你呢?
数据分析方面需要我们帮助吗?
联系我们获取更多信息需要引用吗
请求引用消费市场全新经济环绕数据驱动建模建设,因此我们期望这些技术在未来几年对产业产生越来越大的影响。
大允诺
数据驱动建模将补充并在某些情况下替换物理模型和工程模型,获取大量数据并加加加处理电量和新建模技术这将使我们能从数据本身模式和信号中获取模型,而不是局限于假设资产在现实世界中如何表现主要结果将是能力实现全过程自动化,早期检测异常,模拟操作假想效果并预测未来状态和事件自然将大大有助于提高产业效率、安全度并减少环境影响
数据驱动建模帮助显著提高效率的成功实例已经出现,但在错误决策后果巨大的应用中,许多工业数据科学或机器学习项目仍然达不到期望值
Jeff Immelt前CEOGE预测2015各行各业性能增长高达20%,从智能维护到数据驱动模型洞察力大工业者、OEMs和创业者为实现这一目标投入了大量资金,但成功故事仍然少之又远
屏障仍然存在
依经验,实现数据驱动应用全部潜力仍存在重大障碍,但如果产业各方包括资产所有者都能够克服这些障碍!OEMs系统利害相关方第三方初创企业成熟咨询学术界也为此出力
典型屏障有:
- 数据往往完全不适合目的数据通常生成为控制系统、监测系统和事务处理的副产品,收集目的不是为了数据驱动洞察力
- 事件太少训练数据驱动模型检测异常并预测未来事件数据驱动模型需要大量事件识别和解释事件前数据信号行业安全幅度大,事件和故障少之又少
- 信任模型和算法输出框架以及管理与使用这些模型和算法相关新风险框架尚未大规模建立举例说,在智能维护方面,错误决定推迟维护可能产生致命后果
- 数据驱动建模,特别表现为机器学习和人工智能人人都想加入它,很容易低估成功开发部署数据驱动解决方案所需的技巧和护理
克服屏障
DNV早期决定与客户接触并学习各种机会和屏障。我们参加了40多个实验项目,在数据管理与数据驱动建模领域处理实工数据难点问题
从这一经验中,我们开发出框架评估和管理组织数据管理成熟度和数据质量,以确保整个数据价值链的问责和控制我们还在建立框架来评估和管理算法和模型及其开发管理过程,我们还在探索为算法和模型工作提供透明性的方法其中一些关键元素必须实现,最终使资产所有者和利益攸关方信任模型和算法结果
关键克服屏障步骤如下:
- 激活全组织 从生成数据到决策理解潜在创造值与建立数据价值链和数据驱动解决方案相关成本之间的平衡
- 学习将数据本身作为资产处理,途径是投资于人、过程和技术以建立和管理正确质量数据
- 投放自动化数据价值链遍历所生成或居住区(控制系统、监控系统、软件应用、事务系统、外部数据源等),同时确保治理、标准化和质量
- 数据科学应用解决硬工业问题目前远非拖放式演练,不管选用何种工具。 注意投入足够时间和正确资源以完成所需工作并使用正确技术实现成本效益高的开发与操作
- 参加数据分享倡议培训数据驱动模型事件少之又远时,跨行业数据分享举措可能有助于建立临界量数据以造福全行业段