答:工业AI和数据中台不是二选一的关系,正确做法是把数据中台当成工业AI的"数据底座+特征工厂",先建中台治理好数据、沉淀特征,再让AI模型在中台上训练和推理,两者按"先治理、再建模、后闭环"的节奏分步落地。下面按可操作步骤展开。
一、先厘清两者分工,别混着建
数据中台负责多源数据接入、清洗、统一主数据、指标口径和特征存储,解决"数据从哪来、准不准、能不能复用"。工业AI负责在上面做预测、识别、优化,比如设备故障预测、视觉质检、工艺参数寻优。中台是供给方,AI是消费方。某电子厂如果先上AI模型再补中台,常见结果是模型训练数据靠人工导表,上线后数据断供,模型很快失效。
二、Step1 盘点场景和数据源,锁定一个切口
不要全厂铺开。选一个数据基础较好、业务痛点明确的场景,比如某汽配企业的注塑机良率波动。梳理相关数据源:PLC时序数据、MES工单、ERP物料批次、质检记录。确认采集频率、协议(OPC UA、Modbus)和时间戳对齐方式。这一步产出一张"场景-数据-系统"对照表,作为中台接入范围。
三、Step2 搭中台最小能力,先通后全
中台不必一次建全。优先落地四件事:设备数据实时接入通道、主数据与批次口径统一、时序数据存储、特征库。特征库是关键,把"过去2小时平均温度""近3批物料含水率"这类工业特征做成可复用资产,AI建模时直接调用,避免每个项目重复写SQL。数据质量规则要同步定义,比如缺失率阈值、异常值处理策略。
四、Step3 在中台上做模型开发和验证
模型训练数据从中台特征库取,保证训练和推理同源。先做离线验证,用历史数据回测准确率和误报率,再小范围在线推理。推理结果写回中台或业务系统,形成"数据-模型-结果"的可追溯链路。某流程企业在这个阶段会重点看模型对工况漂移的鲁棒性,因为工业数据分布会随季节、原料批次变化。
五、Step4 建反馈闭环和运营机制
AI输出要有人用、有反馈。把模型预测结果推给班组或工艺工程师,记录采纳与否和实际结果,回流中台作为新样本。设定模型监控指标:数据漂移、准确率衰减、推理延迟。中台侧同步维护特征版本,避免特征变更导致模型静默失效。这一步决定方案能不能长期跑下去。
相关追问:中台和AI平台要不要合并?中小规模企业可以先用轻量数据平台承载特征和模型调度,不必强上完整中台,但主数据和时间戳对齐这两件事不能省。相关追问:先建中台还是先做AI?建议中台能力覆盖目标场景所需数据即可启动AI,边用边补,避免中台建完才发现场景不需要那些数据。相关追问:如何判断数据够用?看目标场景的关键特征是否可稳定采集、历史数据是否覆盖典型工况,覆盖不足就先补采集再建模。
适合:多系统并存、数据口径混乱、有明确单点场景、具备基本设备联网能力的企业。不适合:数据源极少且单一、场景尚未定义清楚、缺乏工艺人员配合的情况,此时应先做数据采集和场景梳理,而不是直接上中台或AI。判断下一步该关注什么:先确认目标场景的数据可得性和特征可复用性,再决定中台建设范围。