许多工业企业拥有大量超出实际需求的数据，但企业在人工智能方面的努力仍低于预期。为确保企业进入工业人工智能系统的数据经过充分审查，这里提出一些控制大数据的建议。据相关报道，许多重工企业花费数年时间构建和存储大数据，但尚未释放其全部价值。75%的工业公司试行了某种形式的人工智能，但只有不到15%的公司实现了有意义的、可扩展的目标，因为没有足够的运营洞察力和人工智能系统数据监督。工业人工智能成功的关键是可靠的历史数据，这些数据需要适应大数据的形式，通常需要更少的变量才能使其适用于人工智能。通过重新设计智能数据并引入适当的培训，企业回报率可提高5%至15%。为确保数据与消费工业AI系统匹配，建议采取以下步骤：定义流程与专家和企业工程师概述流程步骤，概述物理变化、化学变化，如研磨、热氧化、聚合。确定关键传感器和仪器，以及维护日期、限制和测量单位。丰富的数据原始过程数据总是包含缺陷。因此，重点应该放在创建高质量的数据集上，而不是不断地测试最大量的可观察数据。公司应主动删除非固定信息，例如设备升降机，以及来自不相关工厂配置或操作制度的数据。降维AI算法通过将输出（即可观察数据）与一组由原始传感器数据或其衍生物组成的输入相匹配来构建模型。结合现代工厂中可用的大量传感器，这需要大量观察。相反，公司应该缩减特征列表，只保留描述物理过程的输入，然后应用方程式来创建智能结合传感器信息的特征，例如结合质量和流量以产生密度。ML研究的重点应该准确地放在创建推动工厂改进的模型上，而不是不断调整模型以实现预测准确性。企业应该记住，过程数据自然会表现出高度相关性。在某些情况下，模型性能可能看起来很出色，但分离、因果关系、组件和可控变量比相关性更重要。“实施和验证模型企业应通过检查重要特征以确保它们与物理过程相匹配，不断与专家一起审查模型结果。建立一个在重工业部署人工智能的团队需要操作员、数据科学家、自动化工程师和过程专家的组合形成跨职能团队。我们经常发现，在数据科学方面发挥重要作用的公司面临三个主要挑战：整个公司缺乏流程专业知识，对现代数字或团队工作不熟悉。
