與數(shù)據(jù)分析相關(guān)的兩種最為常見的技術(shù)是人工智能與機器學習。然而，盡管兩者都有助于過程應(yīng)用中的數(shù)據(jù)分析，但到目前為止，依然不確定人工智能與機器學習實際上可以發(fā)揮多大的作用。
我們聽到了很多關(guān)于人工智能與機器學習的最新應(yīng)用，以至于只要涉及到部署數(shù)據(jù)分析的情形，很多廠商都稱他們的產(chǎn)品擁有“機器學習”，因為看上去所有人似乎都對此類應(yīng)用感興趣。然而，實際上這些所謂“創(chuàng)新”的應(yīng)用可能都是一些大同小異的事情。其原因在于，他們只不過是將先進的算法應(yīng)用于數(shù)據(jù)集，而且很多人單純地創(chuàng)建顯示數(shù)據(jù)儀表板的代碼，并將其稱為人工智能或機器視覺。
目前的問題在于，雖然很多用戶購買了機器學習解決方案，但他們并不能很容易地找出實際需要的東西，因為需要進一步讓數(shù)據(jù)更加清潔，并且更好地匯總。
為了避免形式主義，并實現(xiàn)實用的解決方案，良好的數(shù)據(jù)分析策略需要建立在更充分的準備基礎(chǔ)上。例如，假設(shè)您的工廠有1000臺可以提供數(shù)據(jù)的設(shè)備，那么您需要從一個良好的模型和一個中央數(shù)據(jù)存儲區(qū)入手。但是僅將數(shù)據(jù)分析系統(tǒng)放在首位是不夠的。如果您希望從兩個混合罐進行溫度測量，但它們采用不同的報告方式，那么您就需要一種統(tǒng)一的方式采集數(shù)據(jù)，從其歷史記錄中獲取數(shù)據(jù)進行分析，整合外部數(shù)據(jù)源，并制定出需要更少人為干預(yù)和更高效率的決策。
為了獲得更有效的數(shù)據(jù)采集和分析，用戶不僅需要決定收集哪些數(shù)據(jù)，而且還需要確定數(shù)據(jù)的表現(xiàn)形式，所使用的標記結(jié)構(gòu)和流程，目標使用者以及需生成哪些報告。如果不進行計劃就開始收集所有的數(shù)據(jù)，那么數(shù)據(jù)最終可能會成為“噪音”。
例如，每秒鐘收集沒有變化的溫度數(shù)據(jù)，但不給出為什么或如何使用這些數(shù)據(jù)的理論依據(jù)，可能會帶來大量的干擾信息。如果用戶有現(xiàn)成的應(yīng)用基礎(chǔ)架構(gòu)，那么啟動數(shù)據(jù)分析計劃為時不晚。然而，由于全廠或全局的分析計劃有時是相當困難的，可以通過可行性研究來確定已有的數(shù)據(jù)，和需要的其他數(shù)據(jù)，以及如何調(diào)整基礎(chǔ)設(shè)施以獲得其最終想要呈現(xiàn)的數(shù)據(jù)。
一些專家建議可以在企業(yè)的小型運營區(qū)域執(zhí)行試點分析計劃，并對應(yīng)用程序進行為期4到6周的調(diào)研。通過評估現(xiàn)有操作、網(wǎng)絡(luò)架構(gòu)、所需數(shù)據(jù)以及如何收集數(shù)據(jù)和可能識別的其他要求，有助于進一步完善和優(yōu)化實施效果。重要的是，要與人們討論他們想要的數(shù)據(jù)分析，需要什么樣的報告，希望實現(xiàn)什么樣的效果。
如果他們的工廠是新建的，那么他們會有什么可用的資源。如果他們能夠確定當前和期望的狀態(tài)，以及如何實現(xiàn)這一目標，這將有助于確定試點研究應(yīng)該包括哪些內(nèi)容。此外，一些基于云的服務(wù)更容易構(gòu)建和維護，因此可以更輕松地獲得數(shù)據(jù)分析和優(yōu)化項目所需的處理能力。未來，如果數(shù)據(jù)分析可以完全循環(huán)，用戶便可以從情境化的信息中受益，并且當其系統(tǒng)可以開始自行更改時，就會產(chǎn)生巨大的關(guān)聯(lián)和收益。
在制造業(yè)中，許多數(shù)據(jù)分析方法和工具都是為了解決各種問題而開發(fā)的。由于機器學習和人工智能技術(shù)是在IT行業(yè)中先開發(fā)的，因此并不能簡單地將其應(yīng)用于工業(yè)和過程應(yīng)用程序。不過，人工智能技術(shù)與工業(yè)應(yīng)用領(lǐng)域的融合正在不斷加速，尤其是在資產(chǎn)系統(tǒng)中的異常檢測、工廠流程優(yōu)化和過往故障根源分析等方面，都帶來了很多具有可操作性的解決方案。
