【人工智能】擦掉铁锈，人工智能让这家美国老牌钢铁厂转型重生-白红宇

【人工智能】擦掉铁锈，人工智能让这家美国老牌钢铁厂转型重生

阅读量：3557 次

发布时间：2019-05-20

本文共 5946 字，大约阅读时间需要 19 分钟。

企业利用数据分析的主要方向之一，就是规划业务和优化运营——这一直是“运营研究”分析方法的长期重点。然而这通常在一个相对较小的范围内完成，仅仅使用少数变量的单个模型。现在，认知工具（Cognitive tools）——特别是机器学习——可以让这个用途在广度和深度上更上一层楼。

人工智能在制造和运营方面的作用可能不为人所知，但是我们有机会使用这些工具来显着提高重要行业的效率和有效性。以美国大河特种钢铁厂“Big River Steel”为例，这家大型钢铁制造企业正试图在最具工业特性的行业内进行重大转型。Big River Steel的先例告诉钢铁行业，机器学习同样适用它们。

位于美国阿肯色州的Big River Steel广泛使用传感器、控制系统和基于机器学习的优化。通过与人工智能咨询公司Noodle.ai合作，Big River Steel开发了多种技术来提高炼钢的实践和利润。Big River Steel首席执行官David Stickler经常表示：“我们是一家在生产钢铁的科技公司。”

Big River Steel在以下6个主要方面使用机器学习，尽管每个方面在应用成熟度上有所不同：

· 需求预测：Big River Steel通过明智地使用资金而取得成功，所以它需要准确预测钢铁需求。要做到这一点，就采用具有宏观经济数据、钢铁的历史需求、制造业动态、钢铁大客户的动态（例如住房开工、石油钻台数量）的机器学习模式。

· 资源开发和库存管理：和小型钢铁厂一样，Big River Steel的原材料是废钢，所以需要预测其可用性。Noodle.ai开发了“废钢指数”，并正在与Big River Steel合作，采取对冲方式购买废钢。

· 调度优化：什么时候生产什么，这是任何钢铁厂都要做出的重要决定，特别是当你最重要的投入是电能（用于熔炼废钢的电弧炉）时，就更加关键了。优化模型能使非高峰时间的能源消耗最大化，从而使能源成本最小化。

· 生产优化：所有钢厂都有非计划事件，如漏钢（当铸造时钢水从铸模中脱落）和堆钢事故（当热轧钢从辊子掉到磨机地板上时）。这些事件会使生产停滞，既危险又要付出成本代价。机器学习模型可以预测何时最有可能发生事故，并最大程度减少事故的发生。

· 预测性维护：随着工业机器数量的增加，Big River Steel可以使用机器学习模型来确定维护关键机器和设备的最佳时间。

· 出站运输优化：像亚马逊这样的公司一直在优化他们的出站供应链，但这在钢铁厂很少见。 Big River Steel与客户和托运人合作，将出站运输的成本降到最低，并优化客户交付窗口。

有了这些应用，Big River Steel和其他公司改善的运营能力，但最有价值的好处来自于整合。Big River Steel正在试图为工厂的业绩和盈利能力进行“端到端”优化，已经具有不同模型将业务计划和运营的不同部分进行互连，并且在整个企业中进行优化。

这种规划和优化的综合方法仍处于早期阶段，细化的话还需要更多的数据、算法的调整和大量的计算能力。但是Stickler和Noodle.ai的数据科学家都相信这是可以实现的。

来源：forbes.com 作者：Tom Davenport 编译：科技行者

机器学习模型在工业界真的创造价值了么?

来源专知

【导读】看到标题你可能会有疑惑，因为我们可能经常听到的是“你在实际应用中如何使用机器学习模型的”。本文正是数据科学家Venkat Raman关于“机器学习在工业界应用”中的一些思考，其内容并不是给机器学习和数据科学相关人员泼冷水的，而是提醒我们“机器学习算法真的是解决问题所必须的吗”。诚然，有许多问题需要机器学习来解决，但是如果滥用（在完全没必要的问题中使用）可能会阻碍机器学习和数据科学的落地。本文并不指向技术，但是却带给我们比技术更重要的思考。

So, How Many ML Models You Have NOT Built?

读到这个题目，也许会觉得标题很奇怪，过去几年中，我们经常听到的都是“数据科学家需掌握的十大深度学习算法”、“数据科学家必备的二十个R语言工具包”、“数据科学家必学的三十个Python工具库”等等。这些以“必备”做标题的文章已经多到足以让一个数据科学新手缴械投降的地步。

我想阐述的问题是，现如今，面对过于丰富的信息，一个数据科学家新手很难找到自己的起点。

▌自己动手构建一个深度学习模型

这些“必备”文章为各个公司带来了一个更大的问题，每个公司都想建立自己的数据科学。

许多公司都想做数据科学，但由于之前毫无经验，导致公司招人的时候职位描述与面试过程非常奇怪，他们明显受到了“必备”文章的影响。

面试中，他们提问：“这是我们的问题，哪一种深度学习算法可以被用来解决它”？

之后，这个数据科学家快速的给出2-3个深度学习算法，紧接着公司就宣布他被录取了。入职后，他实现了在课堂中学到的算法，通过不错的性能指标给公司留下了好印象，紧接着，模型就被放到了产品中，但是却并未给公司带来收益，这是为什么呢？

主要原因是：他并没有足够的商业嗅觉，并且他认为自己的目标就是建造一个足够好的机器学习模型而已；而这个公司只有商业嗅觉，但并没有机器学习、统计学的相关知识。想象中的互补融合并未发生。

▌修船匠的故事

这是一个耳熟能详的故事，也许你没听过它，但你肯定听过它的变体。

一个轮船公司招来一个工程师去修理轮船的引擎，他的工具箱里包含着所有的工具，在一些简单的分析之后，他拿出了锤子敲向轮船引擎上的一个组件，紧接着，引擎恢复了工作。第二天，工程师发来了账单，5分钟的工作量标价10000美金。

公司管理者很惊讶，就叫他解释下账单明细，为什么这么贵。工程师发来如下明细：

1、敲击锤子：2美元

2、知道敲击位置：9998美元

现在，你可能认为我把重点放在了领域知识与经验上，是的，你的猜测是正确的。

▌轮船修理工与数据科学家类似

故事中，工程师的箱子里有所有的工具，但他只选择了一个锤子（可能是最简单的工具了），而且，他知道问题的关键所在。类似的，数据科学家在面对问题时，难道应该放弃最基本的分析方法，而去实现一个机器学习算法吗？

最小化损失函数

“所有模型都是错的，但有一些很有用”。

在大多数机器学习算法中，我们尝试去最小化损失函数，但模型是现实世界的抽象，在模型中，现实是抽象的，并不真实。如果你仔细思考下，就会发现，在我们构建机器学习模型的过程中存在着更大的损失函数——模型与现实的差异度。那么，难道我们不应该建立尽可能少的模型去最小化模型与现实间的差异吗？

▌数据科学家，请像CEO一样去思考

我们数据科学家经常会陷入非常局限的技术思维中。我们只关注哪一种机器学习算法可以被应用于x，y，z问题；如何选择特征；如何减少特征数量；如何提高模型准确度等等。而不去想机器学习算法如何为公司带来收益？应用算法后可以为公司节省多少开销？利润率是否会被提升？

最重要的问题是，我们忘记了问自己“机器学习算法真的是解决问题所必须的吗”？

我知道，最后的问题会给我引来批评，就好像在一群鸽子中放了一只猫，你们可能会说，“你想让我们丢掉工作吗”？

回答当然是NO。有许多问题需要机器学习来解决，但并不是所有。大多数商业问题都可以被简单的分析或基础方法解决掉。

导致我们丢掉工作的是机器学习算法的过度应用。我已经看到机器学习方法被应用到完全不必要的问题上，糟糕的是，公司仍然在为这个想法大量投入，这是一个定时炸弹。一旦公司发现利润率正在负增长，他们将阻止数据科学的完全落地，我们都知道在一个持负面态度的用户面前开展工作是多么艰辛，没有数据科学，就没有数据科学家。

▌将要到来的数据科学审查员

对于数据科学的愿景，工业界一直抱着期待与警惕的心理。大多数落地的数据科学解决方案导致的低利润率，使得工业界对数据科学越来越不抱希望。

我可以预测到未来会有一个新的职位产生：“数据科学审查员”，公司将会雇佣那些有经验的数据科学家（统计学家、应用数学家）去审查各个数据科学项目。

在我近期的咨询项目中，我觉得特别像一个审查员。我被要求临时构建出一个数机器学习模型，但是经过分析，发现这个模型不仅是错的，而且这个商业问题根本不需要使用机器学习方法。间接地结果是，这个客户对于数据科学家不再抱有好印象，并且感到在情绪和经济上受到了欺骗。

也许，下次在问到“你构建过多少深度学习算法”这类问题时，会变成“你没有构建过多少深度学习算法”。

参考链接：

https://towardsdatascience.com/so-how-many-ml-models-you-have-not-built-e692f549b163

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？

重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？

重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。

智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。

高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。

不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。

边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；

对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；

人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；

迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；

制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；

重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；

开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。