·聚焦:人工智能、芯片等行业
欢迎各位客官关注、转发
当前，各行各业正处于双轨转型过程（数字化转型和绿色转型）中，产品和流程的碳足迹已成为一种新货币。由于可以访问数据，AI会成为将经验流程知识转化为预测性解决方案的关键使能器。这些解决方案将为客户和相关价值链节省成本。
在钢铁和橡胶等较为传统的行业，为预测性和规范性AI创建模型仍旧任重而道远。随着时间的推移，经验会不断积累。这是因为前端流程中的过程数据仍然缺失，需要传感器集成来生成这些数据，这也是棕地更新的目标。
传统制造业的用例面临更多的挑战和瓶颈，因为它们：
• 通常是客户自建的，无法与其他设施进行比较，即来自类似设施的数据往往是不相关的。
• 是为执行特定任务而设计的，正常运行的结果是已知先验，并遵循工程结构和物理原理：这大多是基于物理模型完成的。因此，与消费者分析不同，工业客户不希望了解平均（正常）运行情况，而是希望找到异常值（意外、故障）。
• 设计工厂或机器时考虑的特定任务会反复执行。收集到的数据只有极小的差异，从而会证实先验知识。有关意外和故障的数据非常罕见，不足以得出统计结论。
• 在工业设施的不同阶段（工程——运行——维护）具有不同的生命周期。所有阶段对于工厂的性能都同等重要。此外，工厂的生命周期比运行工厂所使用的软件的生命周期更长。
• 许多工业流程都很危险。错误可能导致损害和人员伤亡，甚至造成更大规模的环境破坏。试错是不可接受的。
与用于大规模AI解决方案训练的数据集相比，有关工业流程的数据和信息更为稀缺。此外，数据集属于工业企业财产，往往不易获得。
欧洲目前的研发计划（GAIA-X、Catena-X、Manufacturing-X）正致力于通过资助制造业的数字化转型来解决其中的一些问题。欧洲议会于2022年4月6日通过的《数据治理法》旨在促进欧盟境内的数据共享，从而使公司和初创企业能够获得更多数据，用于开发新产品和服务。只有当利益相关方和用户能够访问大数据时，人工智能的潜力才能得到充分发挥。
以下是《GIO白皮书》部分内容：
公众号后台回复《GIO白皮书》，即可获得报告全文。
本公众号所刊发稿件及图片来源于网络，仅用于交流使用，如有侵权请联系回复，我们收到信息后会在24小时内处理。
推荐阅读：
商务合作请加微信勾搭：
18948782064
请务必注明：
「姓名 + 公司 + 合作需求」
