【AICon】探索RAG 技术在实际应用中遇到的挑战及应对策略!AICon精华内容已上线73%>>> 了解详情
写点什么

Go 领军人物谢孟军:智能制造渴望银弹,首先要摒弃偏见

  • 2019-02-18
  • 本文字数:6162 字

    阅读完需:约 20 分钟

Go 领军人物谢孟军:智能制造渴望银弹,首先要摒弃偏见

2019 年 1 月 13 日,TGO 鲲鹏会厦门分会正式成立,数百名技术人赶赴现场为庆祝 TGO 鲲鹏会厦门分会的诞生。


本篇文章根据谢孟军在活动现场分享的「基于工业大数据下的工厂系统实践」整理,有部分不改变原意的删减。



谢孟军现场演讲照片


今天,我带来的分享是基于工业大数据下的工厂大脑系统实践。


首先,我给大家介绍一下自己。我叫谢孟军,我之前是技术出身,我曾写了一本书,名叫《GO Web 编程》,我现在是 GO 中国技术的领军人物;还是一名云计算专家,目前是阿里云 MVP、华为云计算技术顾问,也是 TGO 鲲鹏会上海分会会长。TGO 鲲鹏会是目前互联网里最高端的技术领导组织,我们可以通过 TGO 鲲鹏会联系到互联网里的所有人。


在加入 TGO 鲲鹏会后,我有幸认识了王坚博士,和他一起为杭州城市大脑做努力。之前的杭州城市大脑主要是负责交通大脑,我们目前将交通、公安、发改委、旅游等各个系统作为综合型板块,希望能做出一个真正的城市大脑。


现在我主要做的是工业大数据,因此,下面我将从工业制造的现状、困境、大脑架构、大数据应用案例分享等方面给大家做分享。

你了解工业大数据吗?

首先谈到的是工业大数据的现状,当下每个互联网企业都有一个大数据部门,但工业大数据和传统互联网的大数据非常不一样。因为传统意义上的互联网大数据有庞大的样本数,用户在使用产品的过程中产生了非常庞大的数据量,我们在做大数据的过程中就能预测用户的消费行为。工业中只有很多的样本数据,没有实际操作数据,导致出现如果我们要做飞机里弧线的钢铁时,很可能没有一台设备存在需要的数据弧度钢铁,那么我们只能依赖于人工的方式制作。另外,很多制造业虽有大数据,但是仍只是一个空壳,很多制造业企业给了 IT 部门足够的预算,但业务部门觉得你们收集了这么多的数据,却不能给业务部门服务,也不知道该如何治理。


总结以上所述的种种情况都在表明工业大数据出现了以下 3 个行业现状:


1、缺少数据。


2、有大数据,但只是空壳。


3、有数据湖,但缺乏数据治理。


其次和大家谈谈目前行业内对于工业大数据的误区,如下:


第一,渴望银弹。我们在与行业里的人交谈时会发现,大家都十分渴望银弹。实际上制造业是非常复杂的行业,里面会被影响的东西太多了。


第二,缺乏认同。在传统制造业里,他们认为,花了二三十年才累积下来的很多经验,你们现在一帮互联网的人说拿到数据就能帮忙提升,这怎么可能?


第三,注重形式。国家一直在提智能制造,尤其是当马云振臂一呼说新制造业出现时,所有的制造业老板心里都十分恐慌,生怕过个三四年就把自己淘汰了。导致他们纷纷开始建立大数据部门,收集数据,但是却没有数据应用的产品。


以上就是我们目前工业大数据所遇到的问题。

工业大数据困难重重

目前我们所遇到的一些大企业里,他们主要面临的是以下 3 大困境:


第一,信息孤岛。在互联网行业大家都听说过,实际在制造业里信息孤岛的现象会更加严重,因为这是一个企业在发展过程中所遇到的共性问题。


第二,重复建设。所有企业都会经历从小到大的发展过程,随着企业越来越大,部门和部门之间会牵扯到很多重复建设的问题。举个例子,当时我们在做质量大数据分析时,发现某一个设备同时有 3 个部门都在进行管理,因此出现了很多重复性建设的东西。对于 IT 来说,这就造成了他们需要维护很多套系统,但实际上它们的基本功能是相似的。


第三,响应迟钝。当马云提出新制造后,由于制造业响应太迟钝了,导致原来传统的 ERP、MES 可能没办法适应新产品,很多工艺没办法及时进行调整。


因此我们如今急需解决三个问题:


1、如何打通不同系统间实现业务交互带来的协作和集成成本。


2、如何减少重复功能建设和维护带来的成本浪费。


3、如何解决业务得不到沉淀和持续发展的问题,实现快速响应。


我们都知道传统制造业中目前最大的两个企业是德国 SAP 和西门子,目前他们正在做数据化转型平台,那么谁能做出数字化转型平台呢?要做自我革命非常困难,所以给了很多初创公司一个机会去做这样的事情。

积梦基于大数据的工厂大脑结构

原来我在 Apple 工作时,他们内部搭建了一套工业制造数字化平台的雏形,我从中看到了机会,于是我在 2017 年 10 月的时候,辞掉了 Apple 的工作出来自己创业。


那我们的系统设计理念是什么呢?


1、数据中台:建设统一大数据中心,打破信息孤岛


我们在设计时考虑了几个问题,目前很多大企业该上的系统都上了,为什么制造企业还是不能快速响应?还是不能很有效的效率协同,为什么分析问题时都不能快速实现呢?


因为我们缺乏一个数据平台,所以我们刚开始计划要把数据相关的东西汇聚到数据平台,如产品设计数据、产品测量数据、设备信息、供应商数据等。或许要将原来的软件打破重做是很困难的,但只要在发展的过程中将所有数据汇聚到一起,让它们产生新的价值,实现快速响应,那么就能达到目的,成为真正能够服务业务的产品。


2、业务中台:业务沉淀和持续发展,响应快速


西门子去年提出了数字双胞胎,指的是工厂、数字一体化,对于我们来说就是一个业务中台,这有助于将业务快速沉淀下来。


3、微服务:按需开发,快速部署,快速迭代


我们希望将微服务带入工业大数据里,我们都知道 SAP、西门子是套装软件,它的好处是大而全的全家桶,但它很容易严重影响企业快速响应的过程。之前我们接触过一家公司,它的 MES 就引入了第三方。大家都知道工厂只要正常运行起来后,有一些工厂基本是 7 24 小时运作的。如果这时我们想要开发一个新的功能,基于这个模块去开发,都不敢重启升级,因为很可能导致在 1 小时内损失几百万。这不像互联网行业,可以在凌晨 3 点升级,工厂很多都是 7 24 小时工作的,导致了制造业快速响应变得很慢,这也是很多传统制造业出现的问题。因此,我们采用了微服务的方式,按需开发,快速部署,在原来的基础上快速迭代,能够开发很多 APP 的平台。

以平台为大脑的质量大数据智能平台

数据汇聚完之后,主要就是可视化分析,其中稍微有些技术含量的是贝叶斯网络分析。


我们知道制造过程中,不管是多么先进的制造企业都会产生制造问题,生产过程中必然会出现质量问题,那么在产生问题时,我们该如何寻找问题来源呢?寻找问题出现的地方,是我们最重要的事情,而贝叶斯网络分析就是帮助你分析产生问题的来源。


举个例子,车灯安装一般会遇到三个问题,车灯、车身、安装工艺。那么我们可以通过建立贝叶斯网络树,分析它们的历史数据后发现,安装工艺产生的问题占 53.75%,车灯产生的问题是 22.9%,车身产生的问题是 22%。基于概率和最顶上的数据可以建立起这套贝叶斯网络模型,但这个网络模型有什么用呢?


我们可以利用这个网络模型再出现问题时查找原因。当生产线报故障时,我们可以立刻拿到数据,通过分析当时系统中测试的数据值、工装状态等进行划分,在范围内分析出是哪方面造成的原因概率比较大,便可以快速知道究竟是哪里产生了问题。之后,随着数据越来越多,越来越成熟,判断出来的准确率也会越来越高。我们将老师傅的知识数字化,将感觉的东西数字化,最终变成模型化。


其次,我们会将制造业相关性进行分析,这是目前比较重要的部分。比如,大灯安装时可能会影响到雨刮器,如果我们能有数据支撑,我们可以分析出大灯进去后会影响到雨刮器的原因。

积梦智能 DDFactory 以平台为大脑的数字工厂

平时我有很多时间在外面讲课,讲课过程中会碰到很多中小企业的人,在和他们聊天的过程中,我发现中小企业有一个很明显的问题是,信息化没有完成。他们也想和大型企业一样发展,因此先后上了 MES、ERP 等系统,你会发现他们被软件厂商绑架了。


目前,积梦联合阿里云 ET 大脑,做出了积梦数字工厂大脑。为了解决中小企业在生产制造过程中所产生的问题,目前我们已经针对相关问题建立了一套数字工厂模型,所有工厂从接订单到工程设计、库存采购、生产计划、质量控制、盘点出货等流程都做出了相对应的一整套产品。


当前,我们已经与很多浙江的加工厂合作,帮他们解决订单交期、动态生产计划、质量追溯、采购周期、快速响应售后客诉等问题。

摒弃偏见,加强交流

最后,根据我的实战经验给大家总结了 4 点未来大家在做工业大数据时可以借鉴的经验:


第一,大数据需要专门的团队,不能依赖套装软件工厂。


第二,大企业起步虽晚,但可以借鉴互联网企业的经验。目前大数据在互联网企业里,大多数公司都运用得风生水起,做得非常好,但是在制造企业里,我们仍需要怀着一颗敬畏的心去做工业大数据,因为我们有很多东西需要学习。


第三,小企业可以使用大数据云服务。可能很多小企业没有能力去养一个 IT 团队,那么我们可以利用成熟的云服务快速使用起来。


第四,摒弃偏见,加强交流。


今天的分享到这里,谢谢大家!

Q&A

1、虽然我不是制造业出身,但是也从中收获了不少。我想问您,在分享中您提到了三种现状,第一种是没数据,第二有数据但没风格,一种是有数据但无组织,那么它们分别所占的比例是多少呢?


谢孟军:第一种情况的比例占 70-80%,后两种情况大约占 20-30%,真正做得好的基本上没有。


2、在有一定积累后,目前你们做的是各个工厂独立的流程,流程经过了你们的大量调研,那么工厂与工厂之间是否有办法进行比较呢?


谢孟军:用工业话语来说,指的是供应链上下游打通。生产制造过程中主要有三大块,第一块是原材料来源地,第二块是生产过程,第三块是销售过程。假设供应链所生产的产品与销售部分,以及生产制造公司像插座一样连接起来,那么我们就可以更直接的触碰到质量控制的部分。


过去中国制造给人最大的感受是,便宜但是质量不太好。大家可以了解一下历史,德国当年在生产时也有过同样的情况,刚开始时,德国大部分企业也是直接 copy from England。但之后德国发展了质量革命,你可以发现在德国有很多隐性冠军,指的是德国做得特别好的品牌,也是在那个阶段发展起来了 SAP、西门子等品牌,你可以发现它们现在发展都非常好。


那么现在,大家可以持续关注数字化平台的机会。


3、和互联网产业对比,我们做用户端产品的可以做 AB Test,那么你们是不是很依赖它的工具?将来有没有可能通过反应数据直接影响现有订单,并且做出决策,而不是反馈数据给人工,在根据数据进行调整呢?


谢孟军:这个得分行业,制造行业和互联网不一样的地方是,互联网“一招鲜吃遍天”,制造业是不同的东西应对不同的东西。


正如,汽车行业的东西无法复制到手机行业一样,因为它们的生产制造工艺不一样,想要做到反馈直接影响决策很难的。但是大的模型不会变,如底层系统、数据搜集、数据工厂,只上它们上面应用的东西会变。就像贝叶斯模型,不同行业有不同模型塑造形状,但是它们的方法论是不会变的。


4、目前,我看到当下很多人工智能应用都在大数据的基础上做出了很多的成果,我很想了解一下人工智能在工业大数据下,除了一些问题预测,是否还有一些成本优化,或是否能像互联网一样能够提高销量呢?有没有其他的人工智能在大数据上有很多成本优化,以及对业务有直接提升的应用方向呢?


谢孟军:其实人工智能在工业制造还有一个比较成熟的应用叫缺陷检测,通过图像识别的方式进行缺陷检测。很多时候我们都需要人工检测,这个技术让我们能够通过摄像头来做智能检测。另外一种是成本优化,这个应该叫综合数据预测运营应用。在数据汇聚后才能做综合预测,虽然我们现在还有开始做,但前段时间我们与安道拓(汽车座椅制造商)沟通如何利用大数据帮助他们计算成本、搭配零配件、选择供应商等。


5、听完您的分享之后,我产生了三个问题。第一,您认为未来 3-5 年聚焦的行业或客户群是什么?第二,您认为您的竞争对手来自于哪个方向?是存量系统,还是来自于互联网的大咖。第三,希望能听您介绍一下偏现场技术团队的构成应该如何规划和配置呢?因为工业客户很重视人力成本,任何一个客户要建模、单建模就要花费半年的时间,一个客户从需求调研到设计、二次开发、现场实施,周期都要一年以上。


谢孟军:首先是聚焦的行业,我认为在制造业里,品类十分丰富,那么我们只有聚焦于几个行业才能做得更加深入。目前的话,我们主要聚焦于汽车、汽车零配件、电子电器等。近期在与阿里的合作过程中,接触到了纺织服装行业。


其次是竞争对手,你刚才提到的 ABB、西门子都是传统企业,我们与 SAP 有合作关系,也知道他们想努力往这个方向走,但所有企业在发展壮大后,想要转身是非常困难的。现在很多软件仍然卖得非常好,西门子会自我革命吗?其实很难。同时他们也没有这套软件,我们做制造业的都知道,一旦一个软件进去后要再更换一套的可能性很小,我们是创业企业,传统软件是老旧的,至于是否能够革命成功,一切都是未知的。我们拼的就是时间优势和产品优势,我们领先半年的时间就足够了。互联网的人计划做制造业软件,但其实他们很难做起来,因为制造业并没有想象中那么简单。制造业是很复杂的东西,进来之后你会发现,其中的坑很大,某些生产工艺就能让你学个两三年。互联网团队以纯技术的方式进入会吃很大的亏,但是如果有更多的互联网人进来其实是一件好事,能将这个市场教化得更好一些。


最后是关于技术团队的问题,目前我们有一个基础团队负责平台,有几个团队负责落地实施,包括现场实施和远程实施,现场实施可能会有 2-3 个人,一般都会去到现场与他们做沟通,这个部分会花费较多的人力。现在团队里有一个好处,我们有很多制造业出来的人,他们基本上都是去了解业务的,再将业务转化给产品经理,或者直接与大数据负责人沟通,将数据模型制作出来。


6、在云时代,西门子和 SAP 已经过时了,其实他们自己也很焦虑,中国制造业有了弯道超车的机会,通过云直接走捷径。中国有很好且极具潜力的工程师技术人员,给中国提供了便捷。目前市面上有亚马逊云、阿里云、华为云,在制造业里华为云是第一选择,华为具有制造业的基因,不知道您认为我的评判是否正确呢?


谢孟军:你所提到的三个云我都接触过,每个云的战略方向不太一样。


阿里云做工业的方向主要是走淘宝的,我们相当于是卖家,很多制造业企业是买家,他们提供了技术平台,让很多面向中小企业有了非常大的入口,很多销售电商都在里面。


亚马逊云主要是做私有云,公有云市场是有限的。


华为原来地面部队特别强,很多产业园、政府都希望与他们合作,但是华为云的制造到底能否输出给其他人呢?这是一个很大的疑问,华为高端机做得不错,但中低端机也是非常烂的。它的经验能否复制到其他地方呢?我觉得未必。


所谓云计算厂商还是会聚焦于 iaas PaaS 这个部分,如果到 SaaS 这一层,大家都是差不多没有。


7、您好,我之前也是做传统行业的,我感觉您要做的平台是非常大的,想请问一下你们的瓶颈在哪里?


谢孟军:目前最大的瓶颈是产品经理,产品经理既要懂技术又要懂制造,并且还需要了解很多业务的东西。




TGO鲲鹏会,系极客邦科技旗下高端技术人聚集和交流的组织,旨在组建全球最具影响力的科技领导者社交网络,线上线下相结合,为会员提供专享服务。目前,TGO 鲲鹏会已在北京、上海、杭州、广州、深圳、成都、硅谷、台湾、南京、厦门、苏州十一个城市设立分会,武汉分会即将成立。现在全球拥有在册会员 740 余名,60% 为 CTO、技术 VP、技术合伙人。


会员覆盖了 BATJ 等互联网巨头公司技术领导者,同时,阿里巴巴王坚博士、同程艺龙技术委员会主任张海龙、苏宁易购 IT 总部执行副总裁乔新亮已经受邀,成为 TGO 鲲鹏会荣誉导师。


如果你想和这些优秀的科技领导者们一起前行,欢迎点击「报名表单,申请加入」


2019-02-18 11:494072

评论

发布
暂无评论
发现更多内容

瓴羊Quick BI和Tableau哪个更适合复杂表格呢?

夏日星河

2022 IoTDB Summit:用友郭关飞《用友在 Apache IoTDB 应用与生态建设方面的探索与实践》

Apache IoTDB

大数据 开源 时序数据库 IoTDB

TypeScript 与 JavaScript:你应该知道的区别

京东科技开发者

JavaScript typescript 前端 后端 企业号 3 月 PK 榜

中国特供版也残了!AMD 3GHz最强核显梦碎

科技之家

技术沙龙 | 探索软件测试前沿技术及最佳实践,体验ChatGPT在测试领域中的应用

测吧(北京)科技有限公司

测试

NFTScan:怎么使用 NFT API 开发一个 NFT 数据分析平台?

NFT Research

数据分析 API NFT

SSH和VNC的四个区别简单讲解

行云管家

SSH 行云管家

Vineyard 论文被 SIGMOD'2023 接收,助力计算引擎之间高效数据交换

阿里巴巴中间件

阿里云 计算引擎

用户分享 | 达梦第三方客户端DockQuery使用体会

BinTools图尔兹

数据库 用户体验 国产数据库工具

React等前端框架如何与小程序结合

Onegun

前端 前端框架 React Vue 3

2022 IoTDB Summit:东方国信王超《Apache IoTDB 在东方国信的商业化及应用》

Apache IoTDB

大数据 开源 时序数据库 IoTDB

面试官:请说一下如何优化结构体的性能?

王中阳Go

Go golang 高效工作 学习方法 高效学习

动转静两大升级!一键转静成功率领先,重点模型训练提速18%+

飞桨PaddlePaddle

人工智能 百度 飞桨 PaddlePaddle 框架解析

瓴羊Quick BI:“3端4表4擎、3+NPlus”得到众多行业内部人士的认可!

对不起该用户已成仙‖

京东云RASP云原生安全免疫创新实践

京东科技开发者

Web 安全 漏洞 业务安全 企业号 3 月 PK 榜

淘宝 APP 网络架构演进与弱网破障实践

阿里技术

架构 网络

ByteHouse实时导入技术演进

字节跳动数据平台

大数据 数据仓库 Clickhouse 数据仓库服务 企业号 3 月 PK 榜

OceanBase 生态产品:时序数据库CeresDB 正式发布 1.0 版本

OceanBase 数据库

数据库 oceanbase

探索以小程序提升运维效率

Onegun

运维 小程序容器

精选案例 | 博睿数据30w+监测节点护航新华网、人民网两会重保工作

博睿数据

可观测性 智能运维 博睿数据 精选案例 主动式拨测

瓴羊Quick BI和Power BI哪个比较好呢?

巷子

Caffeine高性能本地缓存框架初探

FunTester

性能平台数据提速之路

百度Geek说

大数据 百度 提效 企业号 3 月 PK 榜 性能平台

等保联盟是什么机构?有什么用?

行云管家

等保 等级保护 等保联盟

技术沙龙 | 探索软件测试前沿技术及最佳实践,体验ChatGPT在测试领域中的应用

测试人

软件测试 沙龙 ChatGPT

旺链科技荣获科创中国数字经济技术创新峰会多个奖项

旺链科技

区块链+ 区块链、

DevOps 与平台工程:企业该如何选择?

SEAL安全

DevOps IdP 平台工程 企业号 3 月 PK 榜

秒懂算法 | 搜索基础

TiAmo

DFS BFS 搜索算法

MMMBSC互助基金系统开发智能合约部署

薇電13242772558

智能合约 dapp

数据测试实践:从一个bug开始的大数据引擎兼容性探索

京东科技开发者

大数据 bug修复 引擎 测试数据构造 企业号 3 月 PK 榜

搬得进来,搬得出去!快来过一把数据迁移的“瘾”

OceanBase 数据库

数据库 oceanbase

Go 领军人物谢孟军:智能制造渴望银弹,首先要摒弃偏见_技术管理_谢孟军_InfoQ精选文章