<mark id="oztn4"></mark>
0
2007年，富士康工廠正因產品不良率突然暴漲至10%焦頭爛額，無論是內部團隊，還是外部請來的幾家專業咨詢公司，都沒能做出有效分析。
彼時，張宗堯從臺灣大學研究生畢業，來到了他最景仰的公司富士康母公司鴻海精密擔任工程師。
初入鴻海精密的張宗堯，本著初生牛犢不怕虎的精神，設計出一個機器學習模型，通過機器學習和線性分析發現包含溫濕度，及其它影響制造的關鍵因子，并模擬出最優的因子參數，從而才消除了這次產品不良率的暴漲。
這也是他第一次用數據的方式，實際解決制造業中的生產難題。
病根確認，這一困擾工廠良久的“大難題”，最終順利解決。張宗堯設計的機器學習模型，幫富士康省去了2000萬美元的潛在損失。
數次脫穎而出的表現，讓一直有意提攜年輕后輩的郭臺銘，精神為之一振，張宗堯于是有了“鴻海之子”的稱號。
用數據分析，破解“黑天鵝”問題
成為一名科學家，是訊能集思創始人張宗堯從小就努力實現著的一個愿景。
正是由于這段與鴻海之間陰差陽錯的緣分，張宗堯成為亞洲最早一批將機器學習在工業中落地的人。
在他眼中，許多實用的機器學習模型，并沒有太高的技術壁壘。大企業花大力氣都沒分析出原因的關鍵，是囿于傳統人工經驗的固有認知。
面對罕見事件，既有的人工經驗失效了。“企業大多時候不是利用數字化決策，而是憑經驗。不常發生的事，他們就沒有感覺。”
通過在富士康的學習，張宗堯近距離觀察到了AI參與制造業轉型升級的必要性。同時，他也意識到，數據分析盡管優勢明顯，但門檻頗高，只有很小一部分人才具備這種能力。
后來，張宗堯申請到了前往麻省理工讀博的機會，在電機工程和計算機科學系，他做了大量指向降低技術使用門檻的AI自動化研究。
除了技術上的鉆研，頂尖學府的教學理念以及整體的創業氛圍，也為日后張宗堯的創業，帶來不少啟發。
一是做事前一定要明確其價值。麻省理工十分強調“研究要以應用為基礎”。課程結束，即意味著將研究成果落地，并且保證實用性。
二是有大量現成的創業經驗可參考。從孵化創業想法，到選擇創業路徑，再到尋找合作伙伴獲得融資，后來者得以從整個創業鏈條中，獲得借鑒與鼓舞。
六年前回國后，張宗堯四處走訪智能制造公司以及制造業企業，驚異于國內企業竟還秉持著直覺與經驗式的傳統做法，“其他行業已經天翻地覆，為什么中國的制造業還是沒有改變？”
彼時，中國的制造業正值脫胎換骨之際，數字化轉型已成為企業進入下一個時代的門票。
想要在行業競爭中保持領先，如何高效利用數據，變得尤為重要。
以往企業做數據決策過程中，完成數據提取、清洗、分析、建模等一系列操作，需要借助數據分析師/科學家，整套流程不僅貴，結果也是滯后的，并不能支撐起“即時決策”或華為所說的“隨需響應”，而且數據模型還難以復用。
系統數據困境的背后，是數據科學家的匱乏，以及技術與業務在知識、技能和經驗上天然的壁壘。高成本投入下，企業決策卻明顯滯后，低效率的運轉，很容易遭到市場淘汰。
面對行業痛點，張宗堯在2016年底創立了訊能集思，決定成為一家利用AI技術，輔助工業企業更好進行決策的公司，其解決方案是一款結合前沿自然語音及AI數據分析技術的人工智能決策平臺JarviX。
這款平臺最大的特點，就是沒有使用門檻，每個人都可以成為數據分析師。
傳統商業決策向下，智能化BI向上
傳統式BI的最大弊端， 就在于效率低下。
2014年開始，自助式BI工具（也叫二代敏捷BI）開始在國內迅速生長，它面向業務人員，打破傳統工業決策上的桎梏，但此時的BI產品，仍舊具有局限性，僅適用于具有一定IT能力的業務人員。并且，針對數據分析的能力而言，現行BI在Gartner定義的四種深度中（描述型分析、診斷型分析、預測型分析、指示型分析），也只能達到描述型分析的深度。
最理想的AI決策模式，無疑是讓業務人員，廣泛擁有數據分析的能力，且能做到不僅僅是陳述現狀的統計分析。
隨著 AI 、大數據和云計算的普及，疊加自然語言、機器學習等技術的發展，到2019年，完全由業務人員主導，幾乎沒有任何使用門檻的智能化BI，開始在國內引領新的發展趨勢。
訊能集思致力于探索的智能化BI，就是相對于傳統式BI和自助式BI而言的。
當時，智能分析領域的主要玩家，大多來自海外市場，國內企業使用的決策系統，往往是簡單的英譯漢版本。語言的隔閡，導致實際應用效果欠佳，也讓眾多國內有心轉型智能制造的企業望而卻步。
2019年，訊能集思正式在中國本土落地，立志成為一個能夠以中文進行交互的AI決策系統。
隨著大規模大機器工業時代的不斷推進，市場需求不斷變化，提升作業價值、降低庫存風險、縮短產品上市周期、少量多樣的個性化產品、高彈性低附加價值等，正在逐漸成為未來制造產業的發展趨勢。
訊能集思主要客戶以 1- 10 億元的中型企業或者工廠為主，典型落地場景主要分為三類：
以富士康為代表的EMS工廠、以福耀玻璃為代表的汽車零配件工廠、以鈺齊為代表的鞋廠。其中，前兩類代表的電子制造業和汽車零配件是訊能集思布局重點領域。
在這一系列的需求變革中，將數據分析的能力賦能傳統業務人員，是至關重要的一步，張宗堯認為“數據分析如果永遠只停留在少數技術專家的手上，人工智能根本就沒有辦法取得長足的進步。”
如何才能讓數據分析不僅僅是少數專家的特權？
基于這一核心問題，訊能集思研發了一款基于增強分析技術開發的通用 SaaS ——無代碼 AI 智能決策平臺JarviX。
JarviX這個名字來源于電影《鋼鐵俠》，劇中Jarvis是鋼鐵俠Tony的AI管家，擁有超強大的數據分析能力，而擁有了Jarvis的Tony，得以快速處理各種信息，拯救世界。
不過，張宗堯對雷峰網說，他把Jarvis的最后一個字母“s”，替換成了《X戰警》中Professor X的“X”。
在張宗堯的認知里，Jarvis+ProfessorX，是終極技術理想的象征“最聰明的人腦結合最聰明的AI，幫助企業變成最聰明的企業。”
張宗堯認為，AI的作用，并非取代決策，而是輔助決策。他們想實現的，就是借助JarviX，人人都能獨立且快速地擁有數據分析的能力。
對于不懂算法的業務人員來說，JarviX的操作步驟，可以簡化為三步：鍵入關鍵詞或問句、點擊分析結果、點擊建模指導決策。
與之相對應，JarviX背后的技術邏輯：
第一步：將各類數據（結構、半結構）導入到JarviX;
第二步：JarviX通過差異分析、根因分析、趨勢預測、關聯挖掘等AI算法發現因子，并結合機器學習找到關鍵因子；
第三步：通過行業優質實踐模板與仿真器，實時AI建模，模擬出最優參數，找到解決方案。
JarviX的目的是無代碼的解決企業內部數據源各異的需求，從經管與供應鏈的智能排產排程、自動庫存優化、共用料優化、報價分析預測、到猜測供應商底價以及采購的分析預測；從生生端的良品率優化、不良根因查找、預測性維護到生廠參數優化等不同場景。
“以前的AI應用往往是一個算法對應一個應用，然后再搭建一個系統，JarviX可以自行組合各種算法并即時生成應用程序應對不同的客戶應用需求。”張宗堯表示。
大部分中小企類連一個完整IT團隊都沒有，更遑論建構數據團隊提升數字化決策能力。張宗堯想要幫助那些沒有足夠資源完成數字化轉型的中小企業，讓他們借助JarviX實現數據的快速導入和規模化應用，在不同的業務場景快速得到有效的決策輔助。
某消費電子制造商供應鏈部門，在應用JarviX后，項目準備流程從4人5天縮短至5分鐘，分析銷量提升95%；決策時間由1天壓縮至30分鐘，時間成本降低93%。
數字化轉型，不是自動化轉型
當下的中國商業智能軟件市場，是一個頗具潛力的增量市場。
根據IDC數據，到2025年，中國商業智能軟件市場的規模將達到16億美元，未來5年，整體市場的年復合增長率為21.6 %。
然而客觀來看，制造業中，AI、大數據等技術仍未在決策中得到廣泛應用。下一步，該如何從這個市場中分食蛋糕？
訊能集思團隊將今年的主要精力，放在了與這個世界的溝通上。
在張宗堯看來，“在國內從傳統粗放型制造走向高端制造的路上，制造業賺的除了技術財，更核心的還是管理財”。
最開始創業的時候，訊能集思面對的還是一個未經培育的新興市場。經常是“掏盡所有的腦子和別人解釋”，然而對方卻始終一臉不知所云的表情。
最記憶猶新的一次，張宗堯與一位有合作意向的廠商時隔一周后再見面，對方興奮地說找到一家和訊能集思很像的AI公司，結果他發現那是一家機器視覺公司，張宗堯哭笑不得。
觀念上的轉變，是當時的商業智能軟件提供商們，集體面臨的困境。近些年，隨著整個智能制造大局的持續推進，創業環境早已不復當年。
張宗堯最直觀的感受是，客戶已經會主動帶著問題，前來尋求解決方案了。
盡管當下的市場，已不復荒蠻時期獨立開墾的艱難，但智能BI在國內的發展只有短短3年，商業智能軟件提供商與企業之間的隔閡依然存在。
張宗堯仔細研究后發現，那些被企業遺棄在角落的產品，其實本身做得并不差，問題在于產品手冊寫得不夠詳細。
產品的成功，從上至下每一處細節都至關重要。將產品各項功能與價值描述清楚，同樣是一項需要耗費大量時間和精力的工作。“現在我們團隊的兩個人，就專門負責做這件事，我發現這是我們需要一直強化的地方。”
經過內部市場調研，張宗堯從以往經驗中，發現另一個事實，即最成功的客戶，領導者本身都擁有一定程度的數據思維，能夠在企業內部慢慢引導形成正向循環。
“我們是降低門檻，但是不代表他們可以什么都不懂。”張宗堯對雷峰網(公眾號：雷峰網)說。
這意味著，當企業越清楚自己需要AI解決何種問題，實際落地效果就會越好。
怎樣在幾乎不用教育的情況下，在企業內部快速形成正向反饋，使業務人員具備數據思維，是包括訊能集思在內，整個行業將持續攻克的又一道難題。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
