从数字化经济到行业智能,一文读尽

2021-04-22 09:04:42 dms@root 29

数字经济概况

最近十四五规划突然之间被刷屏,其中数字经济被频繁提起,那么数字经济究竟是何方神圣?数字经济(Digital Economy)是继农业经济、工业经济之后的一种新的经济社会发展形态。该经济形式也是一个信息和商务活动都数字化的全新社会政治和经济系统,其本身的商业模式与现有传统经济完全不同,是一种达成了双赢的全新经济模式。 

1.jpg

虽然数字经济的概念还尚未普及到每个人,但是其影响的人却已何止千千万万,通过下图我们可以看出2019年全球数字经济规模占GDP的比重已经举足轻重,中国数字经济占比GDP的比例增速达到了21%左右,数字经济浪潮正成为引领新常态、壮大新经济、打造新动能的主要“引擎”,而且伴随着数字经济的创新模式也成为各国产业发展的优先选择。

2.jpg

甚至有研究表明数字化程度每增加10%,人均GDP将增加0.5-0.62%,而数字经济的主要特征可以概括为:

1)要素:数字成为新的生产要素;

2)部分:数字经济构成包含数字产业化和产业数字化两个部分;

3)基础:数字经济的基础设施为“云-网-端”三位一体;

4)形态:经济组织形态呈现平台化、共享化、多元化和微型化。

我们可以看到数字经济是以信息通讯技术为牵引,达到数字化的知识与信息,最终实现降低成本、提升质量等目的。

3.jpg

数字经济重点产业场景

通过如上分析,我们发现数字经济是一门融合科技技术领域和经济学领域的学科,概念相对宏观,有了初步的理解后,就可以进一步的对应到具体的场景进行微观的实践应用!通过数字经济推动数字赋能重点产业,深化研发设计、生产制造、经营管理、市场服务等环节的数字化应用,培育发展个性定制、柔性制造等新模式,加快产业园区数字化改造。

4.jpg

通过上图我们可以看到:数字经济重点产业包含云计算、大数据、物联网、工业互联网、区块链、人工智能、虚拟现实与增强现实,而这些重点产业会端到端的“飞入寻常百姓家”,每一个数字经济的重点都会浸入式的分散到业务端,比如区块链在外协单位与主机厂之间的信用背书上发挥作用,虚拟现实在总装阶段、设备运维阶段提供应用场景,工业互联网可以构建产业级的平台,产业上下游企业在产品级工业互联网平台之上完成厂所协同、厂厂协同等,大数据则可以在辅助决策端提供帮助,云计算可以提供一切数字化的基础网络、计算能力。

5.jpg

行业智能拆析

云计算、大数据、物联网、工业互联网、区块链、人工智能、虚拟现实与增强现实等是数字经济重点产业,同时也是我们今天主题“行业智能”的技术基础,那么在发展维度上智能之前同样需要有数据、信息、知识,最终的结果是“智能应用场景”,也就是我们目前所谓的行业智能。

数据:是使用约定俗成的关键字,对客观事物的数量、属性、位置及其相互关系进行抽象表示,以适合在这个领域中用人工或自然的方式进行保存、传递和处理;比如1.85米;

信息:是具有时效性的、有一定含义的、有逻辑的、经过加工处理的、对决策有价值的数据流;比如奥巴马1.85米,显然可以获取相应信息;

知识:通过人们的参与对信息进行归纳、演绎、比较等手段进行挖掘,使其有价值的部分沉淀下来,并与已存在的人类知识体系相结合,这部分有价值的信息就转变成知识;比如大部分成年黑人身高超高1.85米,具备一定的知识判断;

智能:是人类基于已有的知识,针对物质世界运动过程中产生的问题根据获得的信息进行分析、对比、演绎找出解决方案的能力。这种能力运用的结果是将信息的有价值部分挖掘出来并使之成为知识架构的一部分。根据已有的内容作出相应的提前预判。

所以行业智能的实现并不是一蹴而就,恰好行业智能是包含关系,也就是说到了行业智能的阶段,是需要达到数据可视、信息贯通、知识自动推送与部分场景的自动判断。

任何一项业务场景的提出或者实现,都需要技术支撑,比如1000年前日行千里靠赤兔马,而如今靠高铁或者飞机,这是因为技术限制了当时的应用场景,所以技术成熟是将业务场景化的前提。同时经济的推动是因为TO C端眼看着红利已尽,吃喝玩乐都可以线上完成,但是企业管理与业务操作仍然保持着传统且陈旧的方式,所以市场上会有大量资本涌入到企业数字化、产业数字化当中,当然涌入的企业也是经过市场筛选的,因为凡是有数字化需求的企业往往是效益都相对还不错的。个人曾经去过一个黄骅市修货车的国企,调研了很长时间发现该企业上到决策层下到管理层、执行层都没有数字化的需求,因为他们的订单是固定的,而且周期并不太长,对维修周期也并没有急切的需求,所以综合调研之后用车间主任那句话就是:我们目前最大的需求是车间装个空调。

所以除了技术5G、人工智能技术逐渐成熟,国家良好政策稳步推进,同时也需要衡量企业内部的状况,因为企业渴望改变的核心诉求是他们有痛点,要么生产周期非常短难以交付、要么上游质量要求高质量检测报告让人崩溃或者就是某一项劳动不符合人机工程(强度大、但是重复操作居多)。所以虽然乙方为了达到项目目的,会在企业刚需的痛点之上做一部分包装,这种情况无可厚非,但是必须将企业的核心痛点发掘出来并解决,否则即使企业买单但是对于项目成果并不认可,乙方也是丢了西瓜捡了芝麻。

6.jpg

有了技术支持,国家政策倾向性很强,同时企业内部需求也相对强烈,但是行业智能的发展途径是不会变化的,从数字化、信息化、知识化最终到智能化,也就是说行业智能并不是某一个阶段的结果,而是前边所有结果的展示,这个阶段所能达到的所有内容的综合结果重现。正如周星驰在《武状元苏乞儿》电影中的旁白:原来降龙十八掌是将头十七掌融合在一起,诸如武林高手一样,他的境界是之前所有的苦练、际遇与功力的综合,而不是某一个功夫。 

行业智能的单点应用则是人工智能,理解行业智能首先需要了解人工智能的内涵,在《人工智能,一种现代的方法》书中指出人工智能的定义:人工智能是类人行为,类人思考,理性的思考,理性的行动。人工智能的基础是哲学、数学、经济学、神经科学、心理学、计算机工程、控制论、语言学。人工智能是研究、开发用于模拟、延伸和扩展人的智能理论、方法、技术及应用信息图的一门新的技术科学。

行业智能在企业当中的体现

通过上述的概念可以获知行业智能的基础是以模仿人的行为为核心,但是一个企业的组织架构千变万化,但是逃不出决策层、管理层与执行层的职位定义,而每一个层关注的内容是不尽相同的,所谓屁股决定脑袋,他们提出的核心诉求也同样千差万别,所以用人工智能去概况整个企业的应用本身是有问题的,因为管理层需要的人工智能帮助他们的业务场景与执行层肯定不一样。所以不管是行业智能,抑或是人工智能并不是一个业务场景可以概括的。

7.jpg

我们再次站到企业人员诉求上去分析个人需求,车间执行层人员迫切的需要通过自动化的方式去替代他完成一部分重复性的且符合一定逻辑规则的工作,比如芯片检测,比如如果生产5亿芯片,由于会出现很多质量问题,如果人工检测的话每年大约需要1亿美金,每个芯片的成本也会增加。但是如果利用视觉+机器学习,人工参与度将大大降低。比如生产计划下达需要考虑交付周期、在制品库存、生产能力、生产日历、优先级、能耗等,如果一个订单考虑5种约束数据,那么五个订单的排序可能性已经达到了120种可能,如果两条产线的话这个数字将达到14400种可能,人工计算几乎已经无法实现,而多维度数据计算则是计算机的强项。比如装配工人将产品组装完成之后,需要通过目视的方式去验证工艺要求与装配完成的内容是否匹配,这需要一个个去看,如果类似于航空发动机整机有成千上万的零部件一个个去检查,这不仅仅浪费时间,而且废人。类似于这种场景非常多,除了重复性强有规则可寻的业务场景之外,还有部分高温、高压或者危险的不适合人类生存的地方,对于智能代替人工的诉求也非常强烈。

8.jpg

如果说行业智能对于执行层是代替可重复性劳动的话,那么对于管理层的用处则在于逻辑判断,因为管理层往往并不太关注单点的操作,但是订单的实时状态、质量状态是需要他们重点关注的,他们的职责就是实时观察生产进度如何、生产状态如何、现场是否有异常,通过他们的关注点我们可以看到管理层其实已经用到了一部分“工作经验”,如果用计算机的语言来描述的话用到的是“算法”。比如生产订单的交付周期是3天,但是两天半之前订单才到第五个工序,其实已经没办法按时交付了,这个时候就需要中层管理去安排加班或者协调客户的交付时间,从而提前介入,但是因为一个车间的生产订单有几百个,由于该订单还没有到最后工序也就是可能还没有入进入重点关注的行列,从而错失了最佳处理时机。

这样的业务几乎每天都会发生,比如设备已经通过种种迹象表明即将发生故障,但是漏油现象、耗能增加、加工公差变大的细微数据浮动没办法及时传递给设备管理层故障、即将故障的预测性内容,从而在设备已经发生故障之后才采取措施,错过最佳处理阶段的同时因为设备故障从而影响了生产。

除了管理层需要通过将经验逻辑化辅助业务判断,白领阶层也需渴望获取手头处理业务的历史经验数据用于参考,所以通过目前操作的特点、订单的特点与各个数据的综合个性化推荐经验、知识也是应用的场景之一。

9.jpg

如果说管理层是将逻辑判断算法化的话,那么决策层则是需要更大范围的数据来支撑,因为生产调度可能重点关注的是生产进度、生产异常与质量,但是作为一个决策层需要非常庞大的数据,所以决策层首先需要的则是数据处理、计算能力,将大量数据通过逻辑算法抽象化,形成一个综合的画像推送给决策层,比如生产进度、生产异常、生产质量等内容综合之后给出生产画像,财务数据综合之后给出财务画像,除了内部的数据支撑之外,大量的竞品数据、舆论数据等也需要大量爬取、处理、计算,最终给出画像数据,也就是将大量数据在管理思维算法的拆拨之下,以不失真的画像推送给领导,用于领导决策。

如果到了决策层的智能阶段,则更多的是给决策层提供少量但是不失真的核心数据,而不是让决策层去在海量数据当中去寻找。

10.jpg

行业智能的技术支撑

综合决策层、管理层与执行层业务对于行业智能应用场景的分析,智能领域大概需要四方面技术内容:

模式识别:对表征事务或者现象的各种形式(数值的文字逻辑关系等)信息进行处理分析,以及对事物或者现象进行描述分析分类解释的过程,如质量检验当中的视觉分析之后对质量数据进行判断;

机器学习:研究计算机怎样模拟或者实现人类的学习行为,以获取新的知识或者技能,重新组织已有的知识结构不断完善自身的性能,如设计人员的个性化知识推荐;

数据挖掘:知识库的知识发现,通过算法搜索挖掘出有用的信息,应用于订单超时分析、设备预测性维修等;

智能算法:解决某类问题的一些特定模式算法,例如生产当中最低库存排产、最短时间交付、最低能耗等各类约束条件限制进行排产。

所以综合来讲,行业智能是其终极目标,但是诸如数字化、信息化、知识化等也是其阶段之一,行业智能只是数字化、信息化与知识化的综合体现,而并不是到最后一个阶段才突然实现的某一个节点。行业智能的实现过程像极了我们爬山,虽然“会当凌绝顶、一览众山小”是一瞬间的事情,但是整个爬山的过程才称得上是爬山。放在企业上也一样,行业智能的体现也是由单点向综合转变的缓慢过程,如果用《武状元苏乞儿》周星驰那句话就是:原来降龙十八掌是将前十七掌融合在一起。

关于达美盛:

北京达美盛软件股份有限公司(以下简称“达美盛”,股票代码:430311)是一家跨平台资产全寿期数据管理(ALIM)平台提供商,致力于通过自主可视化、轻量化核心技术,基于工程和运维一体化数据,为客户构建“数字孪生(Digital Twin)”,打造全寿期资产管理与价值提升解决方案。

达美盛通过十多年技术打磨和经验累积,创立“三位一体”产品和服务:

“1”个引擎:跨平台可视化引擎eZWalker;

“2”个平台:工厂可视化大数据管理平台PIMCenter/eZWalker Tesla可视化开发平台;

“3”个应用:工程项目管理系统 PIMCenter PPM/云协同及移交系统 PIMCenter HO /资产管理系统 PIMCenter APM。

达美盛为国家高新技术企业、中关村高新技术企业、《工程建设标准化》理事会理事单位, ISO15926国内首家发起成员,CFIHOS组织成员单位,并通过了ISO9001、ISO14001、OHSAS18001等质量体系认证;荣获2016年度最佳数字化工厂服务商、2016年度“基础设施可视化资产管理最佳应用奖”;其全资子公司四川达美盛工程设计有限公司具备石油天然气设计资质。



标签:   数字经济 数字化 行业智能 数据可视