工业大数据和互联网大数据

李杰教授认为：在工业4.0时代，工业领域的机会空间可以被分为四个部分。第一个部分是满足用户可见的需求和解决可见的问题，这个空间内依然有中国制造需要补的课，比如质量、污染和浪费等问题，需要的是持续的改善与不断完善的标准化。第二个部分在于避免可见的问题，需要从使用数据中挖掘新的知识为原有生产系统和产品增加价值。第三个部分在于利用创新的方法与技术去解决未知的问题，如具有自省能力的设备，以及利用智能手环管理睡眠质量等例子都是使不可见的问题透明化，进而去加以管理和解决不可见的问题。第四个部分是寻找和满足不可见的价值缺口，避免不可见因素的影响，这部分需

要利用数据分析产生的智能信息去创造新的知识和价值，这也是工业4.0的最终目标。

（以上内容节选自《工业大数据：工业4.0时代的工业转型与价值创造》）

图书：《工业大数据：工业4.0时代的工业转型与价值创造》

作者：（美）李杰（Jay Lee）

工业大数据与互联网大数据

在有关工业4.0的规划中，美国和德国同时强调对于工业大数据进行分析的重要性，实际上，大数据分析技术最早并非兴起于工业领域，而是互联网中产生的社会和媒体大数据，且传统的互联网大数据分析手段主要是按照前文所述的“4V”特性去发展与完善的。

然而，仅仅依靠传统的互联网大数据分析技术，已无法满足工业大数据的分析要求，原因在于工业大数据具有更强的专业性、关联性、流程性、时序性和解析性等特点，而这些特点都是传统的互联网大数据处理手段所无法满足的。

因此，有别于互联网大数据，工业大数据的分析技术核心是要解决重要的“3B”问题：

1. Below Surface——隐匿性，即需要洞悉特征背后的意义。

工业环境中的大数据与互联网大数据相比，最重要的不同在于对数据特征的提取。工业大数据注重特征背后的物理意义以及特征之间关联性的机理逻辑，而互联网大数据则倾向于仅仅依赖统计学工具挖掘属性之间的相关性。

2. Broken——碎片化，即需要避免断续、注重时效性。

相对于互联网大数据的“量”，工业大数据更注重数据的“全”，即面向应用要求具有尽可能全面的使用样本，以覆盖工业过程中的各类变化条件，保证从数据中能够提取出反映对象真实状态的全面性信息。然而，从大数据环境的产生端来看，感知源的多样性与相对异步性或无序性，导致能够获得的工业数据尽管量大，但在分析过程中，针对数据特征或变化要素却仍然呈现出遗漏、分散、断续等特点，这也是为什么大量数据分析师90%以上的工作时间都会被贡献给不良数据的“清洗”。因此，工业大数据一方面需要在后端的分析方法上克服数据碎片化带来的困难，利用特征提取等手段将这些数据转化为有用的信息，另一方面更需要从前端的数据获取上以价值需求为导向制定数据标准，进而在数据与信息流通的平台中构建统一的数据环境。

与此同时，工业大数据的价值又具有很强的实效性，即当前时刻产生的数据如果不迅速转变为可以支持决策的信息，其价值就会随时间流逝而迅速衰退。这也就要求工业大数据的处理手段具有很高的实时性，对数据流需要按照设定好的逻辑进行流水线式的处理。

3. Bad Quality——低质性，即需要提高数据质量、满足低容错性。

数据碎片化缺陷来源的另一方面也显示出对于数据质量的担忧，即数据的“量”并无法保障数据的“质”，这就可能导致数据的低可用率，因为低质量的数据可能直接影响到分析过程而导致结果无法利用。但互联网大数据则不同，其可以只针对数据本身进行挖掘和关联而不考虑数据本身的意义，挖掘到什么结果就是什么结果，最典型的例子就是对超市购物习惯的数据进行挖掘后，啤酒货架就可以摆放在尿不湿货架的对面，而不用考虑它们之间有什么机理性的逻辑关系。

换句话说，相比于互联网大数据通常并不要求有多么精准的结果推送，工业大数据对预测和分析结果的容错率远远比互联网大数据低得多。互联网大数据在进行预测和决策时，考虑的仅仅是两个属性之间的关联是否具有统计显著性，其中的噪声和个体之间的差异在样本量足够大时都可以被忽略，这样给出的预测结果的准确性就会大打折扣。比如，当我觉得有70%的显著性应该给某个用户推荐A类电影，即使该用户并非真正喜欢这类电影也不会造成太严重的后果。但是在工业环境中，如果仅仅通过统计的显著性给出分析结果，哪怕仅仅一次的失误都可能造成严重的后果。

互联网大数据与工业大数据的对比分析

因此，简单地照搬互联网大数据的分析手段，或是仅仅依靠数据工程师，解决的只是算法工具和模型的建立，还无法满足工业大数据的分析要求。工业大数据分析并不仅仅依靠算法工具，而是更加注重逻辑清晰的分析流程和与分析流程相匹配的技术体系。这就好比一个很聪明的年轻人如果没有成体系的思想和逻辑思维方式的培养，很难成功完成一件复杂度很高的工作。然而很多专业领域的技术人员，由于接受了大量与其工作相关的思维流程训练，具备了清晰的条理思考能力及完善的执行流程，往往更能胜任复杂度较高的工作。

延伸阅读

关注微信号即可了解

美国、德国的制造业都在忙什么？

英国、法国的制造业都在忙什么？

印度、日本的制造业都在忙什么？

工业机器人 四大巨头如何PK

如何让机器人真正智能起来？