什么叫人工智能、大数据?

5G和工业互联网之间的关系,主要集中在接入层。

高连接速率、超低网络延时、海量终端接入、高可靠性,都是5G所具备的优点。这些优点,将非常有利于5G替代现有的厂区物联网通信技术,尤其是Wi-Fi,蓝牙等短距离通信技术。

一些以往受限于网络接入而不能实现的场景,在5G的加持下,都变得可行。

例如,高精度机械臂加工。如果采用5G对机械臂进行远程控制,时延将缩短到1ms,可以很好地满足加工精度的要求。

还有5G的超高带宽,在采集4K/8K设备监控影像的时候,也将发挥不可替代的作用。除了接入层之外,5G的切片、边缘计算,都可以在工业互联网领域找到不错的应用场景。

工业互联网与云计算、大数据、人工智能

云计算和工业互联网之间,有什么关系呢?

当只有1个工厂和很少的设备时,在厂房里摆上几台服务器,建个局域网,找几个工程师,就可以管理和维护这个小型工业网络了。

这个网络太小,只能称为工业局域网,而不是互联网。

但如果是几十个工厂,几百个车间,几万个生产设备呢?显然,这个时候应该采用云计算技术。

只有上云,才有强大的运算能力、存储能力和网络带宽,能够对这么庞大的系统进行管理。

也只有通过云计算,才能让更多的企业员工及管理者接入,去使用工业互联网。也能够让开发者有更大的空间,去设计更好的应用。

云计算还可以为企业与企业之间,工厂与供应链之间,工厂与经销商之间,提供接口,进行指定数据的共享。

甚至还能提供工厂与最终消费者用户之间的接口,方便用户对产品进行个性化定制。

前面我们一直都在说数据,不过数据和大数据是两回事。

关于大数据,可以参考以下文章:

工业大数据:智能制造和工业互联网的核心动力!

大家都知道,消费物联网的大数据很大,例如购物数据,出行数据等。但是,实际上,工业互联网产生的数据量,远远超过消费物联网。

举个例子吧,波音飞机发动机30分钟内产生的数据,就有10TB,我们普通台式机2TB的硬盘,需要5块才能装得下。

数据就是金矿,工业互联网的大数据,就是超级大金矿。

通过大数据技术,可以对生产制造物流等所有流程的数据进行存储和分析,挖掘其中的数据价值。

人工智能又和工业互联网有什么关系呢?

其实,早在十几年前,我们玩红警,选择和电脑对战,不就是在和人工智能对战吗?只不过那个时候的人工智能,还只是很初级很“弱智”的智能,它只是按照游戏开发者设定的固定程序流程,先造什么,再造什么,最后来攻击你。

如今的人工智能,学习速度更快,算法更先进,变成了阿尔法狗,你想打赢它,几乎是不可能了。

我们将人工智能引入工业制造,其实就是让人工智能作为我们的代理人,帮助我们管理工厂,管理整个制造生产流程,甚至包括采购、物流和销售流程。

随着人工智能的不断演进,工业互联网这个系统将会实现工况自感知工艺自学习装备自执行系统自组织

这个,就是智能制造的最高境界。

工业互联网平台是工业互联网的核心。说白了,它也就是工业互联网的“操作系统”。

就像苹果iOS系统和谷歌安卓系统牢牢掌控了消费互联网一样,谁提供的工业互联网“操作系统”最好,用的人最多,谁就掌握了工业互联网发展的主动权。

但是,尽管工业互联网已经发展了这么多年,迄今为止,仍然没有任何一个平台占据了绝对领先的地位,也没有任何一个平台获得了真正的成功。

能够提供这样强大平台的公司,一定只有两种,要么是工业制造能力很强的公司,要么是信息技术能力很强的公司。

例如,美国的通用电气和德国的西门子,就属于前者。世界上第一个工业云平台Predix,就是由美国通用电气公司(GE)在2015年正式发布的。而第二个平台呢,就是德国西门子公司在2016年4月开放的MindSphere。

按理来说,这些公司很牛,做出来的东西当然非常好。但是,工业互联网有一个很大的特点,就是个性化

每个公司生产的东西不一样,流程不一样,工艺不一样,设备不一样,渠道不一样,甚至商业模式和供应链也不一样。

造一个通用的平台,可能吗?

想要成功,必须经过非常深入的分析,然后建模,最后开发。也就是说,高度定制化。

曾经就有业内人士说,传统的消费物联网平台开发,分析需求、建立模型、编写代码这三步的工作比例,是2:3:5。而工业互联网平台恰好相反,是5:3:2。

一个工业互联网平台项目,你需要花大量的时间在场景和需求分析上,搞懂它到底是怎么运作的。

想拿通用平台随便改改就用?扯淡!

目前工业互联网平台处于全面混战的一个状态。大公司做,小公司也做,很多大型制造企业孵化出来独立经营的子公司,反而在所在的专业领域做得风生水起。

也有一些互联网创业企业,凭借专业知识,做出了不错的平台产品。

就在这种混战的状态下,全球工业互联网平台市场在高速增长。

根据研究机构 MarketsandMarkets 的统计数据显示,2017 年,全球工业互联网平台市场规模为 25.7 亿美元,预计 2023 年将增长至 138.2 亿美元。

而美国、欧洲和亚太这三个地区,是当前工业互联网平台发展的焦点区域。

美国的代表,是GE、微软、亚马逊、PTC、罗克韦尔、思科、艾默生、霍尼韦尔等巨头企业。而欧洲的代表,是西门子、ABB、博世、施耐德、SAP 等企业。

中国就更多了,航天云网、海尔、树根互联、宝信、石化盈科、用友、索为、阿里、华为、浪潮、紫光、东方国信、寄云等等,都是起步比较早的平台开发企业。

国内工业互联网产业技术体系——中国信通院

这场混战还将继续下去,究竟谁能脱颖而出,只能让时间告诉我们答案了。

工业互联网的未来是美好的,但是,前进的道路并不通畅。很多的问题和障碍摆在它的面前,例如最关键的数据安全问题

企业对于数据安全的顾虑,严重影响了他们上云的积极性。他们害怕自己的核心数据不能得到很好的保护,一旦泄露,带来的后果是灾难性的。

保护数据的安全,既需要平台拥有可靠的技术,也需要企业本身有很好的软硬件环境和管理水平。

对于我国很多企业来说,基础设施落后,资金和技术有限,想要“速成”工业互联网,确实不太现实。就像邬贺铨院士说的,有些企业内部数据都做不到完全共享,更何况外部。

此外,工业互联网标准的缺失,以及企业ICT人才培养的不足,都是困扰工业互联网向前发展的障碍。

不仅我们国家如此,国外推进也是困难重重。就像前面说的GE通用电气,不久前也是因为旗下GE Digital(GE数字集团,专门捣鼓工业互联网业务,包括世界上第一个工业互联网平台Predix)业绩不佳,所以出售了它的部分股权。

所以说,推动工业互联网发展和普及,是全世界面临的共同难题,任重而道远。

  • · 结构化流更新,删除Rate数据源-文件数据源· 删除企业不常用SparkStreaming

  • 新增Spark教育行业案例,方便学员掌握RDD和DataFrame的使用

  • · 离线业务分析-各科目热点题分析· 离线业务分析-各科目推荐题分析

  • · MySQL的教育案例数仓实战· Pandas基础使用,作为理解Spark数据类型的基础· Pandas的Series数据结构· 增加在线教育案例

  • · Flume采集MoMo数据集场景· 实时和离线方式处理数据场景· Python版本Kafka的调用· NoSQL阶段多场景项目实战

  • · python实现自定义记录日志· python实现读取一行行文本文件工具类· python读取表信息转对象方法·

  • · 字段类型· flink源码前置基础· 源码的编译和部署· flink启动脚本的解读· yarn-per-job模式解析

  • · 概念和通用api介绍· sqlclient工具的使用· catalogs知识点的学习· 流处理中的概念介绍

  • · flink的join操作· Streaming File Sink连接器的小文件操作· 数据类型及序列化的原理和实现案例· 热门销售排行TopN的使用案例· 布隆过滤器结合TTL的使用案例

  • PySpark实现电影评分数据集分析

  • · PySpark新零售分析案例· ETL、ELT区别· Hive CTE表达式、更新union联合查询· 大数据5V特点· 大数据多个应用场景

  • 制定v2.0版本课程大纲

  • · 完善flink的运行架构内容· 完善flink与kafka连接器的操作· 完善flink的window操作的讲义· 完善ODS层,新增和更新抽取方式,画图错误

  • · 优化Hive知识点案例 同步为Hive3版本· 优化Linux基础命令,删除了不常用命令· 优化使用Python实现MR原理机制

  • · 优化OLAP、OLTP区别· 优化Hadoop版本安装及注意事项· 优化Hadoop版本安装及注意事项· 优化Hive版本为最新的3.1.2版本

  • · 优化HIve3.x架构· 优化PySpark执行流程,引入Py4J技术· 优化车联网Web展示部分· 优化车联网离线Hive数仓构建部分

  • · 新增数仓整体设计图· 新增技术选型设计图· 新增项目原始数据库结构图

  • · 新增油站维度· 新增服务属性维度· 新增物流公司维度· 新增故障维度

  • · 新增行程地理区域维度· 新增组织机构维度· 新增服务网点维度· 新增数仓建模方法论· 新增日期维度程序生成

  • · 新增维度模型选型· 新增自动创建hive表· 新增自动创建hive分区· 新增自动关联hdfs数据· 新增自动导入oracle数据

  • · 新增自动创建文件目录· 新增记录自动化过程日志· 新增java和数据结构大数据题目4个· 新增算法题目4个· 新增Hadoop题目6个

  • · 新增hive题目3个· 新增spark题目7个· 新增flink题目4个· 新增其他大数据组件题目4个· 新增美团大数据架构

  • · 新增平安大数据架构解决方案· 新增小米大数据架构解决方案· 新增百度广告业务场景大数据架构解决方案

  • · 新增Flume1.9数据采集方式· 新增Flume采集MoMo数据集场景· 新增实时和离线方式处理数据场景· 新增SparkWebUI功能解释

  • · 新增Spark3.0新特性· 新增Spark性能调优九项原则、N多配置参数、数据倾斜、shuffle优化· 新增IP查询案例

  • · 新增Execl数据分析,整合Execl图标、透视表等使用· 新增Execl分析项目· 数据仪表板展示· 新增Tableau的BI分析工具及项目实战

  • · 新增数据分析的Python语言· 新增Python基础语法与高级特性· 新增Python整合SQL的操作及案例· 新增网络爬虫数据采集基础及案例

  • · 新增Python高阶语法支持· 新增Selenium自动化工具开发· 新增多场景爬虫项目实战· 新增Python的Numpy及Pandas数据分析框架

  • · 新增Pandas数据清洗,数据整理及案例实战· 新增Matplotlib等数据可视化操作及案例实战· 新增Python机器学习原理理解,增加回归、分类及聚类· 算法原理

  • · 新增Python机器学习库Sklearn多任务实战· 新增零售行业数据分析及挖掘项目案例· 新增电商行业数据分析及挖掘项目案例

  • · 腾讯聊天机器人· 腾讯文字识别· python操作mycat· 小程序开发

  • · 推荐算法 · 数据可视化· sql数据查询· H5语法

  • · Django认证 · Django权限控制· 美多商城发送短信· 美多商场QQ登录

  • · 机器学习排序算法 · 购物篮分析· RFM模型· K均值聚类算法

  • · 物品画像 · 用户画像· 召回算法· 漏斗分析

  • · 状态保持 · 权限管理· 页面静态化· xpath工具

  • · ES集群搭建 · IK中文分词· ES聚合查询· ES冻结解冻索引

  • · 登录判断中间件 · cache缓存使用 · 购物车数据存储· git冲突解决

  • · 缓存击穿 · 缓存雪崩 · 雪花算法 

  • · 响应对象的处理 · 细化Cookie及Session的处理 · 链接失效的爬虫案例 · 美后台权限控制

  • · 高性能爬虫 · 多线程爬虫案例 · Flask-Migrate 数据模型设计 · 智慧大屏案例

  • · UnitTest断言: 比较断言,复杂断言 · 路由系统全线升级 · 数据图片化反爬 · redis缓存

  • · Jmter 图形监视器扩展插件 · 警告断言 · 异常断言 · Jmter性能调试

  • · Jmeter实现参数化 · 数据库测试 · 实现跨线程组传值 · lua基础

  • · 自定义读写分离 · 认证体系 · 访问劫持 · 安全策略

  • · 性能测试分类 · 性能监控指标 · 性能测试流程 · celery使用

  • · 定时抓取数据爬虫 · Appium对APP数据的抓取 · 常见性能测试工具优化 · Filebeat详解

  • · 禅道的部署方式 · django框架升级为2.25版本 · 美多详情页静态化 · 商品spu表结构

  • · 等价类划分法演示案例 · 边界值法的演示案例 · 容联云发送短信 · fastDFS图片上传

  • · 测试用例的设计方法 · 获取用户信息模块的单元测试 · 登录注册模块的单元测试 · jenkins使用

  • · 异常案例的讲解 · 代码健壮性提升方式 · 登录状态判断 · 异常处理

  • · 商品模块代码进行了调整 · Redis事务型管道 · 反爬案例 · 搜索方法优化

  • · 黑马头条前端代码 · 分布式事务 · 美多商城前台改为前后端分离模式 · admin后端管理站点讲解

  • · 黑马头条业务逻辑: 用户认证 、修改头像 · 黑马头条业务逻辑: 频道管理 · 黑马头条业务逻辑: 文章列表/详情 · 黑马头条业务逻辑: 关注用户 评论回复

我要回帖

更多关于 人工智能包括大数据吗 的文章

 

随机推荐