沥青在现代生活中无处不在,从高速公路到停车场再到网球场,到处都能看到沥青的使用。沥青在高温下可能是非常危险的,例如需要在高温下加工石油基物质。根据美国职业安全与健康管理局(OSHA)的数据,过去十年中发生过十起因为加热沥青或者6号燃油储罐而发生的爆炸事件。
为了提高沥青作业的安全性,总部位于美国的Owens Corning公司投入使用数据分析技术,利用低代码工具开发了一个数字平台,该平台整合了多个数据流,让以前某个特定工厂的信息能够在整个公司运营过程中进行共享和协调。
Owens Corning公司IT和卓越分析中心总监Malavika Melkote
“这个项目最初是因为我们需要实现对数据的实时可见性和可操作的洞察力,防止危害发生并提高操作生产网络中沥青加工罐的安全性,”Owens Corning公司IT和卓越分析中心总监Malavika Melkote这样表示。
在该项目中,Owens Corning利用数字化传感器提取来自沥青罐的数据。Melkote说,这些数据与其他一系列数据点进行集成,为工厂操作员提供易于使用的可视化分析。“他们可以实时、快速地评估潜在危害和风险,并主动采取预防措施。”
这个防损平台提高了对潜在危害的可见性,结合预防性维护的实施,最大限度上减少了计划外的生产中断,并通过减少设备损失节省了大量成本。Melkote表示,该平台让工厂把做出决策和采取行动所需的时间从几天缩短到只有几分钟。
采用MVP方法
监控和管理沥青罐的蒸汽空间,这对于安全性和遵守联邦清洁空气法案第五章是至关重要的。Owens Corning在开发这个防损平台之前曾和沥青行业的其他公司将蒸汽空间数据收集到了离线数据库中,这些数据库是供特定于工厂使用的,其中所包含的信息难以在整个公司内部进行共享和调用。
Owens Corning沥青制造支持负责人Frank Burg表示:“我们通过防损发现流程发现,监控和管理沥青罐的蒸汽空间显然是安全和合规性的一个关键组成部分,虽然我们有严格的流程来管理安全性和合规性,但通过自动化和分析让我们有一个很好的机会去让整个工厂变得更加高效和可扩展,这个机会就是把从沥青罐收集的数据完全数字化,自动集成多个数据流,为工厂人员提供分析数据的工具,发现和评估风险和危害,以便快速采取行动。”
2021年8月Owens Corning着手开发这个防损平台。由横跨环境、健康、安全(EHS)、工程、控制器和工厂领导所组成的一支跨职能团队,和IT分析COE一起制定愿景和路线图。为了解决当前流程的最大痛点,该团队确定了平台的三项关键要求:需要提供对数据的及时访问和发现风险的主动分析;让操作员能够在不同工厂之间分享洞察、措施以及经验;足够容易使其能够被技术经验不同的油罐操作员所使用。整个团队认为,最好的方法是利用低代码工具。
“一个关键的考虑因素,就是让业务团队与开发人员一起以长期的方式改进、运营和管理解决方案,为业务用户提供更多控制以增强解决方案,这是选择低代码技术平台的一大驱动力,”Melkote说。
最终他们开发的系统,成为防损数据的单一真实来源,具有主动监控和分析功能,可以通过实时洞察提醒工厂领导者提前预防危害,并结合了高级分析和机器学习来执行原始数据之外的关系数据分析。
由Owens Corning企业信息架构师Muhammad Shoib所带领的开发团队采用最小可行产品(MVP)的开发方法,创建了一个概念验证,并在三周时间内完成了在一个工厂的部署。这为微调流程提供了宝贵的反馈,让用户和业务团队都感到兴奋不已。在他们的支持下,Shoib的团队对解决方案不断扩展,三个月内将这种方法部署到全部17家工厂。
Shoib说:“我们采用这种MVP方法需要两周时间来构建解决方案,并让用户体验解决方案以及提供反馈,然后开始在工厂进行试点,需要八周的迭代开发。第一家工厂部署花费了两周时间,我们需要格外谨慎才能完全实施该解决方案,也就是需要让最终用户、产品所有者和开发人员都感到满意。”
Melkote表示,结果用户的采用速度和用户培训的最小化都令人感到惊喜。“开发MVP、试点和第一个工厂实施的迭代方法,最大限度上减少了任何问题的发生。”
赋能企业用户
该项目采用的方法,代表了Owens Corning所做的一个重大转变,以前Owens Corning主要依赖于传统的解决方案交付方法,也就是把完整的解决方案交付给业务部门进行测试和验证。Melkote说,转变为共同开发解决方案的迭代方式,这是一个很大的变化,但最终结果是值得的。
“MVP为潜在可能性设定了基调和速度,让用户可以接触和感受得到。在实施MVP方法之后,他们也加入其中,为每月的功能发布计划提供支持。”
Melkote说,自从该平台部署以来,Owens Corning已经用整个企业都可以访问的数字平台取代了个人工具和孤立信息,这反过来实现了更为有效的数据流和分析,从而提高了决策速度,最大程度上减少IT的参与就可以解决更多用户需求。
“我们的业务团队现在负责管理解决方案,他们感到自己能够按照自己的节奏改进解决方案,依赖IT来确定增强功能的优先级,已经不再是一个难题了。”
Melkote现在衷心地向她的同行推荐MVP和低代码方法。
“从MVP方法开始,让你的业务合作伙伴体验解决方案,快速看到价值,让企业以正确的角色掌舵,由他们来管理速度和功能。继续培育全民开发者,商业产品所有者,成为最好的业务伙伴。让你的业务合作伙伴分享故事和经验,推广成功故事。”
好文章,需要你的鼓励
是德科技高级副总裁兼通信解决方案事业部总裁Kailash Narayanan现场指出,算力固然重要,但如果能耗过高,技术的实用性将大打折扣,因此,所有的高速、高性能计算,都必须在极低的功耗下实现,这是AI等技术能否大规模落地的核心前提。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
来自上海交通大学和浙江大学等机构的研究团队开发出首个AI"记忆操作系统"MemOS,解决了AI系统无法实现人类般持久记忆和学习的根本限制。该系统将记忆视为核心计算资源进行调度、共享和演化,在时间推理任务中相比OpenAI记忆系统性能提升159%。MemOS采用三层架构设计,通过标准化记忆单元实现跨平台记忆迁移,有望改变企业AI部署模式。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。