當今這個信息時代提供了龐大的數據等待企業(yè)去發(fā)掘，基于這些數據，企業(yè)的商業(yè)目標便能得到發(fā)展實現。最近，我們與兩位來自諾基亞的物聯網市場發(fā)展部門主任Marc Jadoul和戰(zhàn)略分析部門負責人Denny Lee兩位權威專家進行了一次交流，對如何將企業(yè)運營數據轉化為企業(yè)發(fā)展的驅動力進行了探討。
問題一：近來，在各大會議中，我們不斷聽到“數據即是新型石油”這個說法。問題是，石油可以做燃料，也可以做潤滑劑。在您二位看來，對客戶端來說，數據即是石油，到底意味著什么?
Marc Jadoul：我是從價值這一方面來看待它的。如果把一桶原油和一桶噴氣燃料的價錢作比較，很明顯二者有巨大差異。數據也是如此，就像石油一樣，它需要一個精制提純的過程，提煉程度越高，提供的價值越高，就能應用在更多更復雜的場合。
另一個類比方式則是金字塔的建造。在塔底，只需要將原始數據收集在傳感器層。往上，就需要開始監(jiān)測數據并發(fā)現其中的隱含信息。在這個過程中，可能會發(fā)現異常情況或者動態(tài)趨勢。經過人工智能分析、提煉出的最關鍵信息，此時就能幫助公司作出更好的決策。這一過程即為數據驅動決策(DDDM)。再往上，經過認知分析階段之后，人們還能實現行為預測。實現行為預測意味著得到了最高提煉程度的數據，設備和軟件的自動化決策由此可以實現。
總的來說，我描述的是一種數據提供見解和知識的價值鏈，它最終能幫助企業(yè)實現生產過程自動化和決策自動化。將其與石油產業(yè)作比，不是說它和潤滑劑的功能相同，而是說它和石油的精煉過程類似。數據的提煉程度越高，就越有用，得到的回報就越多。
Denny Lee:當人們提到“新石油”這個說法的時候，我總會想起上世紀七十年代的那句話：“控制石油，就是控制經濟”?，F在的說法本質上和當時是類似的。數據即是新石油，意思是控制了數據，就是控制了經濟以及個人的行業(yè)地位。
我還想起了“數據即是貨幣”這個說法。人們總是隨意的使用未經處理的原始數據，他們可能會認為數據、見解、知識都是指同一件事。但實際上，這三者有很明顯的不同。我們認為數據是催生智能最基本的原料。關于如何利用知識來實現商業(yè)目標，接下來還會談到。
問題二：當與客戶面對面交談的時候，如何讓他們想象數據即將帶來的產業(yè)結構革新呢?他們首先要知道的，要問的事情是什么呢?
MJ：我認為首先要做的就是理解自身的業(yè)務，確定未來想要解決的困難挑戰(zhàn)是什么，并不是特意尋找問題的解決方案。引用 Simon Sinek的話：做一件事情，應該從“為什么”開始，而不是從“怎么”、“什么”開始。
DL：商業(yè)成果毫無疑問是重要的，但在此之前，必須先與企業(yè)中與你談話的人就這個問題溝通清楚。每個人都處在不同的組織，承擔不同的責任，這些在之后都能引發(fā)一系列不同的問題
然后，我們應該談論跨越企業(yè)結構界限的問題，這是不容忽視的一點。有時候，智慧金磚就是從打破的結構壁壘之間產生的。
問題三：當與那些想要在物聯網行業(yè)實現數據驅動解決方案的人談論時，我發(fā)現行業(yè)領導者通常就是最了解挑戰(zhàn)就在組織內部的人。你可以向我們描述下典型行業(yè)領導者通常是什么樣子以及如何定位他們在企業(yè)中的目標么?
DL：物聯網通常劃分為兩個部分：操作技術(OT)和信息技術(IT)。在操作技術領域，你的解決方案針對的是那些在公司中控制基礎設施的人。接口人不同，需求也就不同。
以預測性維護的客戶為例子。這種情況下，他們只有設備維護的預算，希望使用大數據和設備學習維護，將停機率降至最小。這是特定目標下非常有限的應用。但是如果與他們經理談話，告訴他們問題的范圍和領域要比目前廣大的多，這樣的話，企業(yè)壁壘就有可能實現跨越突破。
MJ：對這個問題我想從不同的角度作補充。除了領導層需要對情況作分析決策以外，目前在很多企業(yè)，數據分析師的重要性正在提升。這些分析師知道如何處理數據，他們知道如何控制數據的精煉過程。這里談論一個傳統(tǒng)IT人員不具備的技能，我的專業(yè)是電腦科學，20年前，這門課主修的是數學運算。5-10年后，主修課程變成了算法和程序設計語言?，F在，我的兒子在讀AI專業(yè)的博士學位，他們學生又重新重視起數學運算和統(tǒng)計學了。而且我們不要忘了，如果數據分析師的工作需要支持企業(yè)決策，他們一定要掌握不錯的行業(yè)知識和具備一定的商業(yè)敏感度。
問題四：所以這是兜了個圈回到原地了嗎?
MJ：最復雜的問題是不能只用原始的計算機數據和數字運算來處理的。你需要用行業(yè)知識來判斷什么是有意義的數據，什么是無意義的。這些是業(yè)內人員正在做的，并且如Denny所說，他們正是實現內部決策的真實支持者。
問題五:基于大量可分析的數據，我們看到了許多的IOT解決方案。這就說到一點，如果客戶有數據知識，那還好;如果沒有，那么這樣泛濫的信息，是否有可能會讓他們感到不知所措?他們真的需要具備數據分析這一技能嗎?
MJ：這取決于想建立的是何種數據解決方案，以及在哪里實現數據過濾和門檻設定。舉個例子，比如在制冷裝置上安裝了溫度傳感器，真正需要掌握的數據信息即是異常情況。如果一切正常，那就沒有必要因為大量的普通數據而不知所措。所以說最重要的就是數據一旦產生，就馬上導出，整個過程實現數據的智能收集、過濾、提前分析以及快速批量處理。
DL：讓我分享下我們的觀點。它對IOT同樣適用。簡單來說，我們提出智能堆疊的概念，把數據智能與人類大腦作類比。在第一層，大腦在一片狹窄的區(qū)域內處理環(huán)境數據，擁有較快的反應速度和自發(fā)性。在下一層，動作可能有個適當的響應時間，是相對自動化的。再往上，就是我們經常說的增強智能(AI)，它是軟件的頂層，服務于人類，長期由人類執(zhí)行政策改變。它幫助人類發(fā)現未知的見解，做出更好的，不同的，長期有效的行為調整。所以同理到物聯網(IOT)，把這三層組合到一起。從工廠水平來說，最底層是機器人，自動作業(yè);往上則更加智能，最高層是受人類控制的軟件，幫助人類提出見解，做出更好的決策。
MJ：有趣的是這些已經影響到了基礎設施層。你可能聽說過邊緣云、多路存取邊緣計算或者說是移動邊緣計算(MEC)，它們都是在數據源頭附近就對其進行部分處理。這樣做有兩個原因，一是可以減少網絡延遲，減少決策轉換時間;二是可以減少擁擠在核心云的大量數據，提高云利用率。這就可以讓用戶和管理者接觸真正有用的數據。不過我現在解釋邊緣計算，其實也就是在描述反向內容分發(fā)網絡(CDN)。
回想下幾年前視頻點播、直播流行的時候，我們突然發(fā)現沒有足夠多的頻帶去服務每一位用戶，讓其擁有單獨的流，以此應對可能的延遲。所以，我們將緩存服務器放在最接近終端用戶的地方，在那里放置最流行的內容，同時進行一些本地內容導航和處理，比如快速轉發(fā)、撤銷以及內容改編。這就是下游存儲和電腦資源優(yōu)化。如今，網絡上有很多不同的播放器，比如Akamai，他們正是通過提供緩存和優(yōu)化服務來賺取利潤的。
再看物聯網，和視頻行業(yè)不同，它的問題不在下游數據端頻帶不足，而在上游數據數量過多。大量物聯網器件產生大批數據，我們要做的就是在上游，數據源頭附近放置一些緩存服務，在此收集數據，做基礎分析，保證只有有用信息到達云端，再開始進行進一步的分析轉化。所以我把邊緣計算當做一種反向內容分發(fā)網絡(CDN)，因為它從反方向，用不同的流程實現了同樣的功能。
問題六：我們知道，不管是投資什么類型的新項目，主要考慮的就是節(jié)約成本或者開發(fā)新的收入源。但是我總是認為，成本的節(jié)約和團隊的高效性是趨使作出最終決定的關鍵因素。您二位能基于此兩點與我們舉例說明嗎?
MJ：以我們目前正在做的視頻分析為例，這是一種使用導入大量舉例信息組成閉環(huán)回路，形成數據流，最終在監(jiān)控攝像方面有所應用的技術。在城市中，我們有無數的視頻監(jiān)控，產生了成千上萬的數據信息。平常，沒有專門的工作人員一直盯著屏幕查看信息，因為這絕對是一項昂貴而低效的的工作方式。諾基亞要做的就是利用技術，幫助分析圖像信息。我們應用很多實例，例如車子方向開反，機場出現混亂，或者一些人或物產生異?；顒拥鹊?，將它們導入到分析鏈條中，通過一系列的算法完成場景識別和異常監(jiān)測。最后增加AI技術之后，系統(tǒng)便能完成自動識別、報警，以及預測異常。利用它，監(jiān)測系統(tǒng)變得實實在在的可實現了，同時，政府和安保公司便能節(jié)省大量成本，只安排少部分人就能達到監(jiān)測目標。
問題七：人工監(jiān)測的能力是有限的。
MJ：對的，人工能力有限，并且99.99%的圖像信息都是不需要注意的。我們必須盡可能的在數據源頭過濾信息，只留有用數據進入下游分析。
DL：我再給你舉幾個例子吧。第一個是加速問題解決，其中就以預測性維護為典型。“確保下一步動作是最好的”是預測性維護的目的，以前，在這種目標之下，人工將設備故障的原因分析告知維護助理，當問題發(fā)生之后，企業(yè)才著手解決。實現自動化和預測性維護之后，機器具備自動預測問題發(fā)生的技能，它能夠提醒使用者及時維護，將維護費用降至最低，由此節(jié)約成本。
另一個例子則是根據顧客群，設計不同的人工智能種類。許多的客戶都對人工智能(AI)感興趣，因為他們發(fā)現，競爭對手竟然也在一刻不停地努力吸引顧客群。在這條路上，誰得到了顧客，誰就獲得勝利。而大數據分析的重要作用便是理解、預測以及回應顧客的需求。以互聯網行業(yè)方案開發(fā)者和解決者來說，提前知道擁堵的發(fā)生，以及作出應對措施將是十分重要的，這也是AI的一項應用。
另一個問題則是實現最優(yōu)化。如果看過很多商業(yè)成果，就能夠把一個問題設置為最優(yōu)化問題。在心中設想：這些是我的沙箱，我要做的就是利用原始數據和KPI，將實現優(yōu)化作為目標。系統(tǒng)可以幫助實現優(yōu)化，關鍵是如何在固定的企業(yè)環(huán)境中，在之前沒有挑戰(zhàn)過的領域，獲得打破壁壘，優(yōu)化問題的機會。當然，這種類型的增強智能通常會更加吸引企業(yè)高層或者相關政策管理者的關注。
微信掃一掃
