工業大數據的關鍵技術有哪些？把開源的相關技術拼湊一下就可以形成工業大數據平臺？將機器深度學習技術結合起來，就形成工業大數據分析？這樣的工業大數據和其他大數據沒有分別。

工業大數據的核心是什么？是基于企業、行業、客戶的總結。目前可以把中國工業大數據分成三項。
第一是與機器設備相關，設備的可靠性、健康程度和設備的操作等。
第二是和運行效率相關，包括生產環節、研發環節、供應鏈環節等。
第三是在使用這些應用環節時，企業解決問題的方法未必是用機器學習的方法進行分析，而是使用優化的方式。
今天的產業互聯網中，企業嘗試使用別人的數據，比如產業鏈數據、跨界數據去解決更多問題。有些制造型業企業開始從事金融貸款業務，而這些都是通過企業拓展主體業務邊界的方式進行操作，在這種方式下就需要更多的數據來支撐，進行總體分布。
目前企業在從事其他行業時，行業應用場景非常分散，企業需要一套完整的方法論來解決所面臨的市場、技術、管理上的挑戰。發展工業大數據并不容易，在有物質支撐的基礎上，企業如何進行改變和創新，都是企業所遇到的問題。
在實施路徑上我們將工業數據分為三段論―數據+業務+技術，而最重要的工作其實是人，實施三段論分成三個步驟：第一，對業務問題的分析診斷能力，企業在經營過程中存在什么業務問題，這些業務問題有什么改善方法。第二，找到潛在問題點，當找到問題后使用數據技術嘗試進行改善，甄別這些問題是否可以解決，并嘗試把業務模型轉化成數據模型嘗試建模。第三，把解決的問題進行部署，來構成三段論。
實施三段論，昆侖數據使用工業大數據平臺，并總結出三個方向：第一，設備健康；第二，流程效率優化；第三，產品質量。但通過一種工業數據來解決其他工業問題，并不可行。很多企業發現，一個設備數據解決不了其他設備的問題，工業大數據里面充斥著個性而不是共性，而解決此類問題的關鍵在于技術和數據，并不是一種應用數據可解決所有問題。
比如在工業中體量最大的傳感器生產所產生的工業物聯網數據的采集、存儲、分析、查詢等，是一個可變型系統，可以使用開源框架進行對接，而在平臺中怎樣進行操作，取決于關鍵技術。我們有一套數據存儲格式，可按毫秒的時段對數據進行查詢和采集，但是在查詢時可能需要按照秒、小時、天等方式發起，這時如何進行處理？通過數據裝載時進行預計算，從數據的某一級開始發起對它的查詢，而這一方式需要細致的監管和維護。
在數據存儲管理方面，我們開發了一種名為邏輯空間系統，構建列表名方便企業進行查詢。比如某臺風機的某一個傳感器，在某個時間序列是否可以查看到物理存儲單元？當存儲這些信息時是企業的邏輯部分，可以按照不同的原數據、供應商、邏輯維度進行管理。
在分析的世界中怎?詠?物理世界和數字世界相互連接？是否可以將領域中所獲得的數據，放進模型中分析？顯然不是，我們將這些問題叫有效樣本極度缺失，因為設備在絕大多數情況下是正常的，極少出現問題。如果進行某種特定故障預測和分析時會發現，設備在它的使用壽命中，可能發生故障有幾起或幾十起，和這臺設備正常樣本比起來，樣本的分布偏差過大，所以在當下的工業發展中必須運用機器學習技術和機器深度學習技術。運用深度學習技術的前提是什么？設備在運行的過程中會產生很多數據，能從數據中進行學習是一項技術突破，但是工業里這種方式并不成立，雖然設備產生了很多數據，但是真正有效的正樣本量卻非常少。
基于以上原因在工業數據中我們嘗試的技術是遷移學習。什么是遷移學習？是某種模型放到另外一個地方去用，對模型進行一些修改。比如現實模型與物理模型，當現實模型不等于物理模型時，經過修改怎樣將現實模型改變成物理模型？如果在現實世界中沒有數據產生，但是在物理世界中卻有數據存在，在仿真體系中以非常低的成本生產大量的數據，能否嘗試把數據遷移過來，放到現實中的故障檢測中去？這一方法是可行的。所謂深度學習的大量數據是從仿真過程演變而來，但是在數據遷移的過程中，是以數據生成的一種對抗方式進行操作，最終使現實模型和物理模型相等，順利將模型進行遷移。
現今仿真模型的機理所表示的是一個公式，在工程控制優化時，會呈現出化學和生物過程，只能在較大的周期上進行測量和取樣，才能從這個過程中找到數據，但是在化學顯示過程中存在化學反應方程式，將化學和生物的顯示過程中的數據結合起來，就是數據的深度遷移學習，而工業大數據發展的未來是將遷移學習模型、深度學習模型、強化學習模型相互結合，來解決工業中所發生的問題。
（根據演講內容整理，未經本人審核）