物聯網 （IoT） 為制造商提供了利用數據為其業務帶來價值的新機會。其中一個機會是通過利用一種稱為機器學習的方法，這是人工智能的一個分支，它使機器（或云中機器的虛擬表示）能夠根據其外部環境、內部健康狀況和不斷變化的輸入來學習新的行為。然而，為了讓機器學習發揮作用，人類必須能夠了解機器數據是如何收集、聚合和使用的上下文。

如果人類不了解機器學習算法的工作方式或他們想要實現的業務成果，那么機器學習算法就什么都不是。例如，樓宇自動化系統可以受益于機器學習算法，使其能夠根據外部天氣條件、入住率和季節性波動了解最佳運行條件，然后使用這些學習來優化 HVAC 系統的運行以減少能源使用和提高居住者的舒適度。這種類型的機器學習需要時間來發展和成熟，也需要聰明的人了解樓宇自動化系統的工作原理、收集數據的性質和頻率，以及哪些類型的洞察力可以讓人們更輕松地完成他們的工作。更有效地工作。

在機器學習中尋找聲音

分析使人類能夠為機器提供聲音——機器能夠根據數據提供或獲得洞察力。以這種方式讓機器更人性化并發出聲音不會在一夜之間發生，但通往那里的道路始于基本的連接和數據收集。一旦收集到數據，就可以實現更高級別的分析成熟度，包括遠程描述問題、診斷問題根本原因以及預測未來可能發生的問題的能力。下圖顯示了制造商在構建機器學習功能以為其設備隊列數據提供語音時所采取的最常見的進展。

【圖1 | 機器學習的聲音］

隨著給定設備群的機器學習成熟度提高，人機交互水平降低，收集數據的成本降低，數據收集速率可以優化，結果值在以下情況下顯著提高階段：

基本數據收集。機器配備傳感器以收集可能感興趣的測量點，并實現資產的遠程配置和控制。

描述性分析。正在收集足夠的數據以支持基本的描述性分析，包括確定機器在負載下的性能，或在故障之前的行為。

診斷分析。如果傳感器的數量和從傳感器收集數據的速度足夠，則可以進行遠程診斷以確定導致故障的原因以及可能的修復方法。在這個階段，可以引入機器學習算法，通過查看同一設備隊列中對等方先前故障的模式，幫助機器更好地診斷自己的問題。

預測分析。由于觀察到的故障數量在統計上顯著，分析模型可以在問題發生之前對其進行預測。在這個階段可以使用機器學習算法來不斷學習如何根據從類似類型的其他機器觀察到的一類行為來更好地預測未來的故障。

規范性分析（合作）。合作規范分析提供推薦的補救措施，以防止未來的機器故障。例如，如果一臺旋轉工業設備的滾珠軸承出現故障并且振動水平很高，則合作規范分析算法可能會建議加快機器維護計劃，以便更換滾珠軸承并避免計劃外停機。通過這種方式，算法是協作的，因為它仍然依賴于人來干預和修復機器。

規范分析（自動）。在某些情況下，自動規范分析可用于使機器不僅可以預測未來故障的可能情況，還可以采取自主主動步驟來自我診斷問題的根本原因并應用補救措施，而無需立即人工干涉。這方面的示例可能包括自校準功能，或者機器進入低效率或低功耗模式以延長故障情況，從而延長應用長期補救措施的時間窗口。

治療與預防措施

在圖 1 中，步驟 1-3 可以啟用我們所謂的治療措施。治療行動是在事件發生后可以做的事情。例如，如果泵發生故障，描述性和診斷分析可以告訴操作員出了什么問題以及如何修復它。此信息使操作員能夠采取補救措施來解決問題并使機器恢復正常運行。

相比之下，步驟 4-6 可以實現我們所謂的預防措施，并且通常是聯網機器分析程序的戰略目標。預防措施是可以采取的措施，以在惡意故障發生之前主動阻止它們。例如，如果泵正在振動、變熱或流速低于應有的水平，預測性或規范性分析可以提前告訴操作員應該采取哪些預防措施來解決非高峰時間的問題。

結論

無論機器學習算法揭示了什么見解，只有人類才能確定基本問題的答案，例如組織必須解決哪些關鍵業務問題。通過這種方式，機器學習的整體性，以及更普遍地連接產品的財務成功，取決于人類理解機器如何工作、必須收集和分析哪些類型的數據以及應該如何解釋算法結果的能力。機器學習的真正贏家既不是單獨的機器，也不是單獨的人，而是兩者協同工作。

審核編輯：郭婷