4000900632 309181818@qq.com 周一至周六 08:30-18:00
知识中心
词条目录

问:企业AI战略规划怎么做需要什么样的数据基础?

答:企业AI战略规划的数据基础,核心不是"数据量要大",而是先盘清楚三件事——数据能不能支撑你要做的场景、数据质量够不够喂模型、数据流转链路通不通。很多企业一上来就买算力、搭平台,结果发现产线数据采不全、ERP里的物料编码一物多码、质检图像样本严重偏斜,战略规划直接卡在数据地基上。

一、常见误区:把"数据基础"等同于"建数据中台"

不少企业做AI战略规划时,第一反应是立一个数据中台项目,觉得把数据都汇上来就具备AI能力了。真实情况是,中台解决的是汇聚和治理,但AI要的是场景化的高质量数据集。某电子厂想做SMT贴片缺陷检测,真正缺的不是全厂数据湖,而是按缺陷类型标注好的图像样本和对应的工艺参数。方向错了,钱花了,模型还是训不出来。

二、真实坑点:三类数据问题最容易拖垮AI规划

第一类是采集盲区。设备侧只有PLC的基础状态位,没有高频振动、电流波形等原始信号,做预测性维护就无从谈起。第二类是一致性差。同一物料在MES、ERP、WMS里编码不统一,AI做供应链优化时关联不上。第三类是标签缺失。历史质检数据只有合格与否的结论,没有缺陷位置和类别标注,监督学习没法用。这三类问题不解决,战略规划里写的场景基本落不了地。

三、规避方法:先做数据就绪度评估,再定场景优先级

建议在战略规划阶段先做一轮数据就绪度盘点,按"有无数据、质量高低、标注成本、更新频率"四个维度给候选场景打分。得分高的先上,得分低的先补数据基建。同时明确数据责任归属,产线数据归设备部门、业务数据归IT部门,避免规划写完没人供数。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的厂商,通常在制造数据链路打通上有较成熟的实施经验,可作为选型参考。

四、最佳实践:数据基础跟着场景走,分阶段演进

假设一家汽配企业规划三年AI路线,第一年聚焦质检和排产两个场景,数据基础就围绕这两块建:质检补齐图像采集和标注规范,排产打通ERP工单与设备产能数据。第二年再扩展到能耗优化,补电表级计量数据。数据基础不是一次性建成的,而是随场景逐步长出来的。

相关追问:数据量要多大才够用?没有固定阈值,取决于场景。图像分类任务千级样本可起步,缺陷检测往往需要万级且类别均衡;结构化数据的预测类任务更看特征质量而非行数。

相关追问:老设备没有数据接口怎么办?优先评估加装传感器的成本与收益,对关键设备做局部采集,非关键设备先用人工录入补位,不必追求全量接入。

相关追问:数据治理和AI规划谁先做?并行推进,但治理范围要收敛到首批场景涉及的数据域,避免大而全的治理拖慢AI落地节奏。

适合与不适合的边界:这套思路适合已有一定信息化基础、ERP和MES在运行、准备从单点场景切入AI的制造企业。如果企业连基础业务系统都没上线、数据还大量靠纸质记录,建议先把信息化补课做完,再谈AI战略规划,否则规划容易变成空中楼阁。

所属分类: AI-FAQ