人工智能比较少,还是技术比较多,他们很多的年轻朋友都很希望加入富士康来做这个事情,这是一个很不错的机会。

这里边我们也学到了跟很多企业合作的经验,包括中国的企业,包括华为、富士康、中车等等,在过去这几年这几本书多多少少都发表了一些,我把它衍生出来,工作大数据的比较多,《工业大数据》也阐述了很多的案例。这本书这个书要出,最晚下个礼拜,这本书是工业人工智能第一本书记,为什么《工业人工智能》我们要用它?因为人工智能它是一个很成熟的领域,它已经有50多年了历史了,这里边很多科学性和使用上,都试着去做,它的绝对性很差,它的机会性很多,你用这个工具是不是一定有这个结果,答案是不一样的,工业人工智能,如果说这个手机上面有一个刮伤,那就是刮伤,我们的消费者不一样,我们的消费者看过什么东西,你印了什么东西,你有什么兴趣可能有四五个答案,这个就要从销售角度去看。

今天为什么要讲制造呢?制造里边它必须是国家未来转型的基础,制造不是经济,是为人们生活要好,经济只是其中的一部分。有些国家把制造的知识人才培养出来,往设计端去放,制造是一种知识跟价值创造的东西,有的是设计,有的是材料。去年国家领导人李克强总理特别讲到中国需要一个品质革命。实际上这句话它的含义很深,不是讲质量革命,讲品质革命,对中国制造来讲,或者说全世界制造有几个等级,一个是制造的一切的本质,比如说你是做半导体的,做汽车的等,本质决定你做什么,这里边你必须要追求产业的激情,我做一个材料就卖掉了,A轮B轮就卖掉了,心态,你就是想炒作市场,这个其实也没有错,但是一个实业家讲的就是激情,企业家、生意人是找机会赚钱,商人找赚钱的机会,实业家找重生的机会,火凤凰,他会从方向上去燃烧自己创造未来,这个是实业家。

制造的本质我在什么样的影响力发展到无限,让我的产品和价值体现出来,体制就是说我这个产品可能做得不好,还有很多的空间,那我应该怎么解决,素质问题呢?就是说我的使用上面,人的训练的基础不够,我使用的工具不够,我的产品卖给别人,客人使用我的产品的素质不够,这个问题怎么解决?从日本来讲,素质就是精益制造,美国本质就是科技创新,对于中国来讲需要一个一致创造的革命,不管是素质问题还是本质问题都是素质价值。

数据怎么来形成问题的集成知识,慢慢过去都没有累计,现在有了机会我把数据怎么来看?可是在很多的产业,一个应用领域,大数据应用里边应用不单是在数据本身,在日本工业大数据是过去三十年才开始崛起的,我记得在五年前,我在日本演讲的时候,很多企业对它还有怀疑,2015年我的书出来以后,很多的企业开始跳,三菱电级都开始出来了,像小松2000年就开始了,日本把人当做一个基础,把人的素质变好,维持在一个稳定性,这是日本讲的工匠性。德国是要把体制做好,该做的机器去做,不用人去做,因此把自动化当做器匠,所以德国的基础是一样的,日本还注重人的经验。美国是推翻这个经验。

现在出现新的设计、新的功能,新的芯片,三个决定了,对于中国来讲很多的数据分析变成了问题,我怎么分析它,人民让这个应用端的知识能够一直衍生出来,然后我再把这个问题的价值扩展出来,我本来是做切削的,但是慢慢的做了之后我对刀具懂了,本来是不懂得,我对机床懂了,刀具也懂了,那么我可以帮助企业研究新的都是。中车生产当中了解了轴承,从经验到事实,有经验的轴承专家不一定比中车还懂。

今天我们讲未来一个产业,数据是制造的一个大产业,它的数据量远大于金融、医疗。尤其是未来大的更细的数据,比如说8K加5G这样的东西,数据会更大,这当中就缺乏一种真正让它落地的基本的元素,今天我谈到ABCDE,这也是我最近在协助富士康转型,A代表什么?A就是说我的人工智能AI,分析。B是BIG DATA, C是云与赛博技术,D是专业知识与经验,E是事实与真相。你要把很多的东西集成在一起,很多的产业也想转型,包括海尔、西门子,这当中最重要的是,硅谷ABC最强,最难有的是E,你不懂发动机、风电,你只能用在很多的金融、医疗、成功一次就拍拍手,在工业人工智能里边要成功一百万次才能成功,不是一次两次。我们要求是很正常的,这里边今天要谈到,聚焦的一点,就是中国企业有很多的本质素质问题。

我们第一象限怎么改进,在改进中把它的问题解决,为什么20个人做一个事情,我把一个人做的事情十个人做,为什么会有刮伤,为什么会有?我找到有原因的部分,看到机械有问题,到时候我的自动化变成智能化,精益化变成信息化。这里边来讲我转型的空间也是一步步走,因此我们提出了叫做三步走的过程,第一步走是一到二,在已知的问题里边检验出问题,检验里边积累经验,经验变成逻辑,只要有问题出现就发现,原来是有摄像的,模型识别了我就知道什么问题出来了,那么我就避免掉了。

第二个二到三,我必须要利用分析找到一些隐性的问题,是什么因素造成它变化的,是温度还是它的参数两个不稳定性,还是设备的衰退性,还是背光的问题,把问题找到你才知道为什么质量不一样。三到四是说我要未来对这个问题的深度挖掘,在设计端怎么更改,在材料端怎么更改,以旧知识带动新知识。比如说对动车的轴承懂了,从北边到南方,一天的温度和重力不太一样,那么磨损也不一样,这个数据有了之后,旧知识带来新知识。中国有很多的机会,全世界都有很多的机会,因此我们来看这个地方德国用4.0来代表未来的成长。对很多的企业有自己的想法,包括日本他把工厂做到极限的精密,很多的产业一样。我最近协助富士康转型,郭董事长重视六个流的问题,把人的问题,过程的问题,物流的问题,经过六个流来呈现,信心流、资金流和技术流从隐性当中挖掘出来。

今天为什么人工智能和大数据会需要有一个交际?过去大数据的范围停留在数据的分析跟问题的呈现,人工智能是找出收敛跟发散中间所产生的机会,你看不到知识,一个是控制有关的,有一个是跟分析有关的,这两个都有共性的问题,四个核心的问题,数据DT,分析叫AT,平台像云边缘端叫做PT,最后一个叫运营管理叫做OT,人事物里边所发生的问题,DT就是数据端的问题,很多数据的不稳定性,它的背景性,它的所谓质量性会造成所有分析里边的不合理,比如说一条鱼不新鲜,再好的厨师煮的鱼都浪费,鱼养的背景资料不一样,它用了很多化学去养它,再好的厨师也是没有用的。所以DT是讲它的背景性,AT讲分析的工艺,比如说我知道它的数据因果性,我要知道它的分割性,判决性,我要知道它的预测性,我要用不同的软件,我要用目的性来看工具,我要吃鱼要蒸就要用蒸箱。

PT是平台,可以储存食物的地方,微波炉是一个快速的平台,但是它不是一个正规的烹饪技术,它是一个快速的。云端把这个信息分享出去,如果说工厂就一个机器用,那就不用云,云是为了达到无限制的服务,及时的服务才用云,不达到这个就不需要云。边缘端掌握到一个比较所谓,比专业特征分析,生产优化就是在人端,人需要做决定,我需要用工具,我用动态的所谓数据的雷达图来呈现风险性,我用预测图来看我的行动性开快不快。

我们用数据段会遇到,数据的分裂性、优劣性,背景性。我们大学办了一个大赛,题目是说如此预测叶片会不会结冰,风电在山里边运转,你怎么知道它会不会结冰,但是我的温度降下来,湿度很高的时候,就可能结冰,结冰的话发电上不去,如果我不告诉你结冰,只是告诉你天气,那你能不能知道叶片的状况,,我们把这个叫做智能的管理,预测它的情况。我们有12个团队被选上,我是做最后的主裁判做点评,这里边有两组,一组是完全不懂风电的人,他用数据,答案跟很懂风电的是一样的,指出来了没有绝对的答案,但有相对的助力,今天我不是一个专业的专家,但是我有数据做支撑,那我得到的知识可能80—90%,可能专家也上不去,他还停留在自己的成分,因此有数据和专家在一起是最好的结合。没有专家在,有经验,那也是一个满意的结合,所以前一两名是有了经验之后再做成数据,所以我们明显的看到人工智能和工业大数据要结合起来才能做到深度的数据的挖掘。

今天为什么要讲人工智能?它是一种认知科学,我们使用它的时候有很多的方法去试,试到成功为止,我做到成功,别人的答案不一定跟我一样,我们用的软件一样,但是答案不一定一样,可见我在实践当中所用的方法不太一样。同样的鱼,两个厨师做的味道完全不一样,道理是一模一样,并不是在于厨师,在锅,在鱼,而是在于工艺的问题。一如果说身体我有一个疾病,哪个医疗都是这样的疾病,只是治疗的方式不一样,比如说你有肿瘤,医生说要吃药,有的人说要化疗,我的方法可以变,但我的问题找到了,工业讲的是绝对性,就是我必须是绝对性,速度性、系统性。所以对于工业人工智能来讲,为什么工业领域人工智能很难落地?就是你的决定性不够,机会是有的,因此我无法接受你。发动机要起飞,今天好可以工作,明天不好就不工作了,那么这个是不可以接受的。

我们传统上一个人的知识成长到了退休之后,下一个人又成长,他一定会有一个断层,这个断层注定了人的系统。人知道多少,人工智能就能帮助我提供多少,人不一定能稳定的成长,但是人工智能可以稳定的成长。人工智能它可以学习,学习当中他所产生的这些稳定性出问题,他可能要很多的误差才回到一个成长点,经过这个设备,经过维修之后又要重新的训练,因此不是训练一次就可以了,比如说我的车子自动驾驶训练完了,下次我的传感器坏了,我的车子坏了,要修,坏了要修才能继续开下去。工业人工智能可以一次下去,我有系统化,所以我做的是一个工业系统,不是一个软件系统,这里边更强调它的所谓系统跟计算。

左边是人工智能右边是工业人工智能,人工智能我们谈到的像机器人,无人驾驶,无人超市这些东西,右边是属于工业人工智能,我们讲风电、半导体、机床、切刀等等,工具安不安全预测出来,有没有污染预测出来,你有没有质量问题要预测出来,我要求的学习方式有很多种,有宽度学习,有内心学生,其它的学习方向没有,机器学习跟深度学习,四个发动机飞,每个数据都去学数据这个关联是不对的。工业人工智能能够代表的是左下方代表的东西。通过人工智能了解还不存在的问题,你懂怎么学习呢?人工智能发现还没有预测出来的问题,这个需要专业知识。

你在中国看到的东西都在左下角,科达讯飞,手指纹等等,你要找到这一套很少。实际上未来一个工业国家要转型讲的是右上方。
这个是数据常用的方法,我就不讲细节了。我们来看案例,怎么来协助制造转型,一个是体制问题,今天这个企业的体制不好,我怎么让它变得好?它的质量、效率怎么提质增效,我们在跟富士康的鹏鼎,这个是做软版,这里边的数据是不完整的。这里边可行性与重要性,你要把每个秩程发生的影响最大,我从25个过程里边有三百多个装备里边找到重要的点,1234,一个是频率多,重要性低,一个是频率低重要性高。比如说电路的过程,还是什么什么的过程,最后我设计的数据分析就满足这个过程,最后做成第二步,把这个数据重要性找到之后我来做分析,重要的数据,不重要的数据你不用找它,你看到改进前和改进后很明显就知道。这个过程是一个很长的过程,但是它也是必然要走的一个数字化过程。

第三个就是效益性,你到了2015年11月,我们把这个厂54个小时不停机,然后看能省多少钱,这个工厂现在是全世界第一做软版的。我们还做了一个钢厂,它没有传感器,完全是老旧的设备,你怎么做大数据呢?它有很多手写的资料在里边,我加了几个传感器,这里边我把数据重新的编写,把人写的重新编写,也做四宫格,然后做数据分析,哪些好哪些差,这个厂一年省下了一千万到五千万不必要的浪费,这个厂在山东。很多数据科学家在办公室等着进来,你要了解这个数据怎么来的,所以一个医生要实习三五年。一个数学科学家你在办公室等,机会很好给你了,你要解决工业的问题必须要下工厂,解决海洋问题你必须到海里去,你不可能只是在办公室搞研究。

半导体的产业,比如我们知道这个厂,有80个传感器,我怎么把这个因果归类出来,我们跟三星合作的时候,三星说我找不到问题,只是知道问题的出发点,我把问题归类,然后看传感器的问题,我们用一个叫做传感器的关系图来代表,这样我就贝叶式来计算(音),我可以算出来那个数字跟我要的东西最有关系的,这个把人的素质的问题解决了,体制的问题解决了,因为体制问题不好浪费,那这个精确率99%,三星也很高兴。

我们来看素质问题,素质的问题,今天如果产品出去之后,顾客没有用他在做的事情,我告诉你不要这样做,你非要这样做,我们跟上银合作的时候,上银的董事长,说我的罗钢丝(音)刚是最好的了,但是客户说我的这个有问题。他说想试试看能不能找到问题,我们根据扭力电跟所谓的承受力,我可以算出来所谓的丝感进来出去不一样,最后我们有一个东西都可以放在APP里边去,上银现在每一个人都可以看到丝感有什么问题,你没有加润滑油,一看是红色的就可以看出来有什么问题,是没有上润滑油。利用素质不好的背景把问题挖掘出来,你不要骗我,一骗我就知道,现在这样的技术就可以让很多不知不觉的把事情呈现出来。

日本也是一样,日本上我的工匠很好,比如说这个清酒,清酒因为下的雨不一样,水不一样所以酿造出来的酒也不一样,他就想怎么把人的因素打掉,他们也用了机器学习,今天我把这些米研磨之后,研磨30%之后,根据今年的雨季来做最好的设计,这里边把人的因素打掉,把它变成质量是质本,这个酒卖四五十美金一瓶,所以它必须要有质量。最后谈到本质的问题,很多的企业要转型,本质要变,因为要从价值出发,这个是唯一的案例,去年我讲过一次,我跟中船合作也是本质的问题,中船是做船舶,你要知道用船之后产生的数据,包括它的水纹包括路线,它的水流,夏天台风很多,我怎么看船舶风浪对它的影响,对阻力的影响,我看我的参数,我就可以算出来影响怎么样,这样我就可以做到这个船在开的时候,数字船在右边,我可以继续的计算它,我就可以切掉一些路线,可以省掉一些油费。这个是在去年12月中国的第一艘智能船出海了。

这里边我们可以看到今天我刚讲了几个案例,今天要应用,我们工业大数据和人工智能应用是一个系统工程,绝对不是一个数学工程,它也不是一个数据工程,它是一个数据加上算法,加上专业知识,ABCDE,所以我们的过程一定是1234,没有1的时候你不能跳到2,精益都不懂,你想进入到大数据精益制造,怎么可能,你说我是一个完全乡下来的农夫要做半导体的工作,这是不可能的事情。他一定是1234走过来的,这里边代表着你的执着,你的激情,你的专家的知识,专家很多,专业很少。

所以,在人工智能里边很多叫人工智能专家,我是听不懂,什么叫人工智能专家?因为人工智能是科学领域,我是材料专家,我也听不懂,什么是材料专家,材料专家有半导体,有玻璃,有人的生物材料,你是哪个材料专家,有人说我是人工智能,但是我听不懂。每个东西都是太阳叫起来,没有公鸡人一样得起来。没有专业知识,最后人工智能是不可能落地的,落地成功也只是一个机会,它绝对不是必然,所以我们在一般的领域,在BAT领域可以做,但工业领域很难做。所以我想这本书有机会的可以看一下,讲的都是工业案例,这里边也有很多过去我们所犯的错误,还有学到的一些经验,今天我就讲到这里,谢谢各位!

来源:至顶网网络频道

0赞

好文章,需要你的鼓励

2018

07/11

10:26

分享

点赞

邮件订阅
白皮书