AI 在工业场景落地的挑战

音频由北京涛思数据创始人陶建辉分享公司在 AI 赋能及工业领域数据处理的经验与见解，介绍了公司在组织架构调整、AI 在工业场景落地面临的问题及解决方案等方面的情况，内容如下：

• AI 赋能与组织架构调整
• 研发团队架构调整
• 架构变革：将研发团队的存储组、查询组等功能组全部打散，让一人负责从连接器到内核到查询的全流程。
• 效率提升：调整后研发效率至少提高了五六倍，代码量较去年同期增加了 5 倍。
• 销售模式调整计划：计划几个月后撤销售前岗位，让销售依靠 AI 承担售前工作，加快销售过程。
• AI 在工业领域落地的挑战
• 数据烟囱：工业企业存在严重的数据烟囱问题，控制系统众多且孤立，导致 AI 难以发挥作用。
• 标准不统一：工业企业中数据命名和计量单位不统一，同物不同名、同名不同物的情况普遍，影响 AI 应用。
• 情景化缺失：工业数据的正确性取决于上下文，缺乏情景化信息，AI 无法解决实际问题。
• 工业数据底座解决方案
• 数据处理流程
• 数据汇聚与转化：将各种数据源进行汇聚，并对计量单位和命名进行转化，以便存入数据库。
• 流计算引擎：由于 AI 无法处理实时数据，需要流计算引擎对连续数据流进行本地计算，将其转化为有意义的业务上下文后再交给 AI 处理。
• AI 模块与数据目录
• AI 模块：公司内部开发的 TDGBD 模块，专门用于时序数据预测和异常检测。
• 数据目录：包括数据标准化、数据情景化和图谱关系构建，为 AI 提供数据地图，帮助其找到资产并理解数据上下文，从而发挥作用。

音频围绕公司在数据分析领域的多项创新成果展开，介绍了无问自推、智能问数、报表 AI 分析、事件根因分析等功能，还提及企业私域知识技能、时序数据基础模型及标准化 SQL 函数等内容，同时分享了售前工作的创新工具，内容如下：

• 无问自推
• 降低行业知识依赖：传统数据分析强依赖行业知识和业务经验，而无问自推通过将数据接入，正确命名数据，让数据主动说话，自动推荐报表和提示问题，适用于电解铝、水泥、咖啡、糖等不同行业。
• 改变数据消费范式：以往数据需查询、拉取，现在无问自推主动推送，此模式在海外反响大，相关博客点赞和转化多。
• 智能问数与报表分析
• 智能问数：用户提出问题，智能问数能给出相应回答。
• 报表 AI 分析
• 功能受欢迎：在报表和列表上有按钮，可让 AI 进行分析，操作简单，受用户欢迎。
• 可个性化定制：分析可转化为 skills，用户能修改、添加自己的 skills，融入行业知识和公司数据分析流程。
• 事件根因分析
• 算法运用：背后使用 Panda、PyTorch 等，结合标准统计方法，由 AI 大模型生成程序。
• 优化策略：为避免浪费 token，要求程序员固化部分算法，封装本地库，让 AI 先调用本地库，不足时再生成。
• 企业私域知识技能
• 用户流程处理：可上传用户首是要处理流程。
• 专家分析技能：可将专家分析技能变成 skills，如根因分析步骤可自行定义流程。
• 时序数据基础模型
• 市场关注度低：在 Hugging Face 上很少有人关注。
• 易获项目：在中国可借此忽悠部分领导获取项目，但实际数据并无特别之处。
• 标准化 SQL 函数
• 传统方式耗时：以往编写 UDF 需用 C 和 Python，编写、编译、部署到数据库耗时久，至少一天。
• AI 带来效益：现在领导只需说计算需求，AI 能生成 C 语言代码，完成测试、验证并上传到平台，几分钟即可完成。
• 售前工作创新：用 AI 做的工具生成客户场景，让售前工作简单，给客户带来震撼效果。