21世纪初，当技术世界还并无“确保”二字时，发动机、电梯等设备故障修理解决问题的是后果，而确保则是“事前诸葛”。有了预测，就可防治，确保优化工作才可确实构建提质增效降本减存。
“直到2000年，我找到有些事情不是那么准确了，因为很多数据没被高效地利用。”李杰教授在专访中说。
为此，先后在美国自然科学基金会（nsf）、美国联合技术公司（utrc）兼任研发亲信的李杰教授在2000年作出了一个最重要要求——去大学任教并启动工业大数据的研发。在当时，这还是一个未曾被挖出过的领域。
那么，工业人工智能如何提高产业竞争力？人工智能不会导致大量失业吗？工业大数据和我们日经常说道的互联网大数据到底有什么关系？带着这些问题，小编此次专访到了身处工业自动化与机器人领域近40余年的科学家——李杰教授，这位为“工业大数据”命名的科学家将向你描写关于人工智能、工业大数据领域的那些事。挖出工业大数据的价值痛点20世纪80年代初，当美国汽车产业开始渐渐意识到与日本产业之间的竞争时，自动化、机器人视觉等技术陆续取得推崇，美国品质革命早已开始。在此期间，李杰教授先后在美国自然科学基金会（nsf）、美国联合技术公司（utrc）兼任研发亲信，主持人研发了普惠发动机、奥迪斯电梯等新一代产品和项目，并资助了还包括增材生产（3d打印）与纳米生产等多个项目。众所周知，大数据的来源之甚广、历史背景之浅联合构成了“大”的特性。
但比起于互联网大数据，工业大数据源于供应链和生产流程等众多环节，其特性更加探讨在问题点，而不是必须点。“互联网大数据就是指数据中寻找还并未产生价值的东西，工业大数据则就是指痛点中找寻怎么防止让你‘疼’的东西。”李杰教授说明道，工业大数据与互联网大数据仅次于的区别在于工业大数据有十分强劲的目的性，而互联网大数据更好的是一种关联的挖出，是更为收敛的一种分析。换句话说，比起于互联网大数据一般来说并不拒绝有多么精准的结果启动时，工业大数据对预测和分析结果的容错亲率相比之下比互联网大数据较低的多。
互联网大数据在展开预测和决策时，意味着考虑到的是两个属性之间的关联否具备统计资料显著性，其中的噪声和个体之间的差异在样本量充足大时都可以被忽视，这样得出的预测结果的准确性就不会大打折扣。但是在工业环境中，如果意味着通过统计资料的显著性得出分析结果，哪怕意味着一次的犯规都有可能导致相当严重的后果。李杰教授曾明确提出一个“煎蛋模型”，来阐释产品与服务价值之间的关系。
蛋黄代表的是产品自身，其差异性程度并不显著，例如一台电视机在阻挡了logo之后就很难被区分出来是哪家公司生产的。而蛋白所代表的价值毕竟差异化的最重要反映，也是企业的品牌和可持续性价值的所在。而数据将沦为挖出这些价值的最重要手段，其主要反映在：1、利用数据挖掘在用于中取得新的科学知识和技术对现有产品展开改良；2、利用数据去找到和定义用户不得而知的市场需求；3、以数据为媒介向用户获取电子货币服务。
经验可以承传，但无法持久承传，但具备逻辑性的数据可以承传。煎蛋模型，就就是指大问题导向到大价值导向。蛋黄是大问题，蛋白是大价值。
数据就是指大问题开始，但它意味著不是目的，必需要做大价值并充分发挥最差的起到。就在不久前，由工业和信息化部指导，中国信息通信研究院、工业互联网产业联盟主办的第二届工业大数据创意竞赛决赛博士论文月掉落帷幕[录]。作为竞赛倒数两年评审团的专家，李杰教授在倍感难过的同时也深有感触。高校参赛者的基础算法能力虽不容极强，但是由于没基础数据，项目建构过程中仍有很多问题。
回应，李杰教授总结道，若要确实构建智能生产，我国仍必须一批工业大数据的年长生力军，下到工厂，让算法的能力补偿有经验的专家，互相融合补足，联合助力工业智造高质量发展。工业智造关键要素abcde传统人工智能概念始自上世纪50年代。半个多世纪以来，人类利用自然语言、神经识别、神经网络或形象识别等方法，让机器学习规律，进而获取普遍维度解决方案。
相比于前者，工业人工智能隶属于横向领域，其属性探讨于工业生产系统，牵涉到汽车、飞机、轮船等移动工具的安全性、节约能源性、耗油性，工业生产机器人的稳定性、精密性、风力发电的效益性、节约能源性等涉及课题。李杰教授在谈及工业人工智能的关键要素时说，工业人工智能可以用“abcde”的特征展开分类，这些关键要素包括分析技术（analyticstechnology），大数据技术（bigdatatechnology），云或网络技术（cloudorcybertechnology），专业领域科学知识（domainknowledge），证据（evidence）。
分析（a）是ai的核心，它只有在其他要素都不存在时才能产生价值。大数据（b）与云（c）是提供数据来源和工业人工智能平台必不可少的两个要素。
然而，专业领域科学知识（d）和证据（e）也是经常被忽视的两个最重要因子。专业领域科学知识（d）是下列事项的关键要素：1、理解问题并专心于利用工业人工智能去解决问题它；2、解读系统以便于搜集准确且高质量的数据；3、理解参数的物理含义以及它们如何与系统或流程的物理特性相关联；4、理解这些参数因机器而异。证据（e）也是检验工业人工智能模型以及它们与积累自学能力结合的最重要要素。
搜集数据形态模式及与它相关联的证据，我们才能改良ai模型使之更为精确全面并且与时俱进。这也是当代人工智能、工业大数据领域从业者必须不具备五个最重要资质。
现如今，人工智能时代已悄悄到来，机遇就在前方，发展就在脚下。但自ai热潮引发以来，业界对于人工智能代替人类工作的辩论就没暂停过。回应，李杰教授回应人工智能并不是代替人，而是在做到人类做到的很差，或者人类想做到的事情。
早于在上个世纪80年代的美国，人工智能就已应用于在一些非常简单的掌控领域，还包括机器人，机器视觉，形象辨识等技术。而机器人智能化并不是要代替人们工作，而是协助人寻找一个更加高效、更加灵活性、更加身体健康的环境。当业务的空间维度低，复杂性低，不确定性低的时候，人工智能就可充分发挥自身优势，帮助人类展开工作。
本文来源：优德88-www.gzmts.com
