论文部分内容阅读
在接下苏州协鑫光伏科技项目经理交予的任务前,吴云崇从来没想过自己会下到工厂车间。
吴云崇是阿里云的算法工程师。但从去年开始,他已经跑了30多家不同类型的工厂—客户希望他通过大数据提高良品率。
最开始到协鑫工厂时,吴云崇心里一点底气都没有。大数据应用在搜索领域有很多经验可以复制,但在工业领域,他们要做的事并没有先例。客户虽然提出了6个需要提升的指标,不过他们也不清楚公司存在的问题究竟是什么。“你得比客户更了解他们的业务,如果客户比我们更清楚,问题早就解决了。”吴云崇说。
协鑫的负责人在最开始帮助吴云崇的团队熟悉了一些基本知识和最大痛点,吴云崇觉得这些知识不够,又恶补了工业生产流程中的关键环节,比如光伏切片究竟怎么切割、不同温度和速度起到什么作用、哪些关键的部件会造成影响等。然后他提出了一个大概的解决方案,引导客户讲出他们之前没有意识到的细节。
这个过程并不容易。“我们需要很谨慎,不能随便忽悠,这是一个互相学习的过程。”吴云崇说。他需要对每一个问题抽丝剥茧,才能一步步和客户对上话:良品率过低究竟是材料有问题,还是安装出现了差错?如果是材料,那究竟是供应商的哪个环节出了问题?
![](https://www.soolun.com/img/pic.php?url=http://img.resource.qikan.cn/qkimages/dycj/dycj201729/dycj20172917-1-l.jpg)
反復修改计算模型后,吴云崇发现,原因出在有工人使用了报废的刀片来生产。他建议客户做好刀片的物流链管理,但产品的良品率仍然没有大幅度改善。
那时吴云崇的压力比刚接手项目时还大。最初的一个多月,大部分时间都在带领团队做线下走访。无论是偏管理的工艺技术部,还是搬钢材、填料、推车的基层普通工人,吴云崇都请教过。他在这个过程中学会了如何和工人打交道,分辨他们告诉自己的究竟哪些是“干货”,哪些是冗余信息。
他开始尝试通过线下走访寻找问题的根源。在车间里,他仔细观察工人如何安装一个导轮,看“不对劲”的地方究竟是扭力还是校准。看了几天之后没有发现问题,他又跑到另一个工厂,才发现前一个工厂的工人在操作流程中省略了一些环节。“我们做的事和医生看病、警察办案很像。”吴云崇说,省掉的环节补上后,良品率立刻提升了。
吴云崇原本并不善于和陌生人打交道。担任协鑫项目的经理前,吴云崇多数时间都在写代码。操作完协鑫项目后,他似乎爱上了走访工厂,从轮胎厂到钢铁厂,只要有新项目,他就当成实地训练的机会。他的工作模式也变成了从一线发现问题,然后用数据模型去解决。
这个项目结束后,吴云崇对数据挖掘工程师的工作有了更多认识,“假设我只是坐在公司的办公室里做数据分析,设计各种各样的数据模型,可能做出200个算法模型,都提升不了一个良品率。”他说,写代码的岗位分很多种。对于数据挖掘工程师,算法只是工具,他们更多的工作是实地解决问题。
C=CBNweekly
W=Wu Yunchong
C: 对哪个车间印象最深?
W: 每个车间都有自己的特点。印象比较深的一个是钢铁厂,规模特别大,钢铁加水冷却的场面很壮观。汽车工厂戒备特别森严。做洗发水的生产线其实很短,从瓶子到全部包装完毕,大概也就只有十几米,拿出来就能直接卖了。这些工厂都远离市区,我每次出差都要跑到郊区甚至荒无人烟的地方去。
C: 如何提出跨行业的解决方案?
W: 理论在本质上都是一样的。方法论都是相通的,包括如何理解业务,应该用什么算法解决问题,不管什么样的业务场景,能做的事都类似。
C: 如何将具体的施工流程抽象成算法模型?
W: 这个是真正考验能力的地方,也是数据挖掘工程师的基本能力和素质。一定要试着假设自己是工人,操作逻辑是什么样的,这实际上是运用了类比和同理心。只要这个想清楚了,问题其实很好解决。在战场上必须要保证子弹的方向是对的,战役才能取得胜利。
吴云崇是阿里云的算法工程师。但从去年开始,他已经跑了30多家不同类型的工厂—客户希望他通过大数据提高良品率。
最开始到协鑫工厂时,吴云崇心里一点底气都没有。大数据应用在搜索领域有很多经验可以复制,但在工业领域,他们要做的事并没有先例。客户虽然提出了6个需要提升的指标,不过他们也不清楚公司存在的问题究竟是什么。“你得比客户更了解他们的业务,如果客户比我们更清楚,问题早就解决了。”吴云崇说。
协鑫的负责人在最开始帮助吴云崇的团队熟悉了一些基本知识和最大痛点,吴云崇觉得这些知识不够,又恶补了工业生产流程中的关键环节,比如光伏切片究竟怎么切割、不同温度和速度起到什么作用、哪些关键的部件会造成影响等。然后他提出了一个大概的解决方案,引导客户讲出他们之前没有意识到的细节。
这个过程并不容易。“我们需要很谨慎,不能随便忽悠,这是一个互相学习的过程。”吴云崇说。他需要对每一个问题抽丝剥茧,才能一步步和客户对上话:良品率过低究竟是材料有问题,还是安装出现了差错?如果是材料,那究竟是供应商的哪个环节出了问题?
![](https://www.soolun.com/img/pic.php?url=http://img.resource.qikan.cn/qkimages/dycj/dycj201729/dycj20172917-1-l.jpg)
反復修改计算模型后,吴云崇发现,原因出在有工人使用了报废的刀片来生产。他建议客户做好刀片的物流链管理,但产品的良品率仍然没有大幅度改善。
那时吴云崇的压力比刚接手项目时还大。最初的一个多月,大部分时间都在带领团队做线下走访。无论是偏管理的工艺技术部,还是搬钢材、填料、推车的基层普通工人,吴云崇都请教过。他在这个过程中学会了如何和工人打交道,分辨他们告诉自己的究竟哪些是“干货”,哪些是冗余信息。
他开始尝试通过线下走访寻找问题的根源。在车间里,他仔细观察工人如何安装一个导轮,看“不对劲”的地方究竟是扭力还是校准。看了几天之后没有发现问题,他又跑到另一个工厂,才发现前一个工厂的工人在操作流程中省略了一些环节。“我们做的事和医生看病、警察办案很像。”吴云崇说,省掉的环节补上后,良品率立刻提升了。
吴云崇原本并不善于和陌生人打交道。担任协鑫项目的经理前,吴云崇多数时间都在写代码。操作完协鑫项目后,他似乎爱上了走访工厂,从轮胎厂到钢铁厂,只要有新项目,他就当成实地训练的机会。他的工作模式也变成了从一线发现问题,然后用数据模型去解决。
这个项目结束后,吴云崇对数据挖掘工程师的工作有了更多认识,“假设我只是坐在公司的办公室里做数据分析,设计各种各样的数据模型,可能做出200个算法模型,都提升不了一个良品率。”他说,写代码的岗位分很多种。对于数据挖掘工程师,算法只是工具,他们更多的工作是实地解决问题。
C=CBNweekly
W=Wu Yunchong
C: 对哪个车间印象最深?
W: 每个车间都有自己的特点。印象比较深的一个是钢铁厂,规模特别大,钢铁加水冷却的场面很壮观。汽车工厂戒备特别森严。做洗发水的生产线其实很短,从瓶子到全部包装完毕,大概也就只有十几米,拿出来就能直接卖了。这些工厂都远离市区,我每次出差都要跑到郊区甚至荒无人烟的地方去。
C: 如何提出跨行业的解决方案?
W: 理论在本质上都是一样的。方法论都是相通的,包括如何理解业务,应该用什么算法解决问题,不管什么样的业务场景,能做的事都类似。
C: 如何将具体的施工流程抽象成算法模型?
W: 这个是真正考验能力的地方,也是数据挖掘工程师的基本能力和素质。一定要试着假设自己是工人,操作逻辑是什么样的,这实际上是运用了类比和同理心。只要这个想清楚了,问题其实很好解决。在战场上必须要保证子弹的方向是对的,战役才能取得胜利。