数据分析与人工智能的交叉应用与发展

数据分析与人工智能的交叉应用与发展

马志红  任欢   张森  焦健 

   北方自动控制技术研究所 山西太原 030006

摘要：人工智能作为一项先进的技术领域，经历历史上的波动发展，已经取得了长足的发展。一般而言，人工智能是计算机科学的一个分支，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术和应用系统的一门新的技术科学，并已经在人机对弈、模式识别、自动工程、知识工程等方面取得良好的应用效果。智能制造的核心追求是针对制造过程中诸如分析、推理、判断、构思和决策等活动的智能性提升需求，发展能够扩大、延伸、部分乃至完全取代人类专家在制造过程中脑力劳动的智能技术。智能制造的本质是加强提升制造活动中的智能决策水平，与人工智能的融合具有天然的必然性。

关键词：人工智能技术；大数据分析；人工智能

前言：目前，大数据已经成为人类发展的重要经济资产，然而海量的数据仍对挖掘、分析和计算技术提出更高要求。人工智能技术作为大数据分析的重要方式之一，其深度学习、机器学习等技术均有效满足了日益复杂的大数据分析。因此，为拓展大数据分析的应用范围，优化大数据分析任务，以人工智能为基础研究大数据分析方法并掌握其技术要点是必要的。

1.探讨大数据分析的重要性

所谓大数据，指的是非结构化数据的集合，相较于传统数据管理工具，其具有鲜明的数据采集、存储与处理能力，在对其开展目标信息的提取工作时，必须通过处理海量数据方可实现。但是一旦有效挖掘数据信息，就能够获得大量的内在价值信息和科学知识，促进数字经济的快速发展。新时期下，新媒体技术、移动通信网络几乎覆盖全球，数据信息无处不在，在经济发展方面，通过对产业、工业发展相关数据进行深入分析，能够为产业经济结构的调整提供有效支持；在制造方面，通过结合物联网、BIM等技术，能够为制造业转型和社会发展提供强有力的技术支持；在人们日常生活中，大数据分析的落实能够优化网络体验，得到更为人性化、智能化的信息获取体验。总而言之，大数据分析的重要性是显而易见的，它不仅体现在经济社会发展层面，也作用于人们的日常生活。

2.智能制造与人工智能的切入与融合分析

2.1智能制造理念中的智能决策内涵

基于信息物理系统的智能装备、智能工厂等智能制造正在引领制造方式变革。随着智能制造的发展，工业互联网、数字孪生、数字化转型等理念与方法均进入了与制造深度融合的深入阶段，其中的底层发展脉络主线始终贯穿以信息物理系统（CPS）为核心的智能决策思想。CPS通过集成先进的感知、计算、通信、控制等信息技术和自动控制技术，构建了物理空间与信息空间中人、机、物、环境、信息等要素相互映射、适时交互、高效协同的复杂系统，实现系统内资源配置和运行的按需响应、快速迭代、动态优化。数字孪生充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。智能制造的特征在于实时感知、优化决策、动态执行等三个方面，其中优化决策则体现为CPS中的“快速迭代、动态优化”以及数字孪生中的“仿真”，是CPS和数字孪生的核心，也是体现制造智能的核心所在。

2.2人工智能在制造中的切入与融合

追求制造中的智能是人类始终的追求，随着工业互联网、云计算、大数据，以及人工智能技术的发展，从“人”的智能逐步走向机器类的人工智能，实现以自动知识工程为核心的推理决策分析，是人工智能与制造融合的关键所在。人工智能在制造中的切入体现为与制造业务活动环节的结合，包括产品研发、工艺执行、生产管控、服役运行等各个方面，其本质上是经验与知识的一种沉淀，而这种沉淀主要以算法为核心的建模与仿真特征的软件载体作为呈现。人工智能作为核心技术，在与制造融合过程中，必须以纳入到先进框架中得以运用。比如，目前所发展的MBSE、数字主线、MBx等，以解决其中最为核心的推理、构思、判断、决策等需求，其发展目标可简单总结为解决“虚而不拟、仿而不真”的问题。

3.基于人工智能的大数据发现网络技术设计

3.1大数据的网络扫描处理

网络扫描是使用电子系统识别、读取和记录数据的过程，以便未经授权的数据可以通过检查。其作用是加快数据验证，保证数据安全，但对于人工智能技术平台人员来说，查找数据存在难度，所以要解决这个问题，首先要对数据进行网络扫描。数据采用大数据扫描处理，它是对浏览量数据进行分类和定性分类的过程。这个过程中用到的参数叫做分辨率，是扫描的关键。

3.2大数据信息的提取

大数据信息的提取旨在从人工智能技术平台的页面浏览数据中获取有价值的信息。现在数字处理应用于构建基于人工智能的大数据识别网络。其基本思路如下：首先对提取的客户浏览量数据进行预处理，然后确定大数据识别属性，以便过滤他们出来。

3.3数据分析方法

3.3.1聚类分析法

聚类分析方法的主要特点是对通过相似性收集到的信息进行分组和分类，使信息以分段的形式呈现。这种方法论对看似杂乱无章的数据进行深入研究，根据分析的目标将数据划分为不同的组。然后利用数据之间的联系提取有价值的信息，发现信息的潜在价值。聚类分析方法有一定的缺点，因为数据信息本身的个性化，使得在计算统计时难以进行数据分析，也难以识别数据。

3.3.2人工神经网络分析方法

人工神经网络法是指试图通过模拟大脑神经网络处理和存储信息的方式，分析和抽象复杂而广泛的数据，接收和使用计算结果的方式来处理信息的方法。例如：人工神经网络法主要是在数学模型上建立算法，输入神经网络的研究值都是数值型的。在收集相关数据时需要根据自身实际需要对相关数据进行分析。最好是进行数据分析，确保人工智能技术的应用。

3.3.3相关性分析方法

相关性分析法是一种利用大数据揭示数据库中不同信息之间关系的分析技术。相关性分析方法可以对采集到的数据和不能直接应用的信息进行相关性分析，实现隐藏信息的挖掘和相应的处理，识别数据的唯一性。这类分析方法具有更好的准确性和目的性，因此这类分析方法更常用于数据的精确分析，例如：在管理文件信息方面。

3.3.4特征数据分析方法

数据特征分析是一种基于数据质量分析结果的数据分析方法.利用计算数据的特定相关特征集等方法，得到的人工智能结果可能更接近先前预期的数据分析结果或一致。所以使用这种方法进行数据分析可以更好地实现大规模数据分析。大数据时代，海量数据和信息呈现快速增长趋势，给数据整理和分析带来信息的使用困难。

3.4确定大数据发现的属性

为了使大数据更容易识别，需要在识别描述中尽可能完整地描述大数据信息，但同时对大数据识别网络本身的描述也很重要。另外，由于大数据的输出结果是一个数据集，需要定义很多操作来满足用户的不同需求。因此，有必要明确大数据识别应涵盖的数据来源。

3.5实现大数据检测网络的建设

在基于人工智能的大数据发现中，网络发现处理可以加快数据验证速度，保证数据安全，然后根据大数据信息的提取确定大数据发现的属性。基于大数据发现完成大数据信息提取；依靠大数据检测属性的确定，使大数据检测成为现实。完成关于构建基于人工智能的大数据发现网络的拟议研究。

4.结束语：

综上所述，虽然，人工智能作为一项先进技术已经在制造业得到了一些典型成功应用，得到了制造业的广泛关注与重视。但在现实中，人工智能对于制造业的渗透率仍然处于较低水平，尤其是中小企业直面生存提高效率的需求，以及大型企业行业改善运行效能确保和提升行业地位的需求，尤其在对于人工智能应用路径不明和应用风险等存在顾虑情况下，人工智能在制造中的应用发展，仍然处于探索阶段并需要进行深入思考。

参考文献：

[1]李世锋.大数据时代人工智能在计算机网络技术中的应用[J].电子技术与软件工程,2017（23）：259.

[2]冯文浩.大数据时代人工智能在计算机网络技术中的运用探讨[J].电子制作,2017（13）：98-99.

[3]程聪,王永根.人工智能技术的大数据分析方法探讨[J].信息记录材料,2020,21（05）：128-130.

[4]王万良,张兆娟,高楠,等.基于人工智能技术的大数据分析方法研究进展[J].计算机集成制造系统,2019,25（03）：529-547.