数据驱动近年来成为数字化转型中的一个常用词，原因在于，通过数据驱动，企业可以管理、提升制造过程的不确定性，包括流程、工艺等。在这个过程中，通过AI等新技术打造工业智能，成为其重要组成部分。
工业智能对于工业的提升具有巨大的想象空间，这带动了人工智能、机器学习技术成为当下云计算平台、工业互联网平台能力竞争的一个焦点。然而，当更多的企业面对机器学习，一定会面临技术瓶颈以及专业人才，如数据专家匮乏的困境。
近期，智能操作系统产品和技术提供商中科创达（ThunderSoft）宣布，已经将Amazon SageMaker集成到了中科创达智慧工业ADC (Automatic Defect Classification) 系统，让制造业客户可以在工业生产中轻松获得AI质检能力。今年5月初，亚马逊云服务（AWS）宣布其机器学习服务Amazon SageMaker正式进入中国。
当前，“新基建”备受关注，究其原因，既有新基建作为对冲疫情、拉动投资、提振经济的“紧急之需”和关乎产业转型、经济发展的“长久之计”，更有新基建对产业数字化的推动带来的巨大的市场空间。在这种情况下，中科创达与Amazon SageMaker在解决方案层面的深入合作，能为企业数字化转型带来什么？
融合Amazon SageMaker 落地行业解决方案
6月3日，在围绕双方合作的采访中，AWS中国区生态系统及合作伙伴部总经理汪湧表示，新基建有一个很重要的方面，就是通过工业互联网、智能制造推动制造业升级和数字化转型。AWS和中科创达的合作，目的正是为了解决制造企业在这个过程中的一些独特的应用需求。
此处所指的“独特”需求，更多地指智能化。最近几年，设备、交通、原材料、能源，以及电子高科技等快消行业，利用大数据与算法技术，基于特定的生产数据或场景数据，不断探索通过工业机理模型优化生产、管理，实现提质、增效、去存。
因此，Amazon SageMaker在国内开服后，联手合作伙伴推出融合行业共性知识的垂直解决方案，成为Amazon SageMaker落地行业的必要环节。
汪湧表示，14年来，AWS能快速发展有两个重要的原因，其一，AWS有非常丰富的、优秀的云服务产品；其二，AWS有充满活力的合作伙伴网络，目前AWS在全球有数以万计的合作伙伴，携手AWS服务于各行各业。在中国，合作伙伴已达几千家。
AWS合作伙伴网络主要分成两大类，一种是基于AWS的云计算服务，合作伙伴以自身对各个行业应用的理解和实践，为客户提供IT规划、实施落地等服务。另一种是技术性的行业解决方案合作伙伴。
中科创达是最早加入AWS合作伙伴网络的中国企业之一。通过集成Amazon SageMaker，中科创达ADC升级为一个具有机器学习能力的、方便易用的SaaS应用，帮助客户加速AI技术的落地部署，为制造企业节约人力、提高良品率、释放产能。
据悉，目前全球在云上部署的机器学习应用中，80%的用量都在Amazon SageMaker上。Amazon SageMaker是一个完全托管的机器学习服务，可以优化机器学习的整套流程。从模型的创建、训练、调优到部署，可以在一个集成化的开发环境中实现，实现整个机器学习过程的可视化，提升开发效率。
SageMaker的一大特点就是开放性：一是集成方面的开放性，SageMaker具有模块化特性，企业可以按需使用其中的功能。二是生态系统的开放，SageMaker能够很好地与各类解决方案进行集成，从而加速企业级客户的应用。
从单点到局部 工业智能前景可期
中科创达成立于2008年，目前有四个业务板块：一是智能手机，二是智能网联汽车，三是智能物联网，四是技术平台，主要提供AI算法等服务。不同的业务板块，中科创达可提供从端到云到SaaS的全栈应用平台。
中科创达CTO邹鹏程表示，行业数字化和智能化改造是一项系统工程，从工程师的角度来看，需要组合各种相关的技术并进行有机的融合，如终端要跟云端结合，产品要跟技术结合，产品要跟服务结合——必须是完整的融合，才能为各行各业提供完整、有效、稳定、安全的解决方案。
由于行业竞争加剧，国内最大的一家智能面板行业企业近年来压力持续增加，一方面生产效率亟待提升，另一方面良品率不稳定，这直接导致公司在客户选型时处于不利的状态。此外，人工成本、物料成本也都在上升。公司亟待进行数字化和智能化改造解决这些问题。
基于中科创达融合理念的端云一体解决方案也就是智能视觉检测系统（ADC系统）的部署应用，该企业产品检测的工作量减少了75%。准确率从90%提升到99%。另外，一个非常关键的指标就是漏检率下降了3%，也就是良品率提升了3%——这个数据看着不大，但在行业中，哪怕1%的提升就能产生巨大的效益。
目前，传统的生产制造中，产品表检主要还是人工的方式，效率低，误检、漏检时有发生，通过基于机器学习的云端一体的机器视觉解决方案，产品表检已不复以往——这种从单点到局部的智能化，已在一些企业进入深度应用。据悉，今年以来，ADC已在某汽车企业的轮胎、电路板、车窗和发动机打胶的检测，某电子企业PCB表面缺焊问题的检测，某化妆品企业灌装、标签张贴检测等领域开始部署。
智慧工业ADC系统于2018年推出，主要包含缺陷自动化分类、新产品迭代数据清洗、业务作业员认证三个子系统。现今，智慧工业ADC系统所使用的ML框架主要是Tensorflow，而目前绝大部分Tensorflow的应用都构建在Amazon SageMaker上，ADC也不例外。
针对行业机理问题，邹鹏程表示，工业垂直行业之间的区别较大，不同领域的样本数比较少，如何能把老师傅的专业知识翻译成中科创达工程师能理解的语言，然后再把这个语言翻译成用SageMaker、边缘平台可以理解的语言，这是一个最大的挑战。在具体实现中，需要能在发现问题（比如分类的问题）后迅速重新分类并反馈给SageMaker，然后重新打包上线，通过不断迭代，最终满足小样本、实时性、稳定性的需求。
中国工程院院士邬贺铨曾表示，工业人工智能中需要融合数据技术（DT）、分析技术（AT）、平台技术（PT）和运营技术（OT）等技术。工业领域主要以企业私有数据库为主，规模有限，要实现人工智能与制造业的深度融合，就必须要在制造业领域加强数据获取与整合，企业必须切实做到数字化转型，大力发展工业互联网。

随着新基建的持续推进，数字化转型将越来越深入，在此过程中，云边端一体的工业智能解决方案需要以问题为导向，克服行业机理的难题，利用机器学习开发出更精确的工业模型。相信随着工业互联网的持续推进，一个更加智能的工业将逐渐显现。