zhaiyao

2019年06月25日

对于大数据和人工智能来讲,现在仅仅是萌芽时期,后面还有大量的工作要做,二模型的训练无论是单机还是分布式,都还没有达到真正稳定的生产批量效果,这些挑战,不仅仅来自于技术的实现,同时也来自于业务的配合,如何利用现有的技术能力,将其推广到业务上解决问题,才是重点需要关注的地方。

机理模型不够,大数据模型来凑!——强化学习“代理”即数字孪生激活工业大数据价值构想:

大部分工业生产设备,本质上就是投入生产材料,产出生产结果的数据运算。其中资源使用数量、良品率、生产效率、生产结果,这些最关键节点也都是数据。

机理模型是国内智造最大短板,CAE全军覆没即为最好的验证。如果我们放弃物理特性的数字孪生,而仅仅把数据系统孪生出来,似乎在技术上并不需要面对特别的挑战。

AI的到来国内站在了同一起跑线,正在激活这种简陋版即无机理模型数字孪生的新活力。

在传统意义上,一间工厂里的各种原材料、设备、人员和质量检测,是分别独立的生产系统,相互合作更多凭借工人经验。所谓生产线,往往也是要给上一流程环节保留最大化生产时间,再进入下一流程中。

这就像一个大雾天的路口,因为害怕撞车,所以必须等前一辆车过去很远,后一辆车才敢开过去。极大的生产效率也就在其中被浪费。而假如我们利用强化学习RL技术,利用数字孪生作为强化学习代理,智能体代理在体系中模拟生产环节的连接,也就可以剥开生产环节间的认知迷雾,用上帝视角来指挥车间里的交通。

所以说,强化学习RL带来的想象力,重新激活了数据孪生的企业应用价值。包括3D模拟机器,在很多算法的帮助下,预测受损点和检修时间也在成为可能。

结果这个故事变成了这样:在我们期待的全物理拟态数字孪生依旧遥远的今天,数字孪生却可能基于工业IoT+RL的落地,产生另一重价值。并且这个发展机遇,正在反向影响数字工业里的很多产业关系。

为什么IT行业不能像传统工业一样快速的交付大型完美的项目?

空客A380为例与软件行业比较: Ed Yourdon的《Death March》一书中提出了关于这个问题的一些因素分析:

1.标准化和工作分解结构

2.A380飞机不是空客制造的第一架大飞机,而软件产品之间的差异性较大。

3.飞机制造由大量的设计人员和技术人员从事相同的事情。

4.飞机制造不会重复的制造相同的事情。许多大型的软件商重复制造相同的产品:AIX、Solaris、HP-UX,。。。这些操作系统都可以追溯到AT&T System V。

5.软件工作量估计困难,管理人员很难从事代码方面的事情,难以估计项目的进度。

6.QA/QC在大型项目中没有被足够重视

7.发现一个好的软件工程师师比较困难的

其他参考:
个人免签支付 :

http://jiasale.com  
bufpay  
paysapi  
payjs  

关注公众号获取更多内容

期待您的分享与讨论: