亚洲精华国产精华精华液网站,你懂的,娇生惯养4ph归寻(矜以),丰年经继拇中文3与其他教材比较

    人們關注工業大數據的終極目標是創造價值，方向是提升智能化，核心問題是知識的獲取和應用。因此，了解戰略和戰術之間的關系是用好大數據的關鍵。本文出自微信公眾號《蟈蟈創新隨筆》，作者通過不同視角，就工業大數據的理論體系作出了闡述。

文/郭朝暉

    有個問題一直困惑著我：“工業大數據”到底該講什么，才不至于以偏概全？或者說，理論體系應該包含哪些內容？下面是我想到的一點原則性的觀點——可以從哪些視角看待它。 

1.工業大數據的意義

    從DIKW體系的角度看，大數據將人類帶入智能社會。大數據夠把人類帶入智能社會的核心優勢在于“知識”的生產和應用。我們把智能理解為“感知、決策和執行”的統一，則大數據能很好地提供“感知”和“決策”所需要的知識。

2.大數據與業務系統的關系

    很多人把數據和大數據的概念混淆起來。一個典型的表現是把業務系統（如MES、ERP）的功能說成大數據的應用，似乎只要數據都是大數據。在我看來，業務系統看數據，側重數據用于完成特定業務的一次利用。數據作為信息的載體，數據的生命周期相對較短。大數據則側重數據的二次利用或重復利用，數據主要作為知識的載體。

3.大數據的特征

    從甲乙方的視角看，甲乙雙方看待大數據的特征是不同的。其中，甲方就是希望通過大數據創造價值、改進業務的業務人員，而乙方是幫助甲方實現目標的IT技術人員。

    大數據的甲方視角有三個特征（樣本=全體、相關非因果、混雜性），都與獲取知識相關。而獲取了知識才能創造價值。大數據的乙方視角即“4V特征”，這四個特征關注的是IT技術人員數據處理的困難。

    顯然，乙方的工作應該服從甲方的業務需求。從這個意義上講，乙方可能遇到4V涉及的困難、也可能遇不到，視甲方的實際情況而定。我講的課主要是甲方視角，而IT專業人士講的課主要是乙方視角。

4.大數據與知識獲取的可行性

    從甲方視角看，大數據的價值在于產生知識。人們經常提到的大數據的幾個特征（樣本=全體、相關非因果、混雜性），都可以歸結為便于獲得知識。

  （1）樣本=全體。人類的一切知識都來源于歷史，如果大數據能夠完整地記錄歷史，就會蘊含知識，這一點強調的是樣本分布的完整性。

  （2）不拘泥于因果。一般說法是“相關關系而非因果關系”，而我將其改為“不拘泥于因果”。人類的知識有很多種，一種是說不出來的“默會知識”，另一種是說得清楚的知識，而說得清楚的知識又包括理論知識和經驗知識。其中，理論知識是講究因果的，如果把知識拘泥于因果則是不完備的。所以，“不拘泥于因果”解決了知識完整性問題。

  （3）混雜性。本質是知識的可獲得、可驗證性，保證知識的質量。獲得知識的一個本質要求是區分偶然聯系和非偶然聯系，雜性可以用于解決這個問題。

    換句話說，這三個特點保證了知識的存在性、完整性和可獲得性，這就是大數據的意義所在。智能制造需要知識才能形成閉環、互聯網可以讓知識的價值放大。所以，在智能制造、工業互聯網的背景下，大數據的價值猛增。

5.知識類型的角度

    我一直認為，大數據的價值在于獲得、存儲和運用知識的能力。而“知識”可以分類可以從多個維度來看。

  （1）默會知識、經驗知識、理論知識。

    默會知識就是說不清楚、難以變成程序代碼的感性知識。感性知識之外的經驗知識，這些知識說得清楚怎么做，不一定需要說明原因。如某種方法較好、哪條路走的快等——實際上好就是好了，不一定需要解釋。理論知識就是說得清楚原因、可以解釋、甚至可計算的知識。

    大數據的優勢在于可以更容易地獲得默會和經驗知識。過去計算機用到的知識，往往需要人們寫成代碼，但這只是人們大腦中的一部分知識。單純依靠理性知識，難以實現智能化。

 （2）正向知識、逆向知識

    從原因到結果的知識，我稱之為“正向知識”。數學建模過程就是建立正向知識。從結果到原因的知識，我稱為“逆向知識”——所謂的根因分析。

 （3）聯系型知識、設計型知識

    因果知識、感性知識等體現的是信息之間的聯系，而設計型知識指的是產品、工藝設計等。設計型知識占用的計算機存儲量很大。在大數據時代，設計型知識容易存儲、處理。

6.大數據獲得知識的途徑

    用大數據獲得知識有兩種方式，一種就是數據本身就承載知識，另一種是數據承載的是信息、需要從數據提煉出知識。

     第一種典型的例子就是產品設計數據、各種標準、成功案例等。快速響應、個性化定制的前提和手段，就是知識的共享。對于這些知識，有時候會面臨的困難之一是如何找到它們，而找到這些知識本身就可能是需要獲得的知識，如谷歌搜索。AI算法對解決這個問題可能是有用的。

     第二種知識是前面說的通過建模或根因分析得到的知識。工業上對知識是有明確需求的、以至于難以達到，但機理卻是相對明確的。我談的很多方法論，其實就是在這兩個方面的。

7.通過大數據獲得價值

    從某種意義上說，大數據創造價值是促進知識創造價值。這些知識要用在提高質量、效率，降低成本等具體問題上，才能創造價值。

    人們遇到的真正困惑是如何找到這些“問題”。這些問題大概可以分成兩類：一類是現有業務的痛點，另一類是轉型升級后面臨新的要求。

     對于業務“痛點”，往往是“該做的都做了，剩下的往往是難以做的。”所以，難以找到合適的問題。對于這類困惑，大數據只是手段之一。往往要綜合運用各種手段，大數據才能給創造價值。

    對于另一類困惑，往往是業務本身或外部變化引發的。例如，采用了新的生產方式或技術手段、用戶對質量要求提高了、數字化水平提高了、企業的業務重心轉移了（創新和服務的比重增大了）等等。這些變化，我統稱為“轉型升級”。對于這類新的問題，大數據方法比較容易發揮作用。

    數據分析曾經被認為是“沒有辦法的辦法”。我把最近突然變熱的原因，歸結到智能制造相關技術引發的企業轉型升級。這時，大數據技術進入了一個藍海，原因不僅是獲得知識更方便等原因，更是知識的放大，把知識變成計算機可執行的代碼、實現人機知識的共享，知識在互聯網上實現共享，都會讓知識的價值倍增。從而讓“知識生產”的經濟性大大提升。

     總體上看，轉型升級是戰略問題，大數據應用是戰術問題。戰略重點的改變，才能給大數據的應用創造條件。否則，再好的技術都可能成為屠龍之技。

8.大數據建模分析的方法論

     談到大數據分析與建模，很多人馬上想到各種算法。在我看來，對數據分析與建模問題來說，算法問題其實是戰術問題——也就是說，還需要有個戰略問題，用來決定分析什么問題、分析問題的次序和路徑等。CRISP_DM就是這個層面上的邏輯。我還想將其邏輯進一步簡化——明確業務需求、數據分析方法、分析問題的具體算法。