张宗尧想让人人都成为拥有智能管家的 工业钢铁侠 鸿海之子 (张宗尧央视)
2007年,富士康工厂正因产品不良率突然暴涨至10%焦头烂额,无论是内部团队,还是外部请来的几家专业咨询公司,都没能做出有效分析。
彼时,张宗尧从台湾大学研究生毕业,来到了他最景仰的公司富士康母公司鸿海精密担任工程师。
初入鸿海精密的张宗尧,本着初生牛犊不怕虎的精神,设计出一个机器学习模型,通过机器学习和线性分析发现包含温湿度,及其它影响制造的关键因子,并模拟出最优的因子参数,从而才消除了这次产品不良率的暴涨。
这也是他第一次用数据的方式,实际解决制造业中的生产难题。
病根确认,这一困扰工厂良久的“大难题”,最终顺利解决。张宗尧设计的机器学习模型,帮富士康省去了2000万美元的潜在损失。
数次脱颖而出的表现,让一直有意提携年轻后辈的郭台铭,精神为之一振,张宗尧于是有了“鸿海之子”的称号。
用数据分析,破解“黑天鹅”问题
成为一名科学家,是讯能集思创始人张宗尧从小就努力实现着的一个愿景。
正是由于这段与鸿海之间阴差阳错的缘分,张宗尧成为亚洲最早一批将机器学习在工业中落地的人。
在他眼中,许多实用的机器学习模型,并没有太高的技术壁垒。大企业花大力气都没分析出原因的关键,是囿于传统人工经验的固有认知。
面对罕见事件,既有的人工经验失效了。“企业大多时候不是利用数字化决策,而是凭经验。不常发生的事,他们就没有感觉。”
通过在富士康的学习,张宗尧近距离观察到了AI参与制造业转型升级的必要性。同时,他也意识到,数据分析尽管优势明显,但门槛颇高,只有很小一部分人才具备这种能力。
后来,张宗尧申请到了前往麻省理工读博的机会,在电机工程和计算机科学系,他做了大量指向降低技术使用门槛的AI自动化研究。
除了技术上的钻研,顶尖学府的教学理念以及整体的创业氛围,也为日后张宗尧的创业,带来不少启发。
一是做事前一定要明确其价值。麻省理工十分强调“研究要以应用为基础”。课程结束,即意味着将研究成果落地,并且保证实用性。
二是有大量现成的创业经验可参考。从孵化创业想法,到选择创业路径,再到寻找合作伙伴获得融资,后来者得以从整个创业链条中,获得借鉴与鼓舞。
六年前回国后,张宗尧四处走访智能制造公司以及制造业企业,惊异于国内企业竟还秉持着直觉与经验式的传统做法,“其他行业已经天翻地覆,为什么中国的制造业还是没有改变?”
彼时,中国的制造业正值脱胎换骨之际,数字化转型已成为企业进入下一个时代的门票。
想要在行业竞争中保持领先,如何高效利用数据,变得尤为重要。
以往企业做数据决策过程中,完成数据提取、清洗、分析、建模等一系列操作,需要借助数据分析师/科学家,整套流程不仅贵,结果也是滞后的,并不能支撑起“即时决策”或华为所说的“随需响应”,而且数据模型还难以复用。
系统数据困境的背后,是数据科学家的匮乏,以及技术与业务在知识、技能和经验上天然的壁垒。高成本投入下,企业决策却明显滞后,低效率的运转,很容易遭到市场淘汰。
面对行业痛点,张宗尧在2016年底创立了讯能集思,决定成为一家利用AI技术,辅助工业企业更好进行决策的公司,其解决方案是一款结合前沿自然语音及AI数据分析技术的人工智能决策平台JarviX。
这款平台最大的特点,就是没有使用门槛,每个人都可以成为数据分析师。
传统商业决策向下,智能化BI向上
传统式BI的最大弊端, 就在于效率低下。
2014年开始,自助式BI工具(也叫二代敏捷BI)开始在国内迅速生长,它面向业务人员,打破传统工业决策上的桎梏,但此时的BI产品,仍旧具有局限性,仅适用于具有一定IT能力的业务人员。并且,针对数据分析的能力而言,现行BI在Gartner定义的四种深度中(描述型分析、诊断型分析、预测型分析、指示型分析),也只能达到描述型分析的深度。
最理想的AI决策模式,无疑是让业务人员,广泛拥有数据分析的能力,且能做到不仅仅是陈述现状的统计分析。
随着 AI 、大数据和云计算的普及,叠加自然语言、机器学习等技术的发展,到2019年,完全由业务人员主导,几乎没有任何使用门槛的智能化BI,开始在国内引领新的发展趋势。
讯能集思致力于探索的智能化BI,就是相对于传统式BI和自助式BI而言的。
当时,智能分析领域的主要玩家,大多来自海外市场,国内企业使用的决策系统,往往是简单的英译汉版本。语言的隔阂,导致实际应用效果欠佳,也让众多国内有心转型智能制造的企业望而却步。
2019年,讯能集思正式在中国本土落地,立志成为一个能够以中文进行交互的AI决策系统。
随着大规模大机器工业时代的不断推进,市场需求不断变化,提升作业价值、降低库存风险、缩短产品上市周期、少量多样的个性化产品、高弹性低附加价值等,正在逐渐成为未来制造产业的发展趋势。
讯能集思主要客户以 1- 10 亿元的中型企业或者工厂为主,典型落地场景主要分为三类:
以富士康为代表的EMS工厂、以福耀玻璃为代表的汽车零配件工厂、以钰齐为代表的鞋厂。其中,前两类代表的电子制造业和汽车零配件是讯能集思布局重点领域。
在这一系列的需求变革中,将数据分析的能力赋能传统业务人员,是至关重要的一步,张宗尧认为“数据分析如果永远只停留在少数技术专家的手上,人工智能根本就没有办法取得长足的进步。”
如何才能让数据分析不仅仅是少数专家的特权?
基于这一核心问题,讯能集思研发了一款基于增强分析技术开发的通用 SaaS ——无代码 AI 智能决策平台JarviX。
不过,张宗尧对说,他把Jarvis的最后一个字母“s”,替换成了《X战警》中Professor X的“X”。
在张宗尧的认知里,Jarvis+ProfessorX,是终极技术理想的象征“最聪明的人脑结合最聪明的AI,帮助企业变成最聪明的企业。”
张宗尧认为,AI的作用,并非取代决策,而是辅助决策。他们想实现的,就是借助JarviX,人人都能独立且快速地拥有数据分析的能力。
对于不懂算法的业务人员来说,JarviX的操作步骤,可以简化为三步:键入关键词或问句、点击分析结果、点击建模指导决策。
与之相对应,JarviX背后的技术逻辑:
第一步:将各类数据(结构、半结构)导入到JarviX;
第二步:JarviX通过差异分析、根因分析、趋势预测、关联挖掘等AI算法发现因子,并结合机器学习找到关键因子;
第三步:通过行业优质实践模板与仿真器,实时AI建模,模拟出最优参数,找到解决方案。
JarviX的目的是无代码的解决企业内部数据源各异的需求,从经管与供应链的智能排产排程、自动库存优化、共用料优化、报价分析预测、到猜测供应商底价以及采购的分析预测;从生生端的良品率优化、不良根因查找、预测性维护到生厂参数优化等不同场景。
“以前的AI应用往往是一个算法对应一个应用,然后再搭建一个系统,JarviX可以自行组合各种算法并即时生成应用程序应对不同的客户应用需求。”张宗尧表示。
大部分中小企类连一个完整IT团队都沒有,更遑论建构数据团队提升数字化決策能力。张宗尧想要帮助那些没有足夠资源完成数字化转型的中小企业,让他们借助JarviX实现数据的快速导入和规模化应用,在不同的业务场景快速得到有效的决策辅助。
某消费电子制造商供应链部门,在应用JarviX后,项目准备流程从4人5天缩短至5分钟,分析销量提升95%;决策时间由1天压缩至30分钟,时间成本降低93%。
数字化转型,不是自动化转型
当下的中国商业智能软件市场,是一个颇具潜力的增量市场。
根据IDC数据,到2025年,中国商业智能软件市场的规模将达到16亿美元,未来5年,整体市场的年复合增长率为21.6 %。
然而客观来看,制造业中,AI、大数据等技术仍未在决策中得到广泛应用。下一步,该如何从这个市场中分食蛋糕?
讯能集思团队将今年的主要精力,放在了与这个世界的沟通上。
在张宗尧看来,“在国内从传统粗放型制造走向高端制造的路上,制造业赚的除了技术财,更核心的还是管理财”。
最开始创业的时候,讯能集思面对的还是一个未经培育的新兴市场。经常是“掏尽所有的脑子和别人解释”,然而对方却始终一脸不知所云的表情。
最记忆犹新的一次,张宗尧与一位有合作意向的厂商时隔一周后再见面,对方兴奋地说找到一家和讯能集思很像的AI公司,结果他发现那是一家机器视觉公司,张宗尧哭笑不得。
观念上的转变,是当时的商业智能软件提供商们,集体面临的困境。近些年,随着整个智能制造大局的持续推进,创业环境早已不复当年。
张宗尧最直观的感受是,客户已经会主动带着问题,前来寻求解决方案了。
尽管当下的市场,已不复荒蛮时期独立开垦的艰难,但智能BI在国内的发展只有短短3年,商业智能软件提供商与企业之间的隔阂依然存在。
张宗尧仔细研究后发现,那些被企业遗弃在角落的产品,其实本身做得并不差,问题在于产品手册写得不够详细。
产品的成功,从上至下每一处细节都至关重要。将产品各项功能与价值描述清楚,同样是一项需要耗费大量时间和精力的工作。“现在我们团队的两个人,就专门负责做这件事,我发现这是我们需要一直强化的地方。”
经过内部市场调研,张宗尧从以往经验中,发现另一个事实,即最成功的客户,领导者本身都拥有一定程度的数据思维,能够在企业内部慢慢引导形成正向循环。
“我们是降低门槛,但是不代表他们可以什么都不懂。”张宗尧对说。
这意味着,当企业越清楚自己需要AI解决何种问题,实际落地效果就会越好。
怎样在几乎不用教育的情况下,在企业内部快速形成正向反馈,使业务人员具备数据思维,是包括讯能集思在内,整个行业将持续攻克的又一道难题。
原创文章,未经授权禁止转载。详情见 转载须知 。