許多工業企業擁有大量的超過實際需要數據，但企業在人工智能方面的努力仍然低于預期。為了確保企業輸入到工業人工智能系統的數據是經過充分審查的，在此提出控制大數據的建議。

據有關報告稱：許多重工業企業花了多年時間構建和存儲大數據，但尚未釋放出其全部價值。75%的工業企業已經試運行了某種形式的人工智能，但只有不到15%的公司實現了有意義的、可擴展的目標，這是因為沒有足夠的運營洞察力也沒有對人工智能系統進行數據監督。

工業AI成功的關鍵是可靠的歷史數據，這些數據需要調整大數據的形式，通常需要更少的變量使其能夠適應人工智能，通過對智能數據進行重新設計，以及引入適當的培訓，企業的回報率可以提高5%至15%。

為了確保數據和消費工業人工智能系統之間的匹配，建議采取以下步驟：

定義流程

與專家和企業工程師一起概述工藝步驟，勾勒出物理變化、化學變化，比如研磨、加熱氧化、聚合。識別關鍵傳感器和儀器，以及維護日期、限制、測量單位。

豐富數據

原始工藝數據總是包含缺陷。因此，重點應該是創建高質量的數據集，而不是為了爭取最大數量的可觀察數據不斷進行測試。企業應該積極刪除非穩態信息，如設備的升降，以及來自不相關的工廠配置或運營制度的數據。

降低維度

人工智能算法通過將輸出，也就是可觀察數據與一組輸入匹配來構建模型，這些輸入由原始傳感器數據或其派生數據組成。再加上現代工廠中可用的傳感器數量之多，這就需要進行大量的觀察。相反，企業應該削減特征列表，只保留描述物理過程的輸入，然后應用方程來創建智能組合傳感器信息的特征，例如結合質量和流量來產生密度。

重點研究ML

確切的說，應該是創建推動工廠改進模型，而不是為了實現預測準確性而不斷調整模型。企業應該記住，過程數據自然會表現出高度相關性。在某些情況下，模型性能可能看起來很出色，但分離、因果、成分和可控變量比相關性更重要。”

實現和驗證模型

企業應該通過檢查重要特征，不斷與專家審查模型結果，以確保它們與物理過程相匹配。

建立一個團隊

在重工業中部署人工智能需要由操作員、數據科學家、自動化工程師和流程專家組成跨職能團隊。我們經常發現，公司在數據科學方面扮演著重要角色，但他們面臨著三個主要挑戰：整個公司都缺乏流程專業知識、不習慣使用現代數字或分析工具、不知道如何在數字團隊中工作。