从哪里开始？
Michael Gleaves：将简单且价格合理的传感器安装到机器上是使用机器学习 (ML) 技术的良好开端。一旦您拥有这些数据流，您就可以开始识别模式和趋势并开始优化您的资产使用。最终，采购质量、无偏见的数据是最重要的；否则，您就无法开始考虑如何从这些数据流中提取价值。您需要哪些技能？
Hassan Khalid：技术知识很重要，但不要低估领域知识。在生产线上工作多年的人可能会告诉您很多数据中遗漏的信息。同样，不要低估软件工程。由于软件工程失误，很多事情都出现了不必要的错误。像我这样来自科学背景的人必须接受软件工程技能培训，以确保我们正在实施我们认为正在实施的东西。大多数公司采用“开发、测试、探索”循环，因此在内部安排某人运行该循环很重要。让 AI 和 ML 专家为您的领域专家提供假设，以在良性循环中进行测试同样重要。MG：如果您打算用这些技术破坏您的部分业务，那么您需要拥有一个由专业技能组成的小团队可以调整这些技术并使用它们来推动您的业务向前发展。此外，最好在您的组织内拥有一定程度的内部能力，以便您可以做出明智的采购决策。制造商还应该考虑吸引和再培训物理学家和天文学家使用这些工具。他们哈他们拥有正确的心态，并且他们通常在攻读博士学位时已经编写了代码，因此他们应该能够相对轻松地转换为这些角色。您如何获得高管的支持？
HK：这是通常是最困难的部分。它有助于使您的想法和项目与您组织更广泛的数据或数字战略保持一致。如果某个特定的实验与该策略不一致，那么花太多时间或资源可能不是最好的主意。 MG：我们已经开始将设计思维方法应用于用户需求收集。因此，取出预期的技术或技巧，并特别关注业务问题、用例，并探索之前发生的事情、之后发生的事情以及如何在业务中使用它们。选择好的项目开始真的很关键因为这创造了动力和持续的投资。但在某种程度上，必须有一个信念的飞跃，你您认为某项特定技术具有价值并且愿意对其进行投资。AI 和 ML 如何用于预测性维护问题？
HK：从从业者的角度来看，预测性维护具有挑战性，因为大多数您的数据不包含失败示例的时间。如果没有负面示例，则很难训练您的系统。我们进行了视频和实时图像分析，以及基于噪声的分析，我们正在寻找振动的变化。机会本质上是无穷无尽的，关键问题是数据是否为您提供了失败的真实画面，可以从中吸取教训。MG：技术，例如使用模式识别来识别一段时间内发生的失败类型，然后制定计划例行维护已被大量使用。人们越来越感兴趣的领域是使用 SCADA 系统中的数据处理和日志来识别 pat失败的案例也是如此。这些努力可以通过数字化人类日志和添加自然语言处理来提供额外的上下文来辅助。AI 和 ML 对中小企业来说是现实的命题吗？
HK：这些东西可能会变得昂贵，而且有很多隐藏的尝试，所以期待失败。我认为你可以在预算紧张的情况下实现它，但你必须用时间来弥补。认为你可以用最少的投资花费最少的时间是不现实的。有很多开源技术、代码、出版物和解释可用，这意味着大部分工作已经完成。对于开始这一旅程的组织，他们需要认真思考他们的数据战略。相对而言，向该数据基础添加机器学习策略变得稍微简单一些。对于中小企业来说，最昂贵的东西就是人才本身，而这正是中小企业与大型组织竞争的地方。再一次，给主人船舶和工作的灵活性，中小企业应该没有问题从巨人那里获得顶尖人才。 MG：我们与中小企业做了很多工作，特别是通过 LCR 4.0 计划 (lcr4.uk) 在利物浦城市地区我们已经能够展示从特定设备或业务流程中提取数据然后处理该数据以产生收益的用例。
