書名: 工業大數據工程:系統、方法與實踐作者名: 田春華 張碩等本章字數: 1130字更新時間: 2024-02-01 14:56:09
1.3.6 OT、DT、IT的融合與分工
在1.3.3節我們已經討論了OT、DT、IT思維模式上的差別與互補關系。一個常見的討論是工業大數據到底應該以哪類人為主。這個問題其實沒有簡單的答案,原因在于① 不同的待解決問題需要的核心技能不同;② 工業企業人的角色并沒有嚴格區分,很多領域專家除OT角色外,還可能有一定的DT技能。因此,這里討論三者協作效率的決定因素和手段。
首先,在工程化思路方面,OT、DT、IT人是類似的,他們的差異更多體現在技能和信息稟賦方面。在行業數據分析中,DT人通常也會嘗試機理推演的路線,通過訪談或先驗知識形成一些探索的假想,通過數據探索,獲得更深層次的理解,以便與OT人高效溝通協同。
OT、DT、IT人不同的技能層次如圖1-8所示,從下到上,分別給出OT、DT、IT的基礎能力和深層次的能力。基礎技能的跨領域學習或轉移成本較小,而深層次技能的轉移成本很高。因此,在工業大數據實施中,一方面需要建立共性的基礎能力,避免過度分工帶來不必要的溝通成本;另外,要通過技術手段或機制,在保持專業化分工的同時,以形式化或半形式化模式提高跨領域的溝通效率。

圖1-8 OT、DT、IT人不同的技能層次
OT人有相對系統的領域認知體系,有良好的解讀能力,有一定的研判經驗。主要包括:① 控制策略、量測方法與數據解析方法、工況等現場實際信息的掌握,這些基礎信息比基礎原理具象,通常沒有明確的數據記錄提高分析的系統性和科學性;② 對數據異常和結果的業務研判力,以避免對大數據量的強依賴;③ 對實際案例的解讀能力,相對于機器學習更簡潔與體系化;④ 有探索方向,不完全依賴于數據,降低搜索空間,快速定位。很多OT也有一定的數據分析能力,因此,對一些算法技能要求不高的分析課題,OT人做更有效率,但也存在很多潛在提升點,OT人的數據分析手段與潛在提升點如表1-6所示。
對于有類似案例的分析課題,通常的方式是在既有案例上用新的數據進行測試和修改,通過復用來盡快形成解決當前問題的模型或數據應用。對于專家規則型的分析課題,專家規則可以被明確表達,通常方式是DT負責形式化和大規模驗證,通過具體的反例輔助OT人不斷精化規則,消除專家規則中的歧義性和不完備性。
表1-6 OT人的數據分析手段與潛在提升點

對領域背景比較深的分析課題,一種常見的協同模式是:OT負責解決個例化(具象化)的邏輯或思路,解決0到1的邏輯問題;DT解決邏輯的普適性,解決1到N的邏輯問題,IT解決自動化和物理部署問題。在這種情形下,OT需要易用的可視化探索與記錄環境,以便將業務邏輯梳理得更清楚;DT需要靈活高效的模型研發與驗證環境,負責形式化和大規模驗證,負責算法或模型的性能與效率,盡量完成數據應用的初步設計與開發,平臺后臺解決數據訪問、并行化計算和低代碼開發問題。IT負責個性化的數據平臺、應用個性化開發和日常運維。
- SQL Server 2012數據庫技術與應用(微課版)
- 云計算環境下的信息資源集成與服務
- Spark快速大數據分析(第2版)
- MySQL從入門到精通(第3版)
- The Game Jam Survival Guide
- 數字媒體交互設計(初級):Web產品交互設計方法與案例
- 智能數據時代:企業大數據戰略與實戰
- 從0到1:JavaScript 快速上手
- SQL優化最佳實踐:構建高效率Oracle數據庫的方法與技巧
- 企業主數據管理實務
- 計算機視覺
- MySQL技術內幕:InnoDB存儲引擎
- 數據分析實踐:專業知識和職場技巧
- Python數據分析入門與實戰
- UnrealScript Game Programming Cookbook