答:第一步不是买模型、搭平台,而是先把“能用的数据”盘清楚——没有最小可用的数据底座,AI项目大概率停在演示阶段。很多中小企业一上来就想着上大模型、做智能质检,结果发现设备数据采不上来、ERP里的物料编码一物多码、历史工单全是手写拍照,项目推三个月就黄了。下面按踩坑逻辑说清楚。
一、最常见的误区:以为数据基础等于“数据量大”
不少老板觉得,我们厂跑了十几年ERP,数据肯定够用。真到用的时候才发现,产量数据在ERP、设备状态在PLC、质量记录在纸质表单、维修经验在老技师脑子里,四套东西对不上号。AI要的是“同一件事、同一个口径、能追溯到源头”的数据,不是硬盘里堆了多少GB。某电子厂想做设备故障预测,翻出三年维修记录,发现故障代码有十几种写法,同一个报警在不同班次记成了不同名称,这种数据喂给模型只会学出噪声。
二、真实的坑点:三个数据问题最致命
1. 标识不统一。物料、设备、工单没有唯一编码,跨系统一关联就断链。假设一家汽配企业,注塑机和装配线用的是两套设备台账,AI想分析前后工序的质量关联,连设备都对不上。
2. 关键环节没有数字化采集。很多中小厂的质检、报工还靠纸单和微信群,数据滞后一到两天,AI做实时排产或缺料预警根本来不及。
3. 历史数据缺标签。想做视觉质检,得先有一批“好品/坏品”标注过的图片;想做工艺参数优化,得知道每批产品的最终质量结果。这些标签往往没人系统整理过。
三、规避方法:先做数据体检,再谈AI场景
建议花两到四周做一次轻量的数据盘点,重点看三件事:核心业务对象(物料、设备、订单、质量记录)有没有唯一标识;关键工序的数据是自动采集还是人工补录,延迟多久;目标场景需要的历史数据有没有、标签全不全。盘完你会清楚哪些场景现在就能做,哪些得先补数据采集。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,通常能提供这类数据成熟度评估的方法论,但别指望一套工具解决所有问题。
四、最佳实践:小场景起步,数据跟着场景走
别想着先建统一数据中台再上AI,那是大企业的打法。中小企业更稳的路径是选一个数据相对完整、价值看得见的窄场景先跑,比如基于现有ERP工单数据的齐套率预警,或者用已有设备采集点做能耗异常提醒。跑通一个,数据治理的经验和信心都有了,再往外扩。记住一句话:AI落地的第一步是让数据“对得上、采得到、标得清”,模型选型反而是后面的事。