将大数据分析转化为可操作的信息

有些人可能认为大数据分析是机器学习(ML)或人工智能(AI)的同义词，但这是不正确的。虽然这些技术的某些方面可能会用于大数据分析应用，但只关注它们肯定会造成混乱和过高的期望。围绕人工智能的炒作表明，当人工智能应用于大数据时，它会自动生成见解。它产生的结果很少或不需要最终用户的努力。然而，数据分析的用户体验却大不相同。

例如，一家供应商分享了一个案例研究，声称他们使用以人工智能为中心的数据分析解决方案来解决生产问题。在演示中，供应商包括了他们用来发现生产过程和产品结果之间相关性的公式。公式是回归，这是一个很好的工具，但声称它等同于人工智能是一种误导。所用的公式甚至不是回归的变体;它是机器学习(ML)算法的最基本形式，也是微软Excel自2007年在数据分析工具包中引入以来的一个功能。

考虑到一个10年前的功能被重新包装，重新标签，并被炒作为人工智能，这表明了认知计算风格之间的混乱。部分原因是缺乏对什么是人工智能、机器学习、深度学习和其他“认知计算”变体的理解，以及关于监督和无监督变体的争论。

这种炒作与痛苦的现实形成鲜明对比，现实表明，大量收集的数据甚至没有得到工程师和分析师的分析或利用，而工程师和分析师可以利用这些数据产生可操作的信息。

为过程工业应用设计数据分析解决方案

虽然包括人工智能在内的许多技术都可以用于数据分析应用程序，但重点不应该放在技术上。相反，重点应该放在用户体验和加速对流程数据的洞察上。

重点必须放在主题专家(sme)——流程工程师、数据分析专家等——以及他们在数据中发现见解的能力上。无论数据分析应用程序中使用的技术是什么，其目标始终是使没有广泛数据科学专业知识的用户也能访问解决方案。

精心设计的数据分析应用程序使中小企业能够产生结果。随着数据分析应用程序开发额外的功能，它们应该在流程专家可以访问的易于使用的特性上下文中实现这些创新。

数据分析应用程序应该使用可用的技术来帮助最终用户取得成功。如果是机器学习或人工智能功能，那很好，但数据分析应用程序不应该仅限于这些功能，或者为了市场炒作而局限于其他功能。许多算法和创新可以帮助需要在数据中找到洞察力的用户。

算法功能可以包括用于数据清理的数字信号处理、过程信号中的形状检测和用于分布式计算的地图简化模型。将算法称为ML、AI或其他方式并不是重点。关键是要帮助最终用户更快地成功。

超越算法

认知计算算法是过程制造和工业物联网(IIoT)解决方案中分析解决方案的重要组成部分，但只是其中的一部分。其他方面包括数据争用，这是准备数据使用所需的数据连接性、清理和上下文化。数据分析应用程序的重点必须包括这些准备步骤，这样才能加速从数据连接到洞察再到分布的结果。

最后，数据分析应用程序应该使用户能够将分析扩展到所需的任何级别。最终用户将继续扩大数据分析应用程序的使用，并需要特定的算法。因此，数据分析应用程序应该通过REST API、OData等特性，以及将算法集成到用户体验中，从而包括对其他算法的可扩展性。

当数据分析应用程序允许用户关注问题而不是技术时，可以快速获得期望的结果，如这些用例示例所示。

大分子药物实验室分析

问题:当从实验转向全尺寸生产时，在实验室中实现的反应器产量无法在放大时复制。使用手工方法和电子表格等现有数据管理工具很难确定原因。

解决方案:数据分析用于汇集来自与实验室和全面生产相关的不同来源的数据。这使公司能够快速比较两个流程并确定关键差异。调整了全尺寸生产参数以提高产量。

电厂污染控制

问题:工厂操作人员无法足够快地从工厂的自动化系统获取信息，以实时控制污染减排设备。这导致缓解化学品经常过量使用，造成费用。

解决方案:数据分析应用程序快速处理信息的能力允许有效控制污染减排系统，就像任何其他过程变量一样容易，优化化学品使用，以最低的缓解化学品成本最大限度地减少氮氧化物(NOx)，硫氧化物(SOx)和汞，同时延长设备寿命。

矿石冶炼作业

问题:严格监管和能源密集型的生产步骤，如冶炼，很难用传统的电子表格来描述。因此，平衡多个因素并在成本、环境因素和能源效率之间做出最佳权衡几乎是不可能的。

解决方案:数据分析用于分析多个变量之间的权衡，这使得在任何给定时间根据最关键的变量来控制过程变得更容易。通过尝试各种各样的假设情景，可以简化调整成本变化或新法规的组合。

炼油厂反应器床

问题:由于各种可能导致问题的条件，炼油厂很难预测反应器保护床的污染。来自各种传感器的数据往往是嘈杂的，这给识别实际趋势和采取纠正措施带来了困难。

解决方案:利用其数据清洗和胶囊技术，数据分析解决方案消除了运行中的噪音，并识别了导致加速结垢的关键操作条件。在稳定状态条件下创建的基准可以很容易地确定问题情况何时形成，并执行预测性维护(PdM)。

纸浆和纸张质量评价

问题:硬纸板厂的制浆过程是根据可用性混合各种木材。由于从制浆到成品的时间很长，很难验证原料的变化不会对最终产品产生负面影响。

解决方案:数据分析应用程序根据历史数据中的纸浆特征来表征最终产品质量。然后，生产商在纸浆到达造纸机之前开始对其进行测试，并利用这些信息准确预测最终产品的关键特性。

有了正确的数据分析应用程序，无论勘探需求如何，都不会有任何上限。目前的炒作和承诺将随着时间的推移而成熟，数据分析将成为工作环境中一个预期的、稳定的组成部分。然而，具有上下文和专业知识的最终用户必须是优先考虑的。结合人工智能、机器学习和其他技术将使数据分析应用程序能够从大数据中更快地产生可操作的见解。

迈克尔Risse是Seeq公司的副总裁，编辑克里斯·瓦夫拉，制片编辑，控制工程， CFE传媒，cvavra@cfemedia.com．

更多的答案

关键词:大数据，数据分析

数据分析应该关注用户体验并加速流程数据洞察。

数据分析应用程序可以使用人工智能(AI)和机器学习(ML)来帮助最终用户取得成功。

数据分析应用程序可以从大数据中更快地产生可操作的见解。

考虑一下这个

还有其他好处吗?大数据分析能为制造商提供什么?

在线额外

作者简介

Michael Risse是Seeq公司的副总裁，该公司为工程师和分析师开发创新的生产力应用程序，加速对工业过程数据的洞察。他曾是大数据平台和应用公司的顾问，在此之前曾在微软工作了20年。Risse毕业于威斯康辛大学麦迪逊分校，现居西雅图。

请参阅下面链接的作者的其他文章。

您是否具有本内容中提到的主题的经验和专业知识?您应该考虑为我们的CFE媒体编辑团队做出贡献，并获得您和您的公司应得的认可。点击在这里开始这个过程。