许多工业企业拥有大量的超过实际需要数据，但企业在人工智能方面的努力仍然低于预期。为了确保企业输入到工业人工智能系统的数据是经过充分审查的，在此提出控制大数据的建议。

据有关报告称：许多重工业企业花了多年时间构建和存储大数据，但尚未释放出其全部价值。75%的工业企业已经试运行了某种形式的人工智能，但只有不到15%的公司实现了有意义的、可扩展的目标，这是因为没有足够的运营洞察力也没有对人工智能系统进行数据监督。

工业AI成功的关键是可靠的历史数据，这些数据需要调整大数据的形式，通常需要更少的变量使其能够适应人工智能，通过对智能数据进行重新设计，以及引入适当的培训，企业的回报率可以提高5%至15%。

为了确保数据和消费工业人工智能系统之间的匹配，建议采取以下步骤：

定义流程

与专家和企业工程师一起概述工艺步骤，勾勒出物理变化、化学变化，比如研磨、加热氧化、聚合。识别关键传感器和仪器，以及维护日期、限制、测量单位。

丰富数据

原始工艺数据总是包含缺陷。因此，重点应该是创建高质量的数据集，而不是为了争取最大数量的可观察数据不断进行测试。企业应该积极删除非稳态信息，如设备的升降，以及来自不相关的工厂配置或运营制度的数据。

降低维度

人工智能算法通过将输出，也就是可观察数据与一组输入匹配来构建模型，这些输入由原始传感器数据或其派生数据组成。再加上现代工厂中可用的传感器数量之多，这就需要进行大量的观察。相反，企业应该削减特征列表，只保留描述物理过程的输入，然后应用方程来创建智能组合传感器信息的特征，例如结合质量和流量来产生密度。

重点研究ML

确切的说，应该是创建推动工厂改进模型，而不是为了实现预测准确性而不断调整模型。企业应该记住，过程数据自然会表现出高度相关性。在某些情况下，模型性能可能看起来很出色，但分离、因果、成分和可控变量比相关性更重要。”

实现和验证模型

企业应该通过检查重要特征，不断与专家审查模型结果，以确保它们与物理过程相匹配。

建立一个团队

在重工业中部署人工智能需要由操作员、数据科学家、自动化工程师和流程专家组成跨职能团队。我们经常发现，公司在数据科学方面扮演着重要角色，但他们面临着三个主要挑战：整个公司都缺乏流程专业知识、不习惯使用现代数字或分析工具、不知道如何在数字团队中工作。