工业背景下的数据科学和机器学习

巨大的希望

数据驱动的建模将补充并在某些情况下取代基于物理和工程的模型，通过访问大量数据，结合增强的处理能力和新的建模技术。这将使我们能够从数据本身的模式和信号中获得模型，而不是局限于对资产在现实世界中的表现进行假设。主要成果将是能够自动化一系列流程，在更早的阶段检测异常，模拟操作场景的影响，并预测未来的状态和事件。它肯定会大大有助于提高工业效率，更安全，并减少对环境的影响。

已经出现了数据驱动建模为显著提高效率做出贡献的成功案例，但对于错误决策后果很大的应用程序来说，许多工业数据科学或机器学习(ML)项目仍然达不到预期。

前首席执行官杰夫·伊梅尔特通用电气2015年预测基于数据驱动模型的洞察，通过智能维护，所有行业的性能都提高了20%。LDsports幸运28为了实现这一目标，大型工业参与者、原始设备制造商和初创公司已经进行了大量投资，但成功的故事仍然很少，而且差距很大。

障碍依然存在

根据我们的经验，要实现数据驱动应用的全部潜力仍然存在重大障碍，但如果包括资产所有者在内的行业各方都能克服这些障碍;oem;利益相关者;第三方;创业公司;建立了咨询公司;学术界对此也有贡献。

典型的障碍有:

• 数据往往根本不适合用途。数据通常是作为控制系统、监控系统和事务流程的副产品生成的，收集数据的目的不是实现数据驱动的洞察。LDsports幸运28
• 训练数据驱动的模型来检测异常并预测未来事件的事件太少了。数据驱动的模型需要大量的事件来识别和解释导致事件的数据中的信号。在工业中，通常有很大的安全裕度，事故和故障相对较少。
• 信任模型和算法输出的框架，以及管理与使用模型和算法相关的新风险的框架，还没有大规模到位。例如，在智能维护的情况下，推迟维护的错误决定可能会导致致命的后果。
• 以机器学习(ML)和人工智能(AI)为代表的数据驱动建模处于Gartner炒作周期的顶端。每个人都想成为其中的一员，而且很容易低估成功开发和部署数据驱动解决方案所需的技能和细心。

克服障碍

DNV很早就决定与客户合作，了解机会和障碍。我们已经参与了40多个试点和项目，致力于解决数据管理和数据驱动建模领域的真实工业数据的难题。

根据这些经验，我们开发了一个评估和管理组织数据管理成熟度和数据质量的框架，以确保整个数据价值链的问责制和控制。我们还在建立一个评估和管理算法和模型的框架，以及开发和管理算法和模型的过程。我们也在探索为算法和模型的工作方式提供透明度的方法。这些都是必须实现的一些关键要素，最终使资产所有者和利益相关者能够信任模型和算法的结果。

克服这些障碍的关键步骤是:

• 让整个组织参与进来，从产生数据的地方到做出决策的地方。了解潜在价值创造与建立数据价值链和数据驱动解决方案相关的成本之间的平衡
• 学会将数据本身视为一种资产，通过投资于人员、流程和技术来建立和管理正确的数据，以达到正确的质量
• 在确保治理、标准化和质量的同时，投资于跨越数据产生或驻留的筒仓(控制系统、监控系统、软件应用程序、事务系统、外部数据源等)的自动化数据价值链
• 目前，应用数据科学来解决棘手的行业问题远不是拖放操作，无论人们选择了无数工具中的哪一种。要注意投入足够的时间和正确的资源来进行所需的工作，并投入正确的技术来实现具有成本效益的开发和操作
• 参与数据共享活动。在训练数据驱动模型的活动很少的情况下，跨行业的数据共享计划可能有助于为整个行业部门的利益建立临界质量的数据。