专家知识沉淀--用数据从定性到定量

另外一个挑战是怎么解决专家知识沉淀难的问题。在工业现场，我们不仅要靠工业理论模型，也要靠现场专家知识。专家知识的沉淀以前传统做法是什么呢？靠访谈，让知识工程师去访谈专家，访谈完之后把他的经验记录下来，形成知识库。最早的知识库以文本的方式描述知识，再往后发展到使用知识图谱，但本质上知识图谱也是一种文本，只是更加结构化的表达，其中还是用关联规则来表达，表达能力相对来说就会比较受限，一些很复杂的知识，没有办法做精确表达。那有什么办法能够比现在知识图谱做得更好一点呢？经过这些年的一些实践，我们发现还是有机会的。

在工业分析，尤其是跟工业的物理系统、生产系统相关的分析领域里面，有非常多的共性场景，这些共性场景在工业现场专家看来，有一些所谓的“套路”。比如说要做故障诊断，就跟人看病相似，比如说要看心脏是否异常，心电图就是原始数据，先看原始数据有没有什么特征，再结合工作生活习惯等等，综合研判是否患病。

做设备故障诊断和人看病过程非常像，只是更复杂。比如风力发电机有500个测点，就类似有500条心电图，要在500个心电图中找关联特征，结合医生的研判规则，最后能出结论。而如何将专家经验、规则和数据深度结合，短时间内在五百个心电图中找出关联关系，并能够判断出这是何种特征，靠人力计算是不现实的，一定是要靠计算机，靠大数据算法来挖掘相关性。通过这样的方式把专家经验变成一个可以用数据精确描述的算法，变成一个软件，到平台上运行。当然工业知识的沉淀有一个逐步完善的过程，我们已经做了一些工作，但还是远远不够，所以我们也提供了一套低代码开发的环境，支持工业现场的工程师可以自主持续地去发现和沉淀更多经验，形成更多行业分析模板，推动生产过程的数智化进程。

过去我们已经把这样一套领域知识驱动工业数智化的方法和产品，应用到了新能源、工程机械、半导体、高端电子制造等不同行业的龙头企业，帮助他们做核心产品和业务的数字化转型，证实是行之有效的，甚至我们能够做到授人以渔，把这样方法教给企业，让企业内部有效自主开发解决自身的问题。由于时间关系，案例不能展开，下次有机会再跟大家分享。

专家简介

陆薇博士，昆仑数据创始人&CEO，北京工业大数据创新中心主任。曾任IBM物联网重大研发专项(Big   Bet)全球技术负责人，兼任清华大学工业大数据中心副主任，《中国制造2025》路线图编写组成员，中关村高聚人才。近年来，推动工业大数据及人工智能技术在中国工业领域的创新与应用，在能源电力、半导体、显示面板、电子制造、工程机械、钢铁冶金等领域有业界领先的探索实践。